在无监督在线流模型中通过调度进行学习

考虑一种无监督在线流模型，其中样本在 $T$ 个时隙上以在线方式到达。有 $M$ 个分类器，其混淆矩阵先验未知。在每个时隙中，任一分类器至多可为一个样本标注。样本的准确性是其从各分类器获得的标注集合的函数。样本的效用为其准确性标量化减去响应时间(离开时隙与到达时隙之差)，其中离开时隙亦由算法决定。由于每个分类器每时隙至多标注一个样本，在为特定样本获取更大标注集合以提升其准确性与其响应时间之间存在权衡。考虑了最大化所有样本效用之和的问题，其中学习混淆矩阵、样本-分类器匹配分配与样本离开时隙决策彼此依赖。所提算法首先学习混淆矩阵，然后使用贪心算法进行样本-分类器匹配。一旦样本的增量效用变为非正，该样本即离开。我们证明所提算法的竞争比为 $\frac{1}{2}-{\mathcal O}\left(\frac{\log T}{T}\right)$。