基于自适应采样的噪声次模最大化及其在众包图像集摘要中的应用

我们解决最大化未知次模函数的问题，该函数只能通过带噪声的评估来访问。我们的工作受内容摘要任务（例如图像集合）的启发，利用用户以点击或评分形式给出的反馈。对于以最大化覆盖度和多样性为目标的摘要任务，次模集合函数是自然的选择。当底层次模函数未知时，用户反馈可提供我们所寻求最大化的函数的噪声评估。我们提出一种通用算法——\submM{}——用于在基数约束下最大化未知次模函数。该算法利用一种新颖的探索模块——\blbox{}——基于自适应采样噪声函数评估来提出优质元素。\blbox{}能够适应不同类型的观测模型，如值查询与成对比较。我们对\submM{}所获得解的质量与采样代价提供了PAC风格的保证。我们在交互式众包图像集合摘要应用中展示了该方法的有效性。