Unsupervised Reinforcement Learning for Transferable Manipulation Skill Discovery
Seoul National University(首尔国立大学)
当前机器人强化学习(RL)由于固有的特定于任务的训练范式,在推广到新的下游任务时经常遇到困难。为了缓解这一问题,无监督强化学习(unsupervised RL)是一种以任务不可知的方式对智能体进行预训练的框架,而无需获得特定于任务的奖励,它利用积极的探索将各种经验提炼成基本技能或可重用的知识。为了在机器人操作中利用这些好处,我们提出了一种无监督的方法,用于可转移的操作技能发现,将结构化探索与交互行为和可转移的技能学习联系起来。它不仅使智能体能够学习交互行为,机器人操作学习的关键方面,没有访问的环境奖励,但也推广到任意下游的操作任务与学习的任务不可知的技能。通过比较实验,我们表明,我们的方法实现了最多样化的互动行为,并显着提高样本效率在下游任务,包括扩展到多对象,多任务问题。
2022-04-29 cs.LG cs.RO
ActiveHNE: Active Heterogeneous Network Embedding
Southwest University(西南大学);Alibaba Group(阿里巴巴集团);George Mason University(乔治梅森大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
异构网络嵌入(HNE)是一项具有挑战性的任务,这是由于不同的节点类型和/或节点之间的不同关系。现有的HNE方法通常是无监督的。为了最大限度地利用HNE中稀有和有价值的监督信息,我们开发了一种新的主动异构网络嵌入(ActiveHNE)框架,它包括两个组件:判别异构网络嵌入(DHNE)和异构网络中的主动查询(AQHN)。在DHNE中,我们提出了一种新的基于图卷积神经网络的半监督异构网络嵌入方法。在AQHN中,我们首先介绍了三个主动选择策略的基础上的不确定性和代表性,然后推导出一个批量选择方法,组装这些策略使用多臂强盗机制。ActiveHNE旨在通过将AQHN获得的最有价值的监督反馈到DHNE中来提高HNE的性能。在公共数据集上的实验表明了ActiveHNE的有效性和在降低查询开销方面的优势。
2019-05-15 cs.LG cs.SI stat.ML
Unsupervised Discovery of Continuous Skills on a Sphere
Mazda Motor Corporation(马自达汽车公司);National Institute of Advanced Industrial Science and Technology(日本产业技术综合研究所);NEC Central Research Laboratories(NEC中央研究实验室);The University of Tokyo(东京大学)
本文提出DISCS方法,通过在球面上连续表示技能并最大化技能与状态的互信息,实现潜在无限数量多样化技能的无监督学习,并在MuJoCo Ant环境中验证其优于现有离散技能方法。
2023-05-25 cs.AI cs.LG cs.RO
Deep Unsupervised Active Learning on Learnable Graphs
University of Electronic Science and Technology of China(电子科技大学);Beijing Institute of Technology(北京理工大学);Meituan(美团)
最近,深度学习已成功应用于无监督主动学习。然而,目前的方法试图通过自动编码器学习非线性变换,而忽略了样本关系,为无监督主动学习设计更有效的表示学习机制留下了巨大的空间。在本文中,我们提出了一种新的深度无监督主动学习模型通过可学习图,命名为ALLG。ALLG受益于学习最佳图结构以获得更好的样本表示并选择代表性样本。为了使学习的图结构更加稳定和有效,我们考虑$k$ -最近邻图作为先验,并学习关系传播图结构。我们还将不同层之间的快捷连接,这可以在一定程度上缓解众所周知的过度平滑问题。据我们所知,这是第一次尝试利用图结构学习进行无监督主动学习。在六个数据集上进行的大量实验证明了我们方法的有效性。
2021-11-08 cs.AI cs.LG
PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training
University of California, Berkeley(加州大学伯克利分校)
将复杂的目标传递给强化学习(RL)代理通常是困难的,涉及到精心设计的奖励函数,这些函数既有足够的信息,又很容易提供。人在回路RL方法允许从业者通过定制的反馈来交互式地教导代理;然而,由于人类反馈非常昂贵,因此这种方法在规模上具有挑战性。在这项工作中,我们的目标是使这个过程更有效的样本和反馈。我们提出了一个离政策,交互式强化学习算法,利用反馈和离策略学习的优势。具体来说,我们学习的奖励模型,积极查询教师的偏好之间的两个剪辑的行为,并用它来训练代理。为了实现离策略学习,当代理的奖励模型改变时,我们重新标记代理的所有过去经验。我们还表明,预训练我们的代理与无监督的探索大大增加了其查询的里程。我们证明,我们的方法是能够学习任务的复杂性比以前考虑的人在循环的方法,包括各种运动和机器人操作技能。我们还表明,我们的方法能够利用实时的人类反馈来有效地防止奖励剥削,并学习难以用标准奖励函数指定的新行为。
