基于偏好的批量与序列教学
机器学习
2020-10-21 v1 机器学习
摘要
算法机器教学研究教师与学习者之间的交互，其中教师选择带标签样本以教授目标假设。为降低教学复杂度，针对批量设置（如最坏情况、递归、基于偏好、无冲突模型）与序列设置（如局部基于偏好模型）已提出若干教学模型与复杂度度量。为更好理解这些模型间的联系，我们开发了一个通过偏好函数 刻画教学过程的新型框架。在我们的框架中，每个函数 诱导一个教师-学习者对，其教学复杂度为 。我们证明上述教学模型等价于特定类型/族的偏好函数。我们分析了与不同偏好函数族相关的教学复杂度参数 的若干性质，例如与假设类 VC 维的比较以及 在 disjoint 域上的可加性/次可加性。最后，我们识别出诱导出一类新型序列模型的偏好函数，其教学复杂度关于 VC 维线性：这与批量模型已知最佳复杂度结果（关于 VC 维二次）形成对比。
引用
@article{arxiv.2010.10012,
title = {Preference-Based Batch and Sequential Teaching},
author = {Farnam Mansouri and Yuxin Chen and Ara Vartanian and Xiaojin Zhu and Adish Singla},
journal= {arXiv preprint arXiv:2010.10012},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1910.10944