一种面向主动学习的几何采样分治方法
机器学习
2020-09-29 v3 机器学习
摘要
主动学习（AL）以最小标注预算反复训练分类器以改进当前分类模型。训练过程通常由不确定性评估策略监督。然而，当初始标注集标签不足时，不确定性评估总是出现性能退化。为彻底消除AL中对不确定性评估采样的依赖，本文提出一种分治思想，直接将AL采样转化为簇上的几何采样。通过将簇的点划分为簇边界点与核心点，我们从理论上探讨了它们的边界距离与{假设关系}。利用簇边界点在上述两方面的优势，我们提出一种基于骑士巡游的几何主动学习（GAL）算法。包含簇边界检测与AL分类两项实验任务的实验研究表明，所提GAL方法显著优于现有最优基线。
引用
@article{arxiv.1805.12321,
title = {A Divide-and-Conquer Approach to Geometric Sampling for Active Learning},
author = {Xiaofeng Cao},
journal= {arXiv preprint arXiv:1805.12321},
year = {2020}
}
备注
This paper has been withdrawn. The first author quitted the PhD study from AAI, University of Technology Sydney. The manuscript stopped updating