学习卡片- Active Learning

什么是Active Learning

主动学习(Active Learning)是半监督机器学习的一种形式，算法可以选择它想要学习的数据。

使用这种方法，程序可以主动查询权威来源，无论是程序员还是标记数据集，以学习对给定问题的正确预测。

目标：

这种迭代学习方法的目标是加快学习过程，特别是如果您没有大型标记数据集来练习传统的监督学习方法。

领域：

主动学习最流行的应用之一是标签密集型自然语言处理领域。 这种方法可以产生与监督学习相似的结果，但只需要一小部分人工的参与。

如何在实践中发挥作用？

有许多特定的查询策略，例如：

• 最小置信度、
• 边际采样
• 熵采样

主动学习 AI 只需要在三种广泛的场景中查询数据的正确标签。

Membership Query Synthesis

这是learning model从底层自然分布生成自己的实例的。例如，如果数据集是人类和动物的图片，leading model可以将截取的腿的图像发送给teacher model，并询问该附肢属于动物还是人类。如果您的数据集很小，这将特别有用。

Stream-Based Selective Sampling

每次检查每个未标记的数据，根据其查询参数评估每个样本的信息量。learing model自己决定是否为每个数据点分配标签label或查询teacher model，得到teacher的label。

Pool-Based Sampling

在这种情况下，从整个数据池中抽取实例并分配一个信息分数，衡量learning的“理解”数据的程度。然后系统选择信息量最大的实例并向learning model 查询，得到predict标签。