利用平滑相对遗憾近似进行主动学习及其应用
机器学习
2012-06-21 v3
摘要
Hanneke 提出的不一致系数（disagreement coefficient）已成为证明主动学习速率的一个与数据无关的核心不变量。已有多种方式表明，具有低复杂度的概念类连同最优解处的不一致系数界限，可实现优于被动学习的主动学习速率。我们提出了一种用于基于池的主动学习的不同工具，该工具源于某种一致形式的低不一致系数的存在，但与其并不等价。事实上，我们提出了两个具有重要意义的根本性主动学习问题，我们的方法可为其提供非平凡的主动学习界限。然而，任何仅依赖不一致系数界限的通用方法均无法保证为这些问题提供任何有用的界限。我们所使用的工具基于学习者能够计算任意假设的损失与某个固定“关键”假设的损失之差估计值的能力，且其绝对误差至多为 倍的...
引用
@article{arxiv.1110.2136,
title = {Active Learning Using Smooth Relative Regret Approximations with Applications},
author = {Nir Ailon and Ron Begleiter and Esther Ezra},
journal= {arXiv preprint arXiv:1110.2136},
year = {2012}
}