标签偏移下的主动学习
机器学习
2021-03-01 v3 机器学习
摘要
我们研究标签偏移下的主动学习问题：即源域与目标域的类别比例不同。我们引入一种“中间分布”以兼顾重要性加权与类平衡采样之间的权衡，并提议在主动学习中联合使用二者。我们的方法称为标签偏移下的中介主动学习（MALLS）。它平衡了类平衡采样带来的偏差与重要性加权带来的方差。我们给出了 MALLS 的样本复杂度和泛化保证，表明即使在任意标签偏移下，主动学习也能降低渐近样本复杂度。我们通过实验证明 MALLS 可扩展到高维数据集，并在深度主动学习任务中将主动学习的样本复杂度降低 60%。
引用
@article{arxiv.2007.08479,
title = {Active Learning under Label Shift},
author = {Eric Zhao and Anqi Liu and Animashree Anandkumar and Yisong Yue},
journal= {arXiv preprint arXiv:2007.08479},
year = {2021}
}
备注
18 pages, 9 figures, to appear at the 2021 International Conference on Artificial Intelligence and Statistics (AIStats)