2021-06-09 cs.AI cs.LG
Little Help Makes a Big Difference: Leveraging Active Learning to Improve Unsupervised Time Series Anomaly Detection
Paris Research Center, Huawei Technologies France(华为技术法国巴黎研究中心);École des Ponts ParisTech(巴黎桥路学院)
本文针对无监督时间序列异常检测误报过多的问题,提出利用主动学习引入操作员反馈,通过三种查询策略和孤立森林权重更新与阈值调整,在降低标注预算的同时将F1分数提升超过50%。
2022-01-25 cs.LG
Pool-Based Unsupervised Active Learning for Regression Using Iterative Representativeness-Diversity Maximization (iRDM)
Huazhong University of Science and Technology(华中科技大学)
主动学习(AL)选择最有益的未标记样本进行标记,因此可以从相同数量的标记样本训练更好的机器学习模型。大多数现有的回归主动学习(ALR)方法都是有监督的,这意味着采样过程必须使用一些标签信息或现有的回归模型。本文考虑完全无监督的ALR,即,如何在不知道任何真实标签信息的情况下选择要标记的样品。我们提出了一种新的无监督ALR方法,迭代代表性多样性最大化(iRDM),以最佳平衡的代表性和多样性的选择样本。在不同领域的12个数据集上的实验证明了该方法的有效性。我们的iRDM可以应用于线性回归和核回归,当标记样本数量较少时,它甚至显着优于监督ALR。
2020-03-31 cs.LG stat.ML
Unsupervised Active Learning in Large Domains
主动学习是一种有效分析数据的强大方法。我们表明,主动学习的可行性,关键取决于选择的措施,查询正在优化。例如,标准的信息增益不允许用一个小的委员会(模型空间的代表性子集)进行准确的评估。我们提出了一个替代措施,只需要一个小的委员会,并讨论这个新措施的属性。此外,我们设计了一个自举的方法来选择委员会。这种方法的优点是说明在恢复(监管)网络模型的上下文中。
2012-12-12 cs.LG stat.ML
Active Learning with Task-Driven Representations for Messy Pools
Department of Statistics, University of Oxford(牛津大学统计系)
本文提出任务驱动表示用于主动学习,通过定期更新和半监督学习策略提升杂乱数据池的处理效果。
2026-02-12 cs.LG
Unsupervised Learning of Distributional Properties can Supplement Human Labeling and Increase Active Learning Efficiency in Anomaly Detection
University of Toronto(多伦多大学);Sun Life Financial(永明金融)
针对异常检测中标注效率低、罕见异常难检测的问题,提出结合数据分布与模型不确定性的自适应主动学习采样策略,提升了分类器性能,在多个基准及真实数据集上优于现有方法。
2023-07-13 cs.LG
On Deep Unsupervised Active Learning
Beijing Institute of Technology(北京理工大学);University of Electronic Science and Technology of China(电子科技大学);Chinese Academy of Sciences(中国科学院)
无监督主动学习近年来受到越来越多的关注,其目标是在无监督的环境中选择具有代表性的样本供人类注释。大多数现有的工作都是基于浅线性模型,假设每个样本可以很好地近似于跨度(即,所有线性组合的集合),然后将这些选定的样本作为代表样本进行标记。然而,在实际应用中,数据并不一定符合线性模型,如何对数据的非线性进行建模往往成为成功的关键。在本文中,我们提出了一种用于无监督主动学习的新型深度神经网络框架,称为DUAL。DUAL可以显式地学习非线性嵌入,以通过编码器-解码器架构将每个输入映射到潜在空间,并引入选择块来选择学习的潜在空间中的代表性样本。在选择块中,DUAL考虑同时保持整个输入模式以及数据的聚类结构。在六个公开的数据集上进行了大量的实验,实验结果清楚地表明了我们的方法的有效性,与最先进的方法相比。
2020-07-28 cs.LG stat.ML
Unsupervised learning based end-to-end delayless generative fixed-filter active noise control
School of Electrical \& Electronic Engineering, Nanyang Technological University, Singapore. Emails
