一种用于分类的新型主动学习框架：利用加权排序聚合实现多查询准则
机器学习
2018-09-28 v1 人工智能
机器学习
摘要
多查询准则主动学习（MQCAL）方法比仅采用单一准则进行样本选择的传统主动学习方法具有更高的潜在性能。与 MQCAL 方法相关的核心问题是如何开发一种充分利用所有准则的集成准则策略（ICS）。相关研究中采用的常规 ICS 虽能达到预期效果，但仍存在一些局限。例如，部分策略在设计过程中可扩展性不足，所涉及准则的数量与类型受限，因此除非修改算法，否则用户难以将其他准则集成到原有过程中。其他策略过于依赖经验参数，这些参数只能通过经验或交叉验证获得，因而缺乏通用性；此外，这些策略与主动学习的初衷相悖，因为在主动学习过程开始前需对验证集样本进行标注。为克服这些局限，我们提出了一种用于分类任务的新型 MQCAL 方法，其通过加权排序聚合采用第三种策略。所提方法作为一种启发式手段，可选择具有高可扩展性与通用性的高价值样本，并通过三步过程实现：（1）将样本选择转化为样本排序与打分，（2）计算各准则的自适应权重，（3）对各样本排序列表进行加权聚合。最终，聚合排序列表顶部的样本最具综合价值，必须被标注。我们进行了若干实验，与其他当前最优 MQCAL 方法相比取得 257 胜、194 平、49 负，验证了所提方法能获得更优结果。
引用
@article{arxiv.1809.10565,
title = {A novel active learning framework for classification: using weighted rank aggregation to achieve multiple query criteria},
author = {Yu Zhao and Zhenhui Shi and Jingyang Zhang and Dong Chen and Lixu Gu},
journal= {arXiv preprint arXiv:1809.10565},
year = {2018}
}
备注
34 pages, 21 figures, 11 tables,