Budgeted stream-based active learning via adaptive submodular maximization
-
Kaito Fujii, Hisashi Kashima
-
NIPS 2016
概要
-
ブール型能動学習→ストリーム型能動学習
-
適応的劣モジュラ→この研究
-
問題定式化: オンラインの適応的劣モジュラ最大化
-
方策適応的劣モジュラ性
-
ストリーム・秘書設定での定数競合比アルゴリズム
動機づけ
-
ラベルを手に入れるのにコストがかかる…スパムフィルタとか
-
能動学習: どのサンプルにラベルをつけるか決めたい
-
ブール型…ラベルなしサンプル全体が既知
-
今回の設定=ストリーム型…1つずつ(メモリ制限も加味)
-
適応的劣モジュラ最大化フレームワーク
適応的最大化
-
ラベル付与オラクルφ
-
f_φ(S)…φを事前分布からとってきた時に、Sを暴くことで、どれくらい仮説が棄却されるか
-
f_φ(S)の期待値を最大化するような決定木=方策πを探す
オンライン適応的最大化
-
ここから研究の内容
-
ストリーム設定: 過去いくつかを保持して、後でオラクル問い合わせしてラベル付与できる
-
秘書設定: その場でラベル付与するか判断
-
方策適応的劣モジュラ
-
適応的劣モジュラより強い性質
-
でも、結構成立する
-
E[f(A(r))]≧(1-r)f(0)+rf(A)…っぽいのが成立する
-
n個からk個選ぶ場合
-
n/k個毎に分けて個々に秘書問題のアルゴリズムを適用
NIPS 劣モジュラ 影響最大化 能動学習
2017/01/30
最終更新:2017年01月30日 00:00