针对现有生成式固定滤波器有源噪声控制框架需标注噪声数据训练网络的问题,提出无监督GFANC方法,通过构建端到端可微系统以累积平方误差为损失训练网络,省去标注流程且降噪性能更优。
2024-02-08 cs.LG eess.SP
Detecting the Undetectable: Enhancing Unsupervised time series Anomaly Detection via Active Learning
LG CNS;Department of Industrial & Management Engineering, Korea University(高丽大学产业与管理工程系);Department of Industrial Engineering, Seoul National University(首尔大学工业工程系)
提出一种结合主动学习的框架,通过掩码重建反馈和极小极大学习策略,增强无监督模型对细微噪声异常的检测能力,在28个测试案例中AUC提升12.39%。
2026-07-02 cs.AI cs.LG
Unsupervised Pool-Based Active Learning for Linear Regression
Huazhong University of Science and Technology(华中科技大学)
在许多现实的机器学习应用场景中, 获取大量未标注的数据是很容易的, 但标注过程需要花费大量的时间和经济成本.因此,期望能够选择最优样本来标记,使得可以从最小量的标记数据训练好的机器学习模型。 目前, 主动学习(Active learning)已广泛应用于解决这种场景下的问题.然而,现有的大多数AL方法都是有监督的:它们从少量的标记样本中训练初始模型,基于该模型查询新的样本,然后迭代地更新模型。很少有人考虑完全无监督的AL问题,即,从零开始,如何在根本不知道任何标签信息的情况下最优地选择非常前几个样本来标记。 这种场景下, 主动学习问题变得更加困难, 因为无法利用任何标签信息.本文研究了线性回归问题的无监督基于池的自动分类算法。本文提出了一种新的自动分类方法,该方法同时考虑了自动分类中的信息性、代表性和多样性这三个基本标准。在来自不同应用领域的14个数据集上,使用三种不同的线性回归模型(岭回归、LASSO和线性支持向量回归)进行了大量的实验,证明了所提出方法的有效性。
2020-01-14 cs.LG stat.ML
Deep Active Learning for Anomaly Detection
Kunumi;University of Cambridge(剑桥大学);DeepMind;UFMG(米纳斯吉拉斯联邦大学)
人类专家凭直觉很容易理解异常,但很难用数学来定义。因此,为了在无监督异常检测中具有性能保证,需要假设异常是什么。相比之下,主动学习通过适当的专家反馈提供必要的先验知识。因此,在这项工作中,我们提出了一种主动学习方法,该方法可以建立在现有的深度学习解决方案基础上,用于无监督异常检测,从而可以有效地将离群值与正常数据分离。我们引入了一个新的层,可以很容易地附加到任何为无监督异常检测设计的深度学习模型中,将其转换为主动方法。我们报告的结果合成和真实的异常检测数据集,使用多层感知器和自动编码器架构授权与建议的活动层,我们讨论了他们的性能,发现集群和低密度异常。
2020-04-07 cs.LG stat.ML
DQS: A Low-Budget Query Strategy for Enhancing Unsupervised Data-driven Anomaly Detection Approaches
Leiden University(莱顿大学);Mercedes-Benz AG(梅赛德斯-奔驰集团)
本研究提出低预算查询策略DQS,结合主动学习优化无监督异常检测的阈值,在低预算场景下表现最优,优于传统无监督阈值。
2026-08-12 cs.LG
DEUX: Active Exploration for Learning Unsupervised Depth Perception
Yale University(耶鲁大学)
提出DEUX主动探索方法,利用深度不确定性引导运动规划收集数据,提升无监督深度补全性能,在MP3D上平均改善超18%,并增强零样本泛化。
2023-09-16 cs.CV cs.LG cs.RO
Active Task Randomization: Learning Robust Skills via Unsupervised Generation of Diverse and Feasible Tasks
NVIDIA(英伟达);Stanford University(斯坦福大学);University of California, Berkeley(加州大学伯克利分校)
本文提出主动任务随机化(ATR)方法,通过无监督生成并主动选择多样且可行的训练任务,学习鲁棒操作技能,并在单步与顺序操作任务中取得优于基线的成功率。
2023-04-18 cs.AI cs.CV cs.LG
Generative Adversarial Active Learning for Unsupervised Outlier Detection
