校准不确定性抽样的主动学习
机器学习
2025-10-06 v1
摘要
我们研究了如何通过低校准误差的分类器进行主动学习。池化主动学习中最流行的获取函数（AF）之一是依据模型的不确定性进行查询。然而，我们认识到，针对未标注数据池进行的非校准不确定性模型会显著影响获取函数的有效性，从而导致在未见数据上的泛化和校准误差次优。深度神经网络（DNN）更为严重，因为 DNN 的模型不确定性通常是非校准的。因此，我们提出了一种新型获取函数，通过估计校准误差并查询具有最高校准误差的样本，再利用 DNN 不确定性。具体而言，我们使用在协变量迁移下下的核校准误差估计器，并形式化地证明，使用该获取函数的主动学习最终可确保未标注数据池和未见测试数据上的校准误差受控。实验表明，我们提出的方法在池化主动学习设置下，以更低的校准和泛化误差超越其他获取函数基线。
引用
@article{arxiv.2510.03162,
title = {Calibrated Uncertainty Sampling for Active Learning},
author = {Ha Manh Bui and Iliana Maifeld-Carucci and Anqi Liu},
journal= {arXiv preprint arXiv:2510.03162},
year = {2025}
}