用于基于图主动学习的泊松重加权拉普拉斯不确定性采样
机器学习
2022-10-31 v1 机器学习
摘要
我们表明，在基于图的主动学习中，只要不确定性度量与底层模型恰当对齐且模型恰当反映未探索区域的不确定性，不确定性采样就足以实现探索与利用的平衡。具体而言，我们使用一种近期开发的算法——泊松重加权拉普拉斯学习（PWLL）作为分类器，并引入一种为该基于图分类器设计、用于识别数据未探索区域的不确定性获取函数。我们在 PWLL 中引入对角扰动，其产生解的指数局部化，并控制主动学习中的探索与利用权衡。我们利用 PWLL 适定的连续极限对我们的方法进行了严格分析，并在若干基于图的图像分类问题上给出了实验结果。
引用
@article{arxiv.2210.15786,
title = {Poisson Reweighted Laplacian Uncertainty Sampling for Graph-based Active Learning},
author = {Kevin Miller and Jeff Calder},
journal= {arXiv preprint arXiv:2210.15786},
year = {2022}
}
备注
27 pages plus 20 pages supplemental material. Submitted to SIAM Journal on Mathematics of Data Science