利用主动学习寻找决策边界的同调群
机器学习
2020-11-20 v1
摘要
准确且高效地刻画分类器的决策边界，对于模型选择与元学习相关问题十分重要。受拓扑数据分析启发，利用决策边界的同调群进行刻画近来已成为一种通用且强大的工具。本文提出一种主动学习算法以恢复决策边界的同调群。我们的算法顺序且自适应地选择需要获取标签的样本。我们从理论上分析了所提框架，并表明该主动学习算法的查询复杂度自然地依赖于底层流形的内在复杂度。我们展示了该框架仅利用各数据集相应的同调摘要即可选出性能最佳的机器学习模型的有效性。在多个标准数据集上的实验显示了恢复同调群时样本复杂度的改进，并证明了该框架在模型选择中的实际效用。我们的算法与实验结果的源代码可在 https://github.com/wayne0908/Active-Learning-Homology 获取。
引用
@article{arxiv.2011.09645,
title = {Finding the Homology of Decision Boundaries with Active Learning},
author = {Weizhi Li and Gautam Dasarathy and Karthikeyan Natesan Ramamurthy and Visar Berisha},
journal= {arXiv preprint arXiv:2011.09645},
year = {2020}
}