主动学习 meets 优化项目选择

IJCAINov, 2021

Active Learning Meets Optimized Item Selection

Bernard Kleynhans, Xin Wang, Serdar Kadıoğlu

TL;DR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。

Abstract

Designing recommendation systems with limited or no available training data remains a challenge. To that end, a new combinatorial optimization problem is formulated to generate optimized item selection for experi

recommendation systems combinatorial optimization unsupervised clustering latent text embeddings active learning

发现论文，激发创造

组合优化问题的高效主动搜索

本文介绍了三种高效的主动搜索策略，通过改变模型的一部分参数进行一定的参数优化，从而有效地解决机器学习中的组合优化问题。

Jun, 2021

主动学习的学习算法

我们引入了一种模型，通过元学习来学习主动学习算法，它可以联合学习相关任务的数据表示、物品选择启发式和从标记训练集构造预测函数的方法。使用 Omniglot 和 MovieLens 数据集，在合成和实际环境中测试了我们的模型。

Jul, 2017

推荐系统的批量与顺序主动学习比较

通过比较五种不同的主动学习算法与三种不同的预测器算法的组合，本研究为了解决推荐系统中的冷启动问题，探讨了如何准确预测用户喜好，提供更精准的推荐。同时，通过评估推荐器的评分预测、决策支持和排名等方面，发现在数据集较为密集的情形下，顺序模式能够提供最准确的推荐，并发现在大多数情况下，最佳的预测器是 FunkSVD。

Jan, 2022

组合覆盖下的主动学习

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

节约型算法选择

从 ASLib 中的六个数据集中评估了三种方法：基于预测不确定性的主动学习、使用超时预测器增强算法预测器以及使用逐步增加超时的方式收集训练数据，并展示了每个选项所实现的标记成本的降低。

May, 2024

小数据的模型选择实用主动学习

本研究开发了一种基于支持向量分类的基础池式主动学习器的快速简单的实践方法，旨在解决很少标记数据点的情况下进行模型选择的挑战，并通过加权方法让模型在易于分类数据集和难以分类数据集之间取得平衡的最佳性能。

Dec, 2021

机器学习在组合问题建模中的应用

该研究论文研究了机器学习在组合优化中的应用，特别是在建模方面，提出了使用机器学习技术来提高建模的效率和精确度，包括单个约束、目标函数或整个模型的学习。

Jul, 2018

组合推荐系统的顺序评估和生成框架

该研究提出了一种基于生成序列概念、以期望总效用为目标函数的组合推荐模型，包含基于搜索和增强学习的序列生成策略，以及全面考虑用户、商品信息和商品间关联的评估模型，离线实验表现出优越性能。

Feb, 2019

多样化小批量主动学习

该研究致力于解决减少有标签的训练数据来训练监督式分类模型的问题，通过使用 Active Learning 和 K-means 聚类算法，采用 mini-batch Active Learning 方法来快速有效地选取对模型具有信息量和多样性的训练样例，以达到相当或更好的性能表现。

Jan, 2019

基于隐式反馈的物品推荐

本篇论文总结了商品推荐的独特特点和常见方法，讨论了训练目标的不同选择，提出了适合于常规推荐和点积模型的效率更高的学习算法，并探讨了商品推荐在检索任务中的应用。

Jan, 2021