非可实现情况下的多视图主动学习

在可实现性假设下，主动学习的样本复杂度已得到充分研究。然而，可实现性假设在实践中很少成立。在本文中，我们从理论上刻画了多视图设置下非可实现情况中主动学习的样本复杂度。我们证明，在无界Tsybakov噪声下，多视图主动学习的样本复杂度可以达到$\widetilde{O}(\log\frac{1}{\epsilon})$，而单视图设置下多项式改进是可能的最佳结果。我们还证明，在一般多视图设置下，具有无界Tsybakov噪声的主动学习的样本复杂度为$\widetilde{O}(\frac{1}{\epsilon})$，其中$1/\epsilon$的阶数与Tsybakov噪声中的参数无关，而此前多项式界中$1/\epsilon$的阶数与Tsybakov噪声中的参数相关。