超越可实现性的基于回归的主动学习
机器学习
2025-06-05 v1 统计理论
机器学习
统计理论
摘要
我们提出了一种新的基于代理风险最小化的多分类主动学习框架，该框架在超越标准可实现性假设的条件下运行。现有的基于代理的主动学习算法严重依赖可实现性——即假设最优代理预测器位于模型类中——这限制了它们在实际误设环境中的适用性。在这项工作中，我们表明，在显著弱于可实现性的条件下，只要所考虑的模型类是凸的，仍然可以获得与先前工作相当的标签和样本复杂度。尽管实现了相似的速率，但可以证明先前工作中的算法方法在满足我们假设的非可实现环境中会失败。我们基于轮次的主动学习算法不同于先前的方法，它在每一轮将完整类中的模型拟合到查询数据，并返回通过聚合这些模型而获得的不适当分类器。
引用
@article{arxiv.2506.00316,
title = {Active Learning via Regression Beyond Realizability},
author = {Atul Ganju and Shashaank Aiyer and Ved Sriraman and Karthik Sridharan},
journal= {arXiv preprint arXiv:2506.00316},
year = {2025}
}