无约束的不可知主动学习
提出了一种基于非参数估计的回归函数的主动学习算法,并对其在广泛的基础分布类上可达到的推广误差收敛速率提供了概率界限,同时证明了最小化下限,展示了获得的速率几乎是紧密的。
Apr, 2011
我们在离线转导的半监督场景中考虑主动学习,通过替换图割(graph cut)为任意对称子模函数来泛化以前提出的主动学习的误差界。在对称化之后,可以使用任意非对称子模函数。不同的子模函数选择提供了适用于不同问题的误差限制的不同版本。此外,该限制是确定性的,并适用于对手所选择的标签。我们在任意子模函数中引入了一种相关的主动半监督学习方法,该方法可以近似最小化相应的误差限制。我们证明了误差界是紧致的,这意味着没有其他同形式的误差界比它更好。我们的理论结果得到了真实数据实验的支持。
Feb, 2012
提出一种基于统计学习框架的主动学习算法,能够高效地处理随机分类噪声和差分隐私,且可将其转换为能容忍分类噪声的主动学习算法,同时也实现了用指数级别的误差提高标签节约的差分隐私主动学习算法.
Jul, 2013
本文提出一个算法,利用一种“从一致的主动学习到具有保证错误的置信度评估预测”的减少,以及一种新颖的置信度评估预测器解决了确保标签复杂度更低的主动学习问题。
Jul, 2014
本文提出一种基于新的优化问题的主动学习算法,在流式环境下,可有效地解决任何分类器表示和分类问题,且具有高效实现的特点,并证明了该算法比现有的所有满足前两个特点的算法更为优秀,并对所有高效的主动学习算法进行了第一次实验分析,评估了它们在不同场景下的优劣。
Jun, 2015
研究活动学习的算法,其中标签器不仅可以返回不正确的标签,还可以放弃标记,利用放弃响应提出的算法在噪声和放弃率的自然假设下分析了其统计一致性和查询复杂度,并与下限相结合,证明在某些技术条件下,它实现了近乎最佳的查询复杂度 。
Oct, 2016
本文研究了超模型学习中的MAML算法在监督学习问题的推广性质,探讨了训练MAML模型的任务和样本数量对其推广误差的影响。我们提出了一种新的稳定性定义,从而捕捉了任务数和每个任务样本数对MAML推广误差的作用。
Feb, 2021
针对给定的二元假设类和分布,该研究提出了一种与最优算法相竞争的无偏主动学习算法,该算法在错误率为η的情况下只需要O(m^* log |H|)的查询次数,并且证明了超越O(log |H|)的开销是NP难的。
Oct, 2023
在低预算环境中,通过对半径超参数进行优化,我们提出了MaxHerding方法作为ProbCover方法的泛化理论,该方法表现出较好的性能,并且在多种低预算图像分类基准下比现有的主动学习方法计算成本更低。
Jul, 2024