超越 Bandit 的神经主动学习

我们研究了使用神经网络近似的流式和基于池的主动学习。最近的一系列工作提出了基于 bandit 的方法，将主动学习转化为 bandit 问题，在理论和经验上都取得了成功。然而，由于这种转化，这些方法的性能和计算成本可能易受类别数 $K$ 的影响。因此，本文试图回答这个问题：“在主动学习中，如何在保留原则性探索和可证明的性能保证优势的同时，减轻 $K$ 的不利影响？”为了应对这一挑战，我们针对流式和基于池的主动学习，提出了两种基于新设计的利用与探索神经网络的算法。随后，我们在非参数设置下为这两种算法提供了理论性能保证，表明所提出的方法关于 $K$ 的误差增长速率更慢。我们通过大量实验评估了所提出的算法，它们的表现始终优于 SOTA 基线。