动态集成主动学习：一种带专家建议的非平稳多臂赌博机
机器学习
2018-10-19 v1 人工智能
机器学习
摘要
主动学习旨在通过预测哪些样本值得人类标注者标注来降低标注成本。然而显而易见的是，不存在最优的主动学习算法。受关于何为良好准则的不同理念启发，不同算法在不同数据集上表现良好。这推动了针对主动学习器集成的研究，此类研究通常通过多臂赌博机算法学习在特定场景下何为良好准则。尽管算法集成可带来更优结果，但其忽视了以下事实：不仅算法效力跨数据集存在差异，在单次主动学习会话中亦会变化。亦即，最佳准则是非平稳的。这破坏了现有算法的理论保证并损害其实际性能。本文提出动态集成主动学习这一更具通用性与前景的研究方向，并基于带专家建议的非平稳多臂赌博机算法开发了动态集成主动学习器。我们的动态集成在主动学习的每一步选取恰当准则，具有理论保证，并在 个流行数据集上展现出令人鼓舞的结果。
引用
@article{arxiv.1810.07778,
title = {Dynamic Ensemble Active Learning: A Non-Stationary Bandit with Expert Advice},
author = {Kunkun Pang and Mingzhi Dong and Yang Wu and Timothy M. Hospedales},
journal= {arXiv preprint arXiv:1810.07778},
year = {2018}
}
备注
This work has been accepted at ICPR2018 and won Piero Zamperoni Best Student Paper Award