带有弃权反馈的基于池的贝叶斯主动学习

我们研究带有弃权反馈的基于池的主动学习，其中标注者可以以某种未知的弃权率拒绝为被查询的样本进行标注。这是一个具有许多有用应用的重要问题。我们采用贝叶斯方法来解决该问题，并开发了两种新的贪婪算法，能够同时学习分类问题和未知的弃权率。这些算法通过简单地将估计的弃权率纳入贪婪准则来实现。我们证明了我们的两种算法都具有近似最优性保证：它们分别达到了某个有用效用函数的最优期望值或最坏情况值的 ${(1-\frac{1}{e})}$ 常数因子近似。我们的实验表明，这些算法在各种实际场景中表现良好。