基于 Wasserstein 距离与 GroupSort 神经网络的回归主动学习
机器学习
2024-03-25 v1 统计理论
机器学习
统计理论
摘要
本文针对回归问题提出一种新的主动学习策略。所提出的 Wasserstein 主动回归模型基于分布匹配原理，用以度量已标注数据集的代表性。Wasserstein 距离通过 GroupSort 神经网络进行计算。此类网络的使用提供了理论基础，能够以显式界限对其规模与深度进行误差量化。该方案与另一种更具离群值容忍度的基于不确定性的方法相结合，以完善查询策略。最后，将该方法与其他经典及近期方案进行比较。实证研究表明，这种代表性与不确定性相结合的方法具有恰当性，在整个查询过程中均能提供良好的估计。此外，Wasserstein 主动回归通常能实现更精确的估计，且相比其他模型倾向于更快地提升准确率。
引用
@article{arxiv.2403.15108,
title = {Active Learning for Regression based on Wasserstein distance and GroupSort Neural Networks},
author = {Benjamin Bobbia and Matthias Picard},
journal= {arXiv preprint arXiv:2403.15108},
year = {2024}
}