基于反事实推理与主动学习的高效分类方法
机器学习
2022-07-26 v1 人工智能
摘要
数据增强是提升计算机视觉中机器学习模型分类准确率最成功的技术之一。然而，将 data augmentation 应用于表格数据是一个具有挑战性的问题，因为难以生成带标签的合成样本。本文提出一种带有新颖表格数据增强技术的高效分类器。我们的方法称为 CCRAL，它结合因果推理为原始训练样本学习反事实样本，并利用主动学习基于不确定性区域筛选有用的反事实样本。通过这种方式，我们的方法能够最大化模型在未见测试数据上的泛化能力。我们从理论上验证了方法，并与标准基线进行比较。实验结果表明，在准确率和 AUC 方面，CCRAL 在多个真实世界表格数据集上显著优于基线。数据和源代码可在 https://github.com/nphdang/CCRAL 获取。
引用
@article{arxiv.2207.12086,
title = {Efficient Classification with Counterfactual Reasoning and Active Learning},
author = {Azhar Mohammed and Dang Nguyen and Bao Duong and Thin Nguyen},
journal= {arXiv preprint arXiv:2207.12086},
year = {2022}
}