高效简约迁移主动学习

Jun, 2015

Efficient and Parsimonious Agnostic Active Learning

Tzu-Kuo Huang, Alekh Agarwal, Daniel J. Hsu, John Langford, Robert E. Schapire

TL;DR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。

Abstract

We develop a new active learning algorithm for the streaming setting satisfying three important properties: 1) It provably works for any classifier representation and classification problem including those with s

active learning streaming setting classifier representation efficient implementation agnostic

发现论文，激发创造

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

无约束的不可知主动学习

本文介绍了一种不需要保留版本空间，具有不确定性主动学习算法，并且相较于监督学习和分类，能够显着提高学习效果。

Jun, 2010

对于无先验知识主动学习的竞争算法

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

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

计算高效的主动学习

通过简单而有效的方法不仅可以降低主动学习过程的计算成本，还能保持模型性能，从而优化大规模数据集的标注效率。

Jan, 2024

强化元主动学习

该论文提出了一种基于强化学习的在线流式元主动学习方法，它从数据中直接学习信息度量，并结合模型训练来训练主动学习器，可应用于一般类别的分类问题，优于现有最先进的方法。

Mar, 2022

主动自适应的序列学习

提出了一种主动和自适应地解决一系列机器学习问题的框架，该框架通过使用一些未标记数据池中的最具信息量的样本，利用先前步骤中获得的信息，使用基于随机梯度下降的主动学习算法来实现近乎最优的风险性能，并构建了一个学习问题变化的估计器，通过使用主动学习样本提供一种自适应的样本大小选择规则，以保证足够的时间步数时超额风险是有界的。

May, 2018

鲁棒交互式学习

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。

Nov, 2011

不可知的多组主动学习

本论文提出了一种用于多组学习的主动学习算法，以最小化标签查询数并保持 PAC 学习保证，其中包括分类准确度，标签查询和不一致系数等关键词。

Jun, 2023

学习针对特定学习目标的主动学习策略

基于池的主动学习方法对于增加机器学习模型的数据效率具有潜力，但现有方法对数据集和训练设置选择非常敏感，因此不适用于一般应用。为了解决这个问题，学习主动学习（LAL）领域建议学习主动学习策略本身，使其能够适应特定的设置。本研究提出了一种基于关注条件神经过程模型的用于分类的新型 LAL 方法，利用主动学习问题的对称性和独立性属性。我们的方法基于从一个近视的预测模型进行学习，使得我们的模型能够适应非标准目标，如不平等权重的错误。我们的实验证明，在这些设置下，我们的神经过程模型优于多种基线方法。最后，我们的实验表明，我们的模型对于不同数据集的稳定性有所提高。然而，分类器的选择会对性能产生影响，还需要更多的工作来减小与近视预测模型的性能差距，并提高可伸缩性。我们将我们的工作作为对非标准目标的 LAL 的概念验证，并希望我们的分析和建模考虑能够为未来的 LAL 工作提供启发。

Sep, 2023