Hefei University of Technology(合肥工业大学);Worcester Polytechnic Institute(伍斯特理工学院);University of Science and Technology of China(中国科学技术大学)
离群点检测是机器学习中的一个重要课题,并有着广泛的应用。在本文中,我们将离群点检测作为一个二进制分类问题,通过从均匀参考分布中采样潜在的离群点。然而,由于高维空间中数据的稀疏性,有限数量的潜在异常值可能无法提供足够的信息来帮助分类器描述可以有效地将异常值与正常数据分离的边界。为了解决这个问题,我们提出了一种新的单目标生成式对抗主动学习(SO-GAAL)离群点检测方法,它可以直接生成信息的潜在离群点之间的最小-最大博弈的基础上的发电机和发电机。此外,为了防止发生器陷入模式崩溃问题,应该在SO-GAAL能够提供足够信息的情况下确定训练的停止节点。但在没有任何先验信息的情况下,这对SO-GAAL来说是极其困难的。因此,我们扩展了SO-GAAL的网络结构,从一个单一的发电机到多个发电机与不同的目标(MO-GAAL),它可以产生一个合理的参考分布的整个数据集。我们经验比较所提出的方法与几个国家的最先进的离群值检测方法在合成和真实世界的数据集。结果表明,MO-GAAL在大多数情况下优于其竞争对手,特别是对于具有各种聚类类型或高不相关变量比率的数据集。
2019-03-18 cs.LG stat.ML
Unsupervised Active Learning via Natural Feature Progressive Framework
Department of Electrical and Computer Engineering, Western University(电气与计算机工程系,西部大学);Department of Pathology and Genomic Medicine, Thomas Jefferson University(病理与基因组医学系,托马斯·杰弗逊大学);Vector Institute(向量研究所)
提出自然特征渐进框架(NFPF),利用特定特征学习机量化样本重要性,以重建差异度量进行初始选择,在视觉数据集上超越现有无监督主动学习方法,达到与监督主动学习相当的性能。
2025-10-06 cs.AI cs.CV cs.LG
Boosting Active Learning for Speech Recognition with Noisy Pseudo-labeled Samples
Clova AI Research, NAVER Corp.(NAVER公司Clova人工智能研究院);Search Solution Inc.(搜索解决方案公司);Seoul National University(首尔大学)
为大型语音语料库标注译文的成本成为最大限度地享受基于深度神经网络的自动语音识别模型的潜在能力的瓶颈。在本文中,我们提出了一种新的训练管道,以提高传统的主动学习方法的目标是标签有效的学习,以解决上述问题。现有的主动学习方法只关注在标签预算下选择一组信息样本。更进一步,我们建议通过利用未标记的样本,超过标记预算,通过引入有效地补充监督损失的可配置的无监督损失,可以进一步提高训练效率。我们提出了新的无监督损失的一致性正则化的基础上,我们配置适当的增强技术的话语采用一致性正则化的自动语音识别任务。通过对真实世界数据集和真实使用场景的定性和定量实验,我们证明了所提出的训练管道可以提高主动学习方法的有效性,从而成功地降低了可持续的人工标记成本。
2020-11-05 cs.LG eess.AS
Combining X-Vectors and Bayesian Batch Active Learning: Two-Stage Active Learning Pipeline for Speech Recognition
本文提出一种结合X向量和贝叶斯批量主动学习的两阶段流程,用于优化语音识别中的主动学习效率与数据利用。
2025-04-25 cs.AI cs.CL cs.LG
Towards Active Participant Centric Vertical Federated Learning: Some Representations May Be All You Need
Ikerlan Technology Research Centre(伊克尔兰技术研究中心);Flower Labs(弗劳尔实验室);University of the Basque Country UPV/EHU(巴斯克大学UPV/EHU)
针对 VFL 在部分对齐数据下通信与操作成本高的问题,提出 APC-VFL,通过本地无监督表示学习和主动方知识蒸馏实现单轮通信,并在三个数据集上取得更优性能。
2025-02-19 cs.LG
Medical Image Segmentation via Unsupervised Convolutional Neural Network
Johns Hopkins Medical Institutes(约翰斯·霍普金斯医学院);Johns Hopkins University(约翰斯·霍普金斯大学);Department of Radiology and Radiological Science(放射学与放射科学系);Department of Electrical and Computer Engineering(电气与计算机工程系)
