基于边际的分类器主动学习
马可·布莱桑、尼科尔·塞萨·比安奇、西尔维奥·拉坦齐、安德烈亚·鲍迪斯; 25(127):1−45, 2024.
摘要
我们研究了多类分类器的主动学习，重点是可实现的转换设置。输入是某个度量空间的有限子集$X$，要学习的概念是$X$到$k$类中的分区$\mathcal｛C｝$。目标是通过查询尽可能少的$X$元素的标签来学习$\mathcal{C}$。在基于池的主动学习中，这是一个有用的子例程，它由标签获取成本高昂的应用程序驱动。我们的主要结果是，在非常不同的环境中，存在有趣的裕度概念，可以产生有效的主动学习算法。首先，我们考虑$X\subset\mathbb{R}^m$的情况，假设每个类都有一个未知的“个性化”边距将其与其他类分开。其次，我们考虑这样的情况，其中$X$是一个有限度量空间，并且根据阈值连通图中的测地距离，这些类是带边距的凸类。在这两种情况下，我们给出了使用$\mathcal{O}（\logn）$label查询在多项式时间内准确学习$\mathcal{C}$的算法，其中$\matchal{O{（\cdot）$隐藏了对度量空间维数的近最优依赖。我们的结果实际上适用于或可以适用于更一般的设置，例如伪度量空间和半度量空间。
[腹肌]
[pdf格式][围兜]
