24、主动学习在机器学习任务中的应用与数据标注策略

主动学习在机器学习任务中的应用与数据标注策略

1. 主动学习在不同机器学习任务中的应用

1.1 视频聚类与标注

在处理视频数据时，聚类数量与视频总数的关系会影响标注策略：
- 若聚类数少于视频总数，可将相似视频合并为一个聚类，以实现有针对性的多样性。
- 若聚类数多于视频总数，部分视频可能会被分到多个聚类中，理想情况下是内容更多样的视频。

这种方法为结合主动学习方法快速标注视频提供了很大的空间。

1.2 语音数据的主动学习

语音数据的处理可分为标注任务、序列任务或语言生成任务，不同用例的处理方式不同：
- 语音行为标注 ：当对整个语音行为进行标注（如标注对智能设备发出的命令意图）时，模型已聚焦于关注的现象，不确定性采样和基于模型的异常值检测可直接应用于语音数据，无需裁剪。
- 语音转录 ：将语音转录为文本或处理整个录音的错误时，此过程更类似于文本生成，需要关注多样性以采样尽可能多的语音行为。由于世界上大多数语言的书写系统比口语更标准化，在捕捉各种口音和语言变体时，多样性尤为重要。

语音数据在数据收集技术方面介于文本和图像之间，麦克风质量、环境噪音、录音设备、文件格式和压缩技术等都可能产生干扰，使模型学习到错误信息。此外，语音的感知结构和实际物理结构差异较大，采样语音数据时，不能仅依赖文本转录。

1.3 选择合适数量的人工审核项目

对于高级主动学习技术，已学原则同样适用。一些主动学习策略（如代表性采样）可在主动学习迭代中自适应调整，但大多数技术组合在使用新标