基于分歧的贝叶斯主动学习：一种几何视角
机器学习
2021-05-07 v1
摘要
我们提出几何贝叶斯基于分歧的主动学习（GBALD），该框架在其核心集构建上执行 BALD，并与模型不确定性估计交互。从技术上讲，GBALD 在椭球而非典型的球面上构建核心集，防止低代表性元素出现在球面边界上。其改进体现在两方面：1）缓解无信息先验；2）减少冗余估计。理论上，与球面相比，椭球上的测地搜索可导出更紧的错误下界，且更易达到零错误。实验表明，GBALD 对噪声和重复样本具有轻微扰动，并且优于 BALD、BatchBALD 及其他现有的深度主动学习方法。
引用
@article{arxiv.2105.02543,
title = {Bayesian Active Learning by Disagreements: A Geometric Perspective},
author = {Xiaofeng Cao and Ivor W. Tsang},
journal= {arXiv preprint arXiv:2105.02543},
year = {2021}
}