面向局部最优问题求解的 Coactive Learning
机器学习
2014-04-23 v1
摘要
Coactive learning 是一种在线问题求解设定，其中求解器提供的解由领域专家交互式地改进，这反过来驱动了学习。在本文中，我们将 coactive learning 的研究扩展到如下问题：获取全局最优或近似最优解可能难以处理，或者只能期望专家对候选解做出微小的局部改进。在这种新设定下，学习的目标是最小化由随时间推移的专家工作量所度量的代价。我们首先建立了现有 coactive Perceptron 算法的平均代价理论界限。此外，我们考虑了使用代价敏感和 Passive-Aggressive (PA) 更新的新在线算法，并展示了相似或改进的理论界限。我们在多个领域对学习器进行了实证评估，结果表明基于 Perceptron 的算法非常有效，并且与在线分类的情况不同，PA 算法并未带来显著的性能提升。
引用
@article{arxiv.1404.5511,
title = {Coactive Learning for Locally Optimal Problem Solving},
author = {Robby Goetschalckx and Alan Fern and Prasad Tadepalli},
journal= {arXiv preprint arXiv:1404.5511},
year = {2014}
}
备注
AAAI 2014 paper, including appendices