基于损失驱动的贝叶斯主动学习
机器学习
2026-05-11 v2
摘要
主动学习的核心目标是收集能最大化下游预测性能的数据，但流行的方法在针对不同下游问题和损失函数定制数据获取方面受限。我们提出一种严谨的损失驱动方法，用于贝叶斯主动学习，使数据获取能够直接针对给定决策问题相关的损失。特别地，我们展示，任何损失函数都可用于导出唯一的数据获取目标。关键在于，我们进一步表明，任何形式为加权Bregman散度的损失，都允许对其相应目标的核心组成部分进行解析计算，使该方法在实际中具有可行性。在回归和分类实验中使用多种不同损失函数，我们发现该方法相对于现有技术可降低测试损失。
关键词
引用
@article{arxiv.2604.11995,
title = {Loss-Driven Bayesian Active Learning},
author = {Zhuoyue Huang and Freddie Bickford Smith and Tom Rainforth},
journal= {arXiv preprint arXiv:2604.11995},
year = {2026}
}