良好、糟糕与抽样：面向安全在线分类的无懊恼方法

我们研究当风险遵循未知 logistic 模型时的二元疾病结果的顺序测试。在每个回合中，决策者可以支付进行检测以揭示真实标签，或基于患者特征和过时数据进行预测。目标是最小化昂贵的检测，同时以至少$1-\delta$的概率确保误分类率低于$\alpha$。我们提出了一种方法，联合估计 logistic 参数$\theta^{\star}$和特征分布，using a conservative threshold on the logistic score to decide when to test。我们证明了我们的程序以高概率实现目标误差，并仅比拥有完整知识的信使多进行$\widetilde O(\sqrt{T})$次测试。这一方法是首个在误差约束下实现 logistic 测试无懊恼保证，并具有直接的医学筛查应用。仿真结果支持了我们的理论结果，显示在有限的额外测试下对患者进行安全分类并有效估计$\theta^{\star}$。