基于标签比较的主动学习

监督学习通常依赖对真实标签的人工标注。当潜在类别众多时，从中搜寻最佳类别对人标注者而言可能代价高昂。另一方面，比较两个候选标签往往容易得多。我们关注此类成对监督，并探究如何在学习中（尤其是主动学习中）有效利用它。在此背景下我们得到若干深刻结论。原则上，从$k$个标签中找出最佳者可通过$k-1$次主动查询完成。我们证明存在一类自然情形使该方法非最优，且存在更省比较的主动学习方案。我们分析的关键要素是真分布的“标签邻域图”，若两类共享决策边界则其间连边。我们还证明在PAC设定下，成对比较在最坏情况下无法提供改进的采样复杂度。我们以实验补充理论结果，清晰展示了邻域图对采样复杂度的影响。