面向概率模型的有目标主动学习
机器学习
2022-10-24 v1 机器学习
摘要
科学中的一项基本任务是设计能带来关于所研究系统的有价值洞见的实验。从数学上讲，这些洞见可表示为塑造每次实验价值的风险或效用函数。我们提出PDBAL，一种有目标主动学习方法，其自适应地设计实验以最大化科学效用。PDBAL接受用户指定的风险函数，并将其与实验结果的概型模型相结合，以选择能快速收敛于高效用模型的设计。我们证明了PDBAL标签复杂度的理论界，并给出了针对常见指数族似然设计实验的快速闭式解。在仿真研究中，PDBAL始终优于聚焦于最大化设计空间上期望信息增益的标准无目标方法。最后，我们通过对大型癌症药物筛选数据集的研究展示了PDBAL的科学潜力，其中PDBAL以总实验量的极小部分快速恢复了最有效药物。
引用
@article{arxiv.2210.12122,
title = {Targeted active learning for probabilistic models},
author = {Christopher Tosh and Mauricio Tec and Wesley Tansey},
journal= {arXiv preprint arXiv:2210.12122},
year = {2022}
}