MALADY: Multiclass Active Learning with Auction Dynamics on Graphs

要約

アクティブ学習は、基礎となる分類器のパフォーマンスを改善することを目的として、ラベル付けのために限られた数の非標識データポイントを慎重に選択することにより、特に半監視のケースでの機械学習方法のパフォーマンスを向上させます。
この作業では、効率的なアクティブ学習のために類似性グラフでオークションダイナミクスアルゴリズムを活用するグラフ（Malady）フレームワークのオークションダイナミクスを使用して、マルチクラスアクティブ学習を紹介します。
特に、より一般的な最適化機能を組み込むために、[24]の半監視学習のための類似性グラフのオークションダイナミクスアルゴリズムを一般化します。
さらに、オークションアルゴリズムのデュアル変数を使用して分類器の不確実性を測定して、異なるクラス間の決定境界近くのクエリを優先順位付けする新しいアクティブな学習取得関数を導入します。
最後に、分類タスクの実験を使用して、提案された方法のパフォーマンスを評価し、比較アルゴリズムのパフォーマンスを超えることを示します。

要約(オリジナル)

Active learning enhances the performance of machine learning methods, particularly in semi-supervised cases, by judiciously selecting a limited number of unlabeled data points for labeling, with the goal of improving the performance of an underlying classifier. In this work, we introduce the Multiclass Active Learning with Auction Dynamics on Graphs (MALADY) framework which leverages the auction dynamics algorithm on similarity graphs for efficient active learning. In particular, we generalize the auction dynamics algorithm on similarity graphs for semi-supervised learning in [24] to incorporate a more general optimization functional. Moreover, we introduce a novel active learning acquisition function that uses the dual variable of the auction algorithm to measure the uncertainty in the classifier to prioritize queries near the decision boundaries between different classes. Lastly, using experiments on classification tasks, we evaluate the performance of our proposed method and show that it exceeds that of comparison algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google