从弱标注者与强标注者进行的主动学习

主动学习者被给定一个假设类、一个大量未标注示例的集合，以及对这些示例的一个子集向预言机交互式查询标签的能力；学习者的目标是通过尽可能少的标签查询，学习该类中一个能很好拟合数据的假设。本研究探讨从强标注者和弱标注者获取标签的主动学习，其中除了标准的主动学习设定外，我们还有一个额外的弱标注者，它可能会偶尔提供错误的标签。一个例子是学习对医学图像进行分类，其中昂贵的标签可以从医生（预言机或强标注者）处获得，或者更便宜但偶尔出错的标签可以从住院医师（弱标注者）处获得。我们的目标是学习一个在预言机标注的数据上具有低误差的分类器，同时利用弱标注者来减少向该标注者进行的标签查询次数。我们为这一设定提供了一种主动学习算法，确立了其统计一致性，并分析了其标签复杂度，以刻画在何种情况下它能比仅使用强标注者节省标签。