基于多模态主动式学习法进行需备标记样本之挑选用于候用校长评鉴 .pdfVIP

The 2016 Conference on Computational Linguistics and Speech Processing ROCLING 2016, pp. 387-40 1  The Association for Computational Linguistics and Chinese Language Processing 基於多模態主動式學習法進行需備標記樣本之挑選用於候用校長 評鑑之自動化評分系統建置 A Multimodal Active Learning Approach toward Identifying Samples to Label during the Development of Automatic Oral Presentation Assessment System for Pre-service Principals Certification Program 孫泓敬 Hung-Ching Sun 國立清華大學電機工程學系 Department of Electrical Engineering National Tsing Hua University s103061558@m103.ntnu.edu.tw 李祈均 Chi-Chun Lee 國立清華大學電機工程學系 Department of Electrical Engineering National Tsing Hua University cclee@ee.nthu.edu.tw 摘要 主動式學習 (active learning)在機器學習領域中越來越受到重視，因為它可以用來優 化訓練的過程，讓結果更好[13] 。主要的概念是假如學習演算法可以在學習的過程中選 擇比較決定性的資料點而不是挑選全部資料來做學習。接著根據對於模型而言具有代表 性的資料點做挑選，將會對於學習的效果更有幫助，獲得更佳的結果。換句話說，透過 觀察已知的標記資料，主動地挑選未標記的資料，並藉此獲得比挑選全部資料或是隨機 抽樣資料的監督式學習方式更高的準確率以及更少的資料量。 對於任何監督式學習 (supervised learning)來說，假如想要促使學習系統表現的更 好，則需要大量的被標記的資料來做訓練。但是，在這些被標記的資料中，可能會存在 著對於學習系統有著負面影響的資料，從而降低學習效果與準確率。在這篇論文中，我 們將會應用主動式學習的概念在系統學習的過程上，藉此來分辨資料對於系統的好壞； 並測試主動式學習在訓練過程中的實際效果[9] 。 387 Abstract Active learning is becoming more and more important in machine learning that can optimize the learning process [13]. The main concept is that if learning algorithm can choose the most informative data points from which it learns, instead of choosing all of them, it will perform better with less training. In other words, we recursively select the unlabeled data