多班级主动学习中的无收益机制
甘远、赵云凡、萨默里·科波图夫; 25(129):1−31, 2024.
摘要
我们考虑具有平滑回归函数的非参数分类,其中众所周知,$\mathbb{P}(Y=Y|X=X)$中的边距概念决定了主动和被动学习中的快速度或慢速度。在这里,我们阐明了主动学习和被动学习之间的一个显著区别——在多类环境中最为相关。也就是说,我们表明,边际概念中的一些看似温和的细微差别——包括贝叶斯类的唯一性,这对被动学习率没有明显影响——决定了任何主动学习者是否能超越被动学习率。虽然这项工作的较短会议版本已经暗示了这些细微差别,但它专注于二进制情况,因此未能对多类设置中的困难来源得出结论:我们在这里表明,贝叶斯分类器不必是唯一的就足够了,而不需要所有类都是贝叶斯最优的,主动学习比被动学习没有任何收获。
[腹肌]
[pdf格式][围兜]