基于泛化误差条件期望的近似线性回归主动学习
杉山正树; 7(6):141−1662006年。
摘要
主动学习的目标是确定培训地点输入点,使泛化误差最小化。我们讨论线性回归场景中的主动学习问题。通常使用最小二乘学习的传统主动学习方法假设用于学习的模型被正确地指定。在然而,在许多实际情况下,这种假设可能不是完成了。最近,主动学习方法使用提出了“重要性”加权最小二乘学习显示了对模型错误指定的鲁棒性。在这个本文中,我们提出了一种新的主动学习方法,该方法还使用加权我们称之为最小二乘学习爱丽丝(主动学习使用基于重要性加权的最小二乘学习泛化误差的条件期望)。一个重要的与现有方法的不同之处在于,我们预测有条件的给定泛化误差的期望训练输入点,而现有方法预测满的泛化误差的期望。由于这一差异训练输入设计可以根据实现进行微调培训输入点的数量。理论上,我们证明了主动学习标准是更准确的预测单一试验泛化误差大于现有标准。利用玩具和基准数据集进行的数值研究表明与现有方法相比,该方法具有更好的性能。
[腹肌]
[pdf格式][围兜]