FunnelAL单类发现主动学习系统发布

2026年10月30日，研究人员Reihaneh Rostami和Brian Goodwin发布论文，正式提出FunnelAL系统。这是一种用于单类发现的先检索后排序主动学习框架，旨在通过结合RankNet排序模型与基于查询间隔的探索策略（QBC）来优化样本选取过程。 在性能测试方面，该系统在五个基准数据集及包含2.15百万图像的iNaturalist语料库上进行了验证。结果显示，FunnelAL的运行速度比邻域基线快8倍，且在10%标签噪声干扰下，其F1分数显著高于多个对比基线方法，展现了较强的鲁棒性。 此外，论文最新版本（v2）对消融实验中的实现错误进行了修正，并更新了SEALS和AnchorAL两个基线方法，使其算法实现更贴合原始公开算法，以确保对比结果的准确性与公平性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。