面向回归的黑盒批量主动学习

批量主动学习是一种流行的方法，通过重复获取数据点批次的标签，高效地在大型初始未标记数据集上训练机器学习模型。然而，许多最近的批量主动学习方法是白盒方法，通常局限于可微参数化模型：它们使用基于模型嵌入或一阶、二阶导数的采集函数对未标记点进行评分。在本文中，我们提出面向回归任务的黑盒批量主动学习，作为白盒方法的扩展。关键的是，我们的方法仅依赖于模型预测。该方法兼容广泛的机器学习模型，包括常规和贝叶斯深度学习模型以及不可微模型（如随机森林）。它根植于贝叶斯原理，并利用最近的基于核的方法。这使我们能够将多种现有的最先进白盒批量主动学习方法（BADGE、BAIT、LCMD）扩展到黑盒模型。通过在回归数据集上的广泛实验评估，我们证明了方法的有效性，与深度学习模型的白盒方法相比，取得了令人惊讶的强劲性能。