根据标签 Shift 正在学习 (Active Learning under Label Shift)

We address the problem of active learning under label shift: when the class proportions of source and target domains differ. We introduce a "medial distribution" to incorporate a tradeoff between importance weighting and class-balanced sampling and propose their combined usage in active learning. Our method is known as Mediated Active Learning under Label Shift (MALLS). It balances the bias from class-balanced sampling and the variance from importance weighting. We prove sample complexity and generalization guarantees for MALLS which show active learning reduces asymptotic sample complexity even under arbitrary label shift. We empirically demonstrate MALLS scales to high-dimensional datasets and can reduce the sample complexity of active learning by 60% in deep active learning tasks.

翻译：我们处理标签转换下的积极学习问题:当源和目标域的类别比例不同时。我们引入了“中位分布 ”, 以纳入重要性加权和类平衡抽样的权衡, 并提议在主动学习中使用这些抽样。我们的方法被称为“ 标签转换下的中位积极学习 ” ( MALLS ) 。它平衡了与类平衡抽样的偏向和比重的差异。我们证明,对于显示积极学习的MALLS 来说,其抽样复杂性和一般化保障可以减少无症状样本的复杂性,即使在任意的标签转换下也是如此。我们用经验将MALLS 尺度显示为高维数据集,并可以将积极学习的抽样复杂性减少60%,用于深层积极的学习任务。

相关内容

主动学习

关注 239

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。