アクティブラーニングとは何ですか？

アクティブラーニングは、データが十分であるが、クラスラベルの取得が不足しているか、コストがかかる状況に関連する、反復型の教師あり学習です。学習アルゴリズムは、ユーザー（たとえば、個人のオラクル）にラベルを注意深く照会できるという点でアクティブです。この方法の概念を理解するために使用される複数のタプルは、通常の教師あり学習で必要な数よりも少なくなります。

これは、コストを抑えるために使用されます。アクティブラーニングの目的は、ラベル付けされた例をできるだけ少なくして、高精度を達成することです。検討中のすべてのデータをDとします。 Dでアクティブラーニングを続けるにはいくつかの方法があります。

Dの小さなサブセットがクラスラベルされていると考えてください。このセットはLで示されます。UはDのラベルなしデータのセットです。これは、ラベルなしデータのプールとしても定義されます。アクティブラーニングは、元のトレーニングセットとしてLから始めます。クエリサービスを使用して、Uから1つ以上のデータサンプルを慎重に選択し、オラクル（人物アノテーターなど）にそれらのラベルを要求できます。

新しくラベル付けされたサンプルはLに挿入されます。これは、学習者が標準の教師あり方法で必要とします。プロセスは続行されます。アクティブラーニングの目的は、ラベル付けされたタプルを可能な限り少なくして、高精度を実装することです。アクティブラーニングアルゴリズムは通常、学習曲線を使用して計算されます。学習曲線は、クエリされた複数のインスタンスの関数として精度をプロットします。

クエリするデータタプルを選択する方法に関するいくつかのアクティブラーニング研究のターゲット。さまざまなフレームワークが提案されています。不確実性のサンプリングは一般的であり、アクティブラーニングは、ラベル付けの方法が最も具体的でないタプルをクエリすることを選択します。

バージョンスペースを減らすために機能するいくつかの方法があります。つまり、観測されたトレーニングタプルで信頼できるすべての仮説のサブセットです。予想されるエラー削減を計算する決定理論的方法に従うことができます。

これにより、Uに対する予想エントロピーを減らすなど、誤った予測の総数を最大に減らすことができるタプルが選択されます。この方法は、計算量が増えることに影響します。

転移学習の目的は、1つまたは複数のソース関数から知識を導き出し、その知識をターゲットタスクに使用することです。従来の学習アプローチは、利用可能なクラスラベル付きのトレーニングとテスト情報に応じて、新しい分類タスクごとに新しい分類器を構築します。

転移学習アルゴリズムは、新しい（ターゲット）タスクの分類子を構築するときに、ソースサービスに関する知識を適用します。結果として得られる分類器の開発には、より少ないトレーニングデータとより少ないトレーニング時間が必要でした。従来の学習アルゴリズムでは、トレーニングデータとテストデータは同じ分布と同じ機能領域から取得されていると見なされます。したがって、分布が変更された場合、そのような手法ではモデルを最初から再構築する必要がありました。