主動學(xué)習(xí)算法的研究.pdf

1、由于現(xiàn)實生活中存在海量無標簽的數(shù)據(jù)樣本，如果單純依靠人工對這些無標簽數(shù)據(jù)樣本進行標簽的話，花費代價通常會很高。如何以最少的代價給這些海量無標簽數(shù)據(jù)樣本進行標簽這一難題，越來越得到人們的廣泛關(guān)注和深入研究。主動學(xué)習(xí)就是為了解決標簽數(shù)據(jù)樣本匱乏這一瓶頸而產(chǎn)生的，它通過選取少量最具信息量的未標簽數(shù)據(jù)樣本進行標簽，從而建立分類精度較高的主動學(xué)習(xí)分類器模型，再對其它海量未標簽的數(shù)據(jù)樣本進行分類標簽，大大地提高了工作效率。
　　 本文的研究

2、工作主要分為兩部分：間接構(gòu)造數(shù)據(jù)樣本主動學(xué)習(xí)方法和解釋性主動學(xué)習(xí)方法。
　　 本文的研究工作之一是提出了間接構(gòu)造數(shù)據(jù)樣本主動學(xué)習(xí)方法。傳統(tǒng)主動學(xué)習(xí)方法主要存在以下兩個不足：(1)過分依賴于未標簽數(shù)據(jù)集；(2)不考慮現(xiàn)實生活中數(shù)據(jù)分布狀況。基于以上的考慮，本文提出了間接構(gòu)造數(shù)據(jù)樣本主動學(xué)習(xí)方法，更加有效地建立主動學(xué)習(xí)分類器模型。
　　 本文的另一個研究工作是提出了解釋性主動學(xué)習(xí)方法。傳統(tǒng)主動學(xué)習(xí)方法往往假設(shè)Oracle僅僅