基于委员会查询主动学习中的鲁棒散度方法

主动学习是一种广泛应用于各类高测量成本问题的方法论。在主动学习中，下一个待测量对象由采集函数选出，并依次进行测量。委员会查询是一种知名的采集函数。在传统方法中，委员会分歧由 Kullback–Leibler 散度量化。本文中，分歧的度量由 Bregman 散度（其以 Kullback–Leibler 散度为特例）与对偶 $\gamma$-幂散度定义。作为 Bregman 散度的一个特定类，考虑了 $\beta$-散度。通过推导影响函数，我们表明所提出的采用 $\beta$-散度与对偶 $\gamma$-幂散度的方法比以 Kullback–Leibler 散度定义分歧度量的传统方法更为鲁棒。实验结果表明，所提方法表现与传统方法相当或优于传统方法。