Adaptive Selective Sampling for Online Prediction with Experts

我们使用以下标准，为在线预测和主动学习研究提供一个结构化的分类和区分方法，正如论文及其参考文献中所讨论的那样。以下是每个标准的详细解释：

1. 预测任务： 这是指研究旨在解决的基本问题。

   • 二元分类： 最简单的形式，目标是预测两种可能的结果之一（例如，明天会下雨吗？是或否）。
   • 多类别分类： 更一般的问题，其中有两种以上可能的结果（例如，将电子邮件分类为垃圾邮件、促销邮件或重要邮件）。
   • 回归： 预测一个连续值而不是离散标签（例如，预测明天的温度）。

2. 反馈机制： 这描述了学习算法如何接收有关其预测正确性的信息。

   • 完整信息： 算法在每次预测后都会收到真实标签（正确答案），从而可以直接进行比较和学习。
   • 标签高效/选择性采样： 获取标签的成本可能很高。算法会策略性地选择何时请求真实标签，平衡对反馈的需求与获取反馈的成本。
   • 老虎机反馈： 算法只接收一个信号，指示其预测是好是坏，但没有收到实际的正确答案。这是一个更具挑战性的设置，因为反馈提供的信息较少。

3. 数据/专家的假设： 这些是关于数据性质和提供建议的专家的基本假设。

   • 对