面向多样发现且具有收益递减特性的非短视多类主动搜索
机器学习
2023-02-20 v3
摘要
主动搜索是自适应实验设计中的一种设定，其目标是在预算约束下揭示稀有且有价值类别（一个或多个）的成员。该问题中的一个重要考量是被发现目标之间的多样性——在许多应用中，多样发现能提供更多洞见，并可能在下游任务中更受青睐。然而，大多数现有主动搜索策略要么假设所有目标属于同一正类，要么通过简单启发式鼓励多样性。我们提出了一种具有多个目标类的主动搜索新形式化，其效用函数选自一个灵活族，该族成员通过收益递减机制鼓励多样性。随后我们在贝叶斯视角下研究此问题，并证明了对于任意正、递增且凹的效用函数，近似最优策略存在困难性结果。最后，我们针对该类效用函数设计了高效的非短视最优策略近似方法，并在包括药物发现在内的多种设定中展示了其优越的经验性能。
引用
@article{arxiv.2202.03593,
title = {Nonmyopic Multiclass Active Search with Diminishing Returns for Diverse Discovery},
author = {Quan Nguyen and Roman Garnett},
journal= {arXiv preprint arXiv:2202.03593},
year = {2023}
}