无标签≠无人监督！CV圈“无监督”论文骤减，专家呼吁别再混为一谈！
Position: Unlabeled IS NOT Equal to No Human Supervision in Visual Learning
📖 AI 总结
这篇立场论文指出，视觉学习中“无标签”并不等于“无人类监督”，并呼吁研究社区更明确地识别监督来源。作者认为，许多基于大规模无标注数据构建的计算机视觉方法虽被统称为“无监督”，但不同的数据筛选方案和训练目标实际上嵌入了截然不同的人类先验，现有统一术语已无法反映这些差异。这种模糊性导致在不同假设下开展的无监督学习研究难以公平比较，也恰与2021年以来顶级会议中标题含“无监督”的论文数量骤减现象相吻合，尽管该领域仍在持续增长。论文主张在肯定预训练作为现代视觉基础的同时，推动社区建立标准化披露机制：作者应说明数据选择与学习目标中的先验假设，并明确各流程环节依赖哪些前提，以改善学术交流、保障公平对比并维护方法论多样性。
🔑 关键词速览
| 无监督学习 | 一种机器学习范式，模型从无标签数据中学习模式，无需人工标注。 |
| 人类先验 | 在数据选择或模型设计中隐含的人类知识或假设，影响学习结果。 |
| 预训练 | 在大型数据集上预先训练模型，以学习通用表示，再用于下游任务。 |
| 数据整理 | 选择和预处理数据的过程，可能引入特定的人类偏好或偏差。 |
| 立场论文 | 一种学术论文类型，作者提出并论证对某一问题的明确观点或立场。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