基于池的无监督主动回归学习：迭代代表性-多样性最大化 (iRDM)
机器学习
2022-11-15 v2 机器学习
摘要
主动学习(AL) 选择最有益的无标签样本进行标注，从而可用相同数量的有标签样本训练出更好的机器学习模型。现有多数面向回归的主动学习(ALR) 方法是监督式的，即采样过程必须使用某些标签信息或已有回归模型。本文考虑完全无监督的 ALR，即如何在不知任何真实标签信息下选择待标注样本。我们提出一种新颖的无监督 ALR 方法——迭代代表性-多样性最大化 (iRDM)，以最优地平衡所选样本的代表性与多样性。在来自不同领域的 12 个数据集上的实验证明了其有效性。我们的 iRDM 可应用于线性回归与核回归，且在有标签样本数较少时甚至显著优于监督式 ALR。
引用
@article{arxiv.2003.07658,
title = {Pool-Based Unsupervised Active Learning for Regression Using Iterative Representativeness-Diversity Maximization (iRDM)},
author = {Ziang Liu and Xue Jiang and Hanbin Luo and Weili Fang and Jiajing Liu and Dongrui Wu},
journal= {arXiv preprint arXiv:2003.07658},
year = {2022}
}