使用比较查询进行主动分类

MMApr, 2017

Active classification with comparison queries

Daniel M. Kane, Shachar Lovett, Shay Moran, Jiapeng Zhang

TL;DR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。

Abstract

We study an extension of active learning in which the learning algorithm may ask the annotator to compare the distances of two examples from the boundary of their label-class. For example, in a recommendation system application (say for restaurants), the annotator may be asked whether

active learning annotator comparison queries half spaces inference dimension query complexity

发现论文，激发创造

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

主动覆盖

该文针对主动覆盖问题，借助支持向量估计器等算法在无标签数据集上提出了在少量标签查询即可完成标记所有阳性样本的主动学习方法，并证明该方法在图像数据集等基准测试中取得了相对优于离线方法和基线算法的效果。

Jun, 2021

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

近似正交基函数族主动学习的查询复杂度

通过理论证明，我们提出了一种近正交基函数类及与之相关的算法，证明了主动学习算法不需要正交基，只需近乎正交基即可，从而减少标记数据的数量，并提高机器学习性能。

Jun, 2023

部分反馈下的主动学习

提出了一种使用部分反馈进行主动学习的方法，该方法可以解决多类别注释的实际问题，并使用抽样策略选择（示例，类）对，该方法在 Tiny ImageNet 数据集上相对于 i.i.d 基线提高了 26% 的分类精度，更低的成本。

Feb, 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

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

基于边缘的深度网络对抗式主动学习

本研究提出了一种新的主动学习策略，利用对抗性样本逼近决策边界来最小化训练过程中从神经网络的标注查询次数，实验证明这种方法加速了 MNIST、Shoe-Bag 和 Quick-Draw 数据集上的卷积神经网络收敛速度。

Feb, 2018

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

主动学习在层次聚类中的应用

本研究通过对树叶对之间的相似度进行主动学习，研究树的层次聚类过程。在实现的情况下，我们提供了完全重构树切割所需的查询数量的完整特征描述。在非实现的情况下，我们依赖于已知的重要抽样过程来获得后悔和查询复杂度界限。我们的算法具有对统计误差的理论保证，并且更重要的是，在问题的相关参数的情况下，它们自身具有线性时间实现的可行性。我们讨论了这样的实现，证明了它们的运行时间保证，并展示了对真实数据集的初步实验结果，表明与被动学习和简单主动学习基线相比，我们的算法具有强大的实用性能。

Jun, 2019