池化序贯主动回归学习中信息性、代表性与多样性的集成
机器学习
2022-11-15 v1 机器学习
摘要
在许多现实世界的机器学习应用中，未标记样本易于获取，但标记它们昂贵和/或耗时。主动学习是一种减少这种数据标记工作的常用方法。它最优地选择最好的少量样本进行标记，从而可以从相同数量的标记样本中训练出更好的机器学习模型。本文考虑回归的主动学习（ALR）问题。信息性、代表性和多样性这三个基本准则已被提出用于 ALR。然而，文献中极少有方法同时考虑这三者。我们提出了三种新的 ALR 方法，采用不同策略集成这三个准则。在多个领域的 12 个数据集上的大量实验证明了它们的有效性。
引用
@article{arxiv.2003.11786,
title = {Integrating Informativeness, Representativeness and Diversity in Pool-Based Sequential Active Learning for Regression},
author = {Ziang Liu and Dongrui Wu},
journal= {arXiv preprint arXiv:2003.11786},
year = {2022}
}
备注
Int'l Joint Conf. on Neural Networks (IJCNN), Glasgow, UK, July 2020