Dirichlet Active Learning

要約

この研究では、アクティブ ラーニング アルゴリズムの設計に対するベイジアンに影響を受けたアプローチであるディリクレ アクティブ ラーニング (DiAL) を紹介します。
私たちのフレームワークは、特徴条件付きクラス確率をディリクレ確率場としてモデル化し、ランダム場を調整するために類似した特徴間に観測強度を与えます。
このランダム フィールドは学習タスクに利用できます。特に、ラベル付きデータが不足している状況で、平均と分散の現在の推定値を使用して分類と能動学習を実行できます。
我々は、グラフ ラプラシアンに基づいて「伝播演算子」を構築することによって、低ラベル レートのグラフ学習へのこのモデルの適用可能性を実証し、この方法の最先端技術との競合性を実証する計算による研究を提供します。
最後に、このアプローチが探索と活用の両方を確実に実行できるかについて、厳密な保証を提供します。これは、それぞれクラスターの探索と決定境界への注意の強化という観点から表現されます。

要約(オリジナル)

This work introduces Dirichlet Active Learning (DiAL), a Bayesian-inspired approach to the design of active learning algorithms. Our framework models feature-conditional class probabilities as a Dirichlet random field and lends observational strength between similar features in order to calibrate the random field. This random field can then be utilized in learning tasks: in particular, we can use current estimates of mean and variance to conduct classification and active learning in the context where labeled data is scarce. We demonstrate the applicability of this model to low-label rate graph learning by constructing “propagation operators” based upon the graph Laplacian, and offer computational studies demonstrating the method’s competitiveness with the state of the art. Finally, we provide rigorous guarantees regarding the ability of this approach to ensure both exploration and exploitation, expressed respectively in terms of cluster exploration and increased attention to decision boundaries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google