理解适应性在机器教学中的作用：以版本空间学习器为例

在教育现实应用中，高效的教师会根据学习者的当前状态自适应地选择下一个讲授示例。然而，现有大多数算法机器教学的工作聚焦于批处理设定，其中适应性不起作用。本文中，我们研究在交互设定下教导一致的版本空间学习器的情况。在任意时间步，教师提供一个示例，学习者执行更新，教师观察学习者的新状态。我们强调，在考虑现有版本空间学习器模型（如“最坏情况”（学习者从版本空间中随机选取下一假设）和“基于偏好”（学习者依据某种全局偏好选取假设））时，适应性并不会加速教学过程。受人类教学启发，我们提出一种新模型，其中学习者依据由当前假设定义的某种局部偏好来选取假设。我们展示了该模型具备若干理想性质，例如适应性起关键作用，且学习者在假设上的转移是平滑且可解释的。我们开发了高效的教学算法，并通过仿真和用户研究展示了我们的结果。