主动学习经验能否迁移？

主动学习是机器学习中减少人工标注工作量的重要问题。当前的主动学习策略基于人类知识设计，并以不可变的方式应用于每个数据集。换言之，关于策略有效性的经验无法更新并迁移以改进其他数据集上的主动学习。本文开创了关于主动学习经验能否迁移的先驱性研究。我们首先提出一种线性聚合现有策略的新型主动学习模型。线性权重随后可用于表示主动学习经验。我们为该模型配备了用于上下文赌博机（contextual bandit）的流行线性上置信界（LinUCB）算法来更新权重。最后，我们利用偏置正则化（biased regularization）技术将模型扩展至跨数据集迁移经验。实证研究表明，所学得的经验不仅在多数单一数据集上与现有策略具有竞争力，还能跨数据集迁移以提升未来学习任务的性能。