提出了一个新的组合优化问题,以生成优化的项目选择,以缩短收集随机训练数据的时间,并结合离散优化、无监督聚类和潜在文本嵌入技术来解决优化问题,并讨论了如何将优化的项目选择与主动学习相结合用于随机探索。
Nov, 2021
本文提出一种利用组合覆盖来解决机器学习中主动学习的数据样本选择方法,相较于现有模型导向性的方法,新方法具有更好适用性,能够有效降低模型转移和采样偏差问题。
Feb, 2023
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
该论文探讨了通过学习相关的活动约束集来直接学习最优解决方案,从而减少实时求解计算上昂贵的大规模参数程序的需要,并提出了一种流式算法来学习相关的活动集。
Feb, 2018
本文提出一种基于赌博机算法的层次化批量搜索(HBBS)框架,用于在生物学中的大型批量实验中最大化信息,通过在嵌入空间中分配批次选择来实现不同结构元素的广泛探索和利用。
Jul, 2020
本文综述了近期在强化学习领域中在解决组合优化问题方面的进展,包含了 RL 框架与传统算法的比较以及各方法解决不同问题的时间线,结果表明基于 RL 的模型成为解决组合问题的方向值得期待。
Mar, 2020
在昂贵的多目标组合优化问题中,积极学习被越来越多地采用,但它涉及一个具有挑战性的子集选择问题,即优化批量采集评估的好坏量化指标。为了管理庞大的搜索空间,我们引入了一种新颖的贪婪式子集选择算法,通过基于贪婪策略的顺序贪婪采样,直接在组合空间上优化批量采集,以同时解决所有贪婪子问题。值得注意的是,我们在红色荧光蛋白设计任务上的实验证明,我们提出的方法在查询次数减少了 1.69 倍的情况下,实现了基准性能,显示出其高效性。
Jun, 2024
将视觉主动搜索与深度强化学习、监督信息和元学习相结合的方法在几个问题领域中显著优于现有的视觉主动搜索模型。
Oct, 2023
该研究提出了一种适用于多样性主动搜索的模型,该模型基于计算机仿真技术,开发了一种新颖的节约预算的策略,能够在探索和利用之间动态平衡,并在真实世界数据集上取得了明显的改进。
Jun, 2021
本文研究了主动学习深度神经网络,并提出了一种新的主动策略,该策略能够在学习过程中搜索有效的架构,同时使用三种已知的查询技术(softmax response,MC-dropout 和 coresets)进行应用,结果表明该方法在固定架构的主动学习方面表现出显著的优势。
Nov, 2018