利用对比样本指导主动学习器

我们研究主动学习问题，并增加学习器由一位有帮助的教师辅助这一转折。我们考虑以下自然交互协议：在每轮中，学习器提出查询以请求实例 $x^q$ 的标签，教师提供所请求的标签 $\{x^q, y^q\}$ 以及引导学习过程的解释性信息。在本文中，我们将该信息视为一个额外的对比样本 ($\{x^c, y^c\}$)，其中 $x^c$ 从由 $x^q$ 约束的集合中选取（例如，具有相同标签的不相似实例）。我们的重点是设计一种教学算法，能够向学习器提供信息丰富的对比样本序列以加速学习过程。我们表明这导致了一个具有挑战性的序列优化问题，其中算法在给定轮次的选择依赖于交互历史。我们研究了一种自适应选取这些对比样本的高效教学算法。我们基于两个依赖于问题的参数为算法推导了强劲的性能保证，并进一步表明对于特定类型的主动学习器（例如，广义二分搜索学习器），所提出的教学算法展现出强劲的近似保证。最后，我们通过两个数值案例研究说明了我们的界并展示了教学框架的有效性。