有限预算下的在线自适应非对称主动学习
机器学习
2019-11-19 v1 机器学习
摘要
在线主动学习（OAL）旨在通过选择性地查询数据标签来管理未标记数据流。OAL 适用于许多现实问题，例如医疗和金融中的异常检测。在这些问题中，有两个关键挑战：查询预算通常有限；类别之间的比例高度不平衡。在实践中，当只能查询有限标签预算用于训练时，处理不平衡的未标记数据流相当困难。为此，以往的 OAL 研究采用非对称损失或非对称查询（一种孤立的非对称策略）来应对不平衡，并使用一阶方法优化代价敏感度量。然而，孤立策略限制了其在类别不平衡上的性能，而一阶方法限制了其优化性能。本文提出一种新颖的在线自适应非对称主动学习算法，基于一种新的非对称策略（融合非对称损失与查询策略）以及二阶优化。我们从理论上分析了其错误界和代价敏感度量界。此外，为更好地平衡性能与效率，我们通过草图技术增强了算法，以极轻微的性能下降显著加速计算速度。有前景的结果证明了所提方法的有效性和高效性。
引用
@article{arxiv.1911.07498,
title = {Online Adaptive Asymmetric Active Learning with Limited Budgets},
author = {Yifan Zhang and Peilin Zhao and Shuaicheng Niu and Qingyao Wu and Jiezhang Cao and Junzhou Huang and Mingkui Tan},
journal= {arXiv preprint arXiv:1911.07498},
year = {2019}
}