鲁棒交互式学习

Nov, 2011

Robust Interactive Learning

Maria-Florina Balcan, Steve Hanneke

TL;DR本文提出了一种对标准主动学习模型进行延伸的模型，其中允许一种更一般类型的查询，即类条件查询。本文研究了这样的查询在两种已知噪声模型下的表现，给出了对于一般性不可知设置和有界噪声模型下的查询量的近乎严格的上下界，并表明我们的方法可以针对（未知的）噪声率进行自适应调整，而只有忽略不计的查询复杂度损失。

Abstract

In this paper we propose and study a generalization of the standard active-learning model where a more general type of query, class conditional query, is allowed. Such queries have been quite useful in applications, but have been lacking theoretical understanding. In this work, we char

active-learning class conditional query bounded noise model query complexity adaptive

发现论文，激发创造

噪声容忍和差分隐私的统计主动学习算法

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

基于不同意的不可知主动学习方法的拓展

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

高效简约迁移主动学习

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

鲁棒交互式学习的通用框架

提出了一种基于 Angluin 等人的等效查询模型和 Littlestone 的在线学习模型的交互式学习模型的一般框架，旨在利用少数迭代来学习地面真实模型，该模型基于图表示和用户反馈，但是这不一定要求相应的权重在信息安全的环境下 100% 正确。

Oct, 2017

简单问题的主动学习

我们研究了在主动学习过程中使用区域查询的复杂度与查询数量之间的权衡关系，并通过设计 VC 维度相关的查询方法来有效地学习。对于特定的假设类别，我们展示了更强的结果，包括计算效率和对未知数据集的适应性。

May, 2024

非参数主动学习用于成本敏感分类

设计了一种用于成本敏感分类的通用非参数主动学习算法，通过构建每个标签的预测成本函数的置信区间，该算法选择最具信息量的向量点，通过仅查询可能是最小的预测成本来与其交互，证明了该算法在与向量空间的交互数量方面达到了最优收敛速率，并且在对 Tsybakov 的噪声假设的一般版本中，通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益，并且通过提供匹配的（仅差对数因子的）下界证明了获得上界的接近最优性。

Sep, 2023

主动学习在最大似然估计中的收敛速率

通过交互查询子集示例的标签，主动学习器在模型类和大量未标记示例的情况下学习适合数据的模型。本文提供了一个适用于极大似然估计的两阶段主动学习算法和标签需求的上限和下限分析，并表明这种方法在一些情况下可以实现近乎最优的性能。

Jun, 2015

使用比较查询进行主动分类

研究一种扩展主动学习的方法，其中学习算法可以要求注释者比较两个示例与其标签类边界的距离，并使用半空间的框架展示这种方法的优越性。

Apr, 2017

主动学习中的收敛速度

该研究通过研究标签噪声下主动学习的泛化误差收敛速率等方面，探究了嵌套假设类的主动学习的模型选择问题，并提出了一种算法，该算法的错误率保证收敛于最优分类器的可达误差，并定义了实现这些速率显著快于被动学习的充分条件。

Mar, 2011

带成本的平均情况主动学习

对一种贪心主动学习算法的期望成本进行了分析，如使用标签成本的活跃学习，适用于多类和部分标签查询的活跃学习，以及批处理模式的活跃学习。

May, 2009