We show that in pool-based active classification without assumptions on the underlying distribution, if the learner is given the power to abstain from some predictions by paying the price marginally smaller than the average loss $1/2$ of a random guess, exponential savings in the number of label requests are possible whenever they are possible in the corresponding realizable problem. We extend this result to provide a necessary and sufficient condition for exponential savings in pool-based active classification under the model misspecification.
翻译：我们表明,在基于集合的积极分类中,不假定基本分布,如果学习者有权通过支付略小于随机猜测平均损失1/2美元的价格而放弃某些预测,只要在相应的可实现问题中有可能,标签要求的数量就有可能指数性地节省。 我们扩大这一结果,为在模型误差下根据基于集合的积极分类指数性储蓄提供了必要和充分的条件。
相关内容
主动学习是机器学习（更普遍的说是人工智能）的一个子领域，在统计学领域也叫查询学习、最优实验设计。“学习模块”和“选择策略”是主动学习算法的2个基本且重要的模块。
主动学习是“一种学习方法，在这种方法中，学生会主动或体验性地参与学习过程，并且根据学生的参与程度，有不同程度的主动学习。” （Bonwell＆Eison 1991）Bonwell＆Eison（1991） 指出：“学生除了被动地听课以外，还从事其他活动。” 在高等教育研究协会（ASHE）的一份报告中，作者讨论了各种促进主动学习的方法。他们引用了一些文献，这些文献表明学生不仅要做听，还必须做更多的事情才能学习。他们必须阅读，写作，讨论并参与解决问题。此过程涉及三个学习领域，即知识，技能和态度（KSA）。这种学习行为分类法可以被认为是“学习过程的目标”。特别是，学生必须从事诸如分析，综合和评估之类的高级思维任务。
Arxiv
0+阅读 · 2021年9月1日
Arxiv
0+阅读 · 2021年8月30日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2021年9月1日
Arxiv
0+阅读 · 2021年8月30日
微信扫码咨询专知VIP会员