结合自标注与基于需求主动学习的非平稳数据流方法
机器学习
2023-02-09 v1
摘要
从非平稳数据流中学习是一个日益受到关注的研究方向，因为越来越多以流形式出现的数据变得可用，例如来自社交媒体、智能手机或工业过程监测的数据。大多数方法假设样本的 ground truth 可用（可能有一定延迟）并以 test-then-train 方案执行监督式在线学习。虽然这一假设在某些场景中可能成立，但并不适用于所有设置。在这项工作中，我们关注稀少标注的数据流，并探索自标注在逐渐漂移数据流中的潜力。我们形式化了该设置并提出了一种结合自标注与基于需求主动学习的新型在线 -nn 分类器。
引用
@article{arxiv.2302.04141,
title = {Combining self-labeling and demand based active learning for non-stationary data streams},
author = {Valerie Vaquet and Fabian Hinder and Johannes Brinkrolf and Barbara Hammer},
journal= {arXiv preprint arXiv:2302.04141},
year = {2023}
}