本周阅读了论文《Multiple-Boundary Clustering and Prioritization to Promote Neural Network Retraining》，该论文主要提出了一种叫MCP的方法，选择有效的输入子集对DL模型进行再训练，以提高模型的质量。在我们的研究中，可以考虑本文的边界聚类的算法思想。
主要工作：前提：
测试工作中，常通过标记从测试上下文中收集有效输入子集来重新训练DL模型，提高模型质量。
本文提出：
多边界聚类和优先级排序（MCP）——将测试样本聚类到DL模型的边界区域并指定优先级，从所有边界区域均匀选择样本，以确保每个边界重建都有足够的有用样本。
实验和实验结果：
对三个流行 DL 模型、33 个模拟测试环境进行了实证研究。与最先进的基线方法相比，MCP有效性、效率都更好。
要解决的问题：以有限的标记工作指导DL模型的再训练。目前基于边界的技术只捕获了测试样本与DL模型边界的距离关系，而无法获取边界分布信息，可能导致边界之间选择不平衡。
如上图，III 中的样本比 I 和 II 中的样本离原始边界更远。虽然一般靠近边界的样本对边界的变化更敏感，理论上更有助于重建边界，但如果只考虑距离度量，可能会过度选择 I 和 II 中的样本（距离更短），忽略 III 中的样本（距离更长），这对于重建第 2 类和第 3 类之间的边界必不可少。
因此，基本思想是将再训练DL模型考虑为基于多重分类的多个边界的重建，从多个边界区域中均匀选择样本，以确保每个边界重建有足够的样本。
算法步骤：输出概率提取：提取出样本最终获得每个分类标签的概率。
边界区域聚类：聚类后先在每个边界范围内优先级排序。
统一优先选择：从每个边界区域的优先级队列中均匀选择样本，确保足够样本重建边界。
 1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，会注明原创字样,如未注明都非原创，如有侵权请联系删除！；3.作者投稿可能会经我们编辑修改或补充；4.本站不提供任何储存功能只提供收集或者投稿人的网盘链接。 |
标签： #mcp模型 #clustering #and #Prioritization #To #Promote #Neural
