用于线性模型准确估计的主动学习
机器学习
2017-08-01 v2 机器学习
摘要
我们探究一个序贯决策问题，其目标是在给定从已知分布独立采样的随机上下文共享预算下，均匀良好地估计多个线性模型。决策者必须为每个到来上下文查询其中一个线性模型，并接收到被未知噪声水平污染且依赖于模型实例的观测。我们提出 Trace-UCB，一种自适应分配算法，它在不同线性函数间平衡上下文的同时学习噪声水平，并推导了期望和高概率下简单遗憾的保证。最后，我们将该算法及其保证扩展到高维设置，其中线性模型数量乘以上下文空间维度大于样本总预算。基于真实数据的仿真表明 Trace-UCB 极其鲁棒，即使在其假设被违背时也优于多个基线方法。
引用
@article{arxiv.1703.00579,
title = {Active Learning for Accurate Estimation of Linear Models},
author = {Carlos Riquelme and Mohammad Ghavamzadeh and Alessandro Lazaric},
journal= {arXiv preprint arXiv:1703.00579},
year = {2017}
}
备注
37 pages, 8 figures, International Conference on Machine Learning, ICML 2017