对于大多数基于学习的分割方法,需要大量高质量的训练数据。在本文中,我们提出了一种新的基于学习的分割模型,可以训练半或无监督。具体而言,在无监督设置中,我们通过卷积神经网络(ConvNet)对无边缘活动轮廓(ACWE)框架进行参数化,并使用自监督方法优化ConvNet的参数。在另一种设置(半监督)中,在训练期间使用辅助分割基础事实。我们表明,该方法提供了快速和高质量的骨分割的背景下,单光子发射计算机断层扫描(SPECT)图像。
2020-07-06 cs.CV cs.LG eess.IV
Memorize Early, Then Query: Inlier-Memorization-Guided Active Outlier Detection
IMBoost通过强化内群记忆效应,结合主动学习提升异常检测性能,实验表明其在准确性和效率上均优于现有方法。
2026-01-19 cs.LG stat.ML
Man-recon: manifold learning for reconstruction with deep autoencoder for smart seismic interpretation
Georgia Institute of Technology(佐治亚理工学院)
如果提供足够量的标记训练数据,深度学习可以提取丰富的数据表示。然而,对于许多任务,注释数据在时间和金钱方面具有显著成本,这是由于所需的高标准的主题专业知识,例如在医学和地球物理图像判读任务中。主动学习可以为口译员识别出信息量最大的训练样本进行训练,从而提高效率。我们提出了一个主动学习方法的基础上联合学习表示监督和无监督的任务。学习的流形结构稍后被用于从无监督任务上的错误配置文件中识别与学习的流形最不相似的信息训练样本。我们验证了所提出的方法在荷兰F3区块调查的地震相分割数据集上的效率,显着优于当代方法,以实现最高的平均相交超过工会值0.773。
2022-12-15 cs.LG eess.IV
Feature-Centric Unsupervised Node Representation Learning Without Homophily Assumption
FUEL通过自适应学习图卷积的使用程度,提升嵌入空间中的类间分离性和类内相似性,从而在无监督节点表示学习中取得最佳性能。
2025-12-17 cs.AI cs.LG
Active Learning Meets Optimized Item Selection
AI Center of Excellence(人工智能卓越中心);Fidelity Investments(富达投资)
在有限或没有可用训练数据的情况下设计推荐系统仍然是一个挑战。为此,一个新的组合优化问题,制定产生优化的项目选择的实验与目标,以缩短收集随机训练数据的时间。我们首先介绍了优化的项目选择问题的概述和一个多层次的优化框架来解决它。该方法集成了离散优化,无监督聚类和潜在文本嵌入技术。然后,我们讨论如何将优化的项目选择与主动学习的一部分,随机探索在一个持续的时尚。
2021-11-22 cs.AI cs.IR cs.LG
Decoupling Exploration and Exploitation for Unsupervised Pre-training with Successor Features
Australian Artificial Intelligence Institute (AAII)(澳大利亚人工智能研究所(AAII));University of Technology Sydney(悉尼科技大学);Visualisation Institute(可视化研究所)
本文提出NMPS模型,通过分离基于后继特征的探索与利用智能体,解决无监督预训练中统一内在奖励导致的局部最优问题,并在对比实验中优于APS。
2024-05-04 cs.AI cs.LG
Rethinking deep active learning: Using unlabeled data at model training
Inria, IRISA, Univ Rennes, CNRS(法国国家信息与自动化研究所、法国国家科学研究中心、雷恩大学、IRISA研究所)
主动学习通常专注于仅在少数标记的示例上训练模型,而未标记的示例仅用于获取。在这项工作中,我们通过在主动学习周期的模型训练期间使用标记和未标记的数据来脱离这种设置。我们通过在所有可用数据上在主动学习管道的开始使用无监督特征学习和在每个主动学习周期使用半监督学习来实现这一点。前者以前在主动学习中没有被研究过,而后者在深度学习背景下的研究很少,最近的研究结果对其益处也没有定论。我们的想法是通过使用更多的数据正交的采集策略,很像集成方法使用更多的模型。通过系统地评估一些流行的采集策略和数据集,我们发现,在模型训练过程中使用未标记的数据带来了令人惊讶的准确性提高图像分类,相比采集策略之间的差异。因此,我们探索更小的标签预算,甚至每个类一个标签。
2019-11-19 cs.CV cs.LG
LSCALE: Latent Space Clustering-Based Active Learning for Node Classification
National University of Singapore(新加坡国立大学)
图上的节点分类是许多实际领域中的一个重要课题。它通常需要标签进行培训,这在实践中可能很难或昂贵。给定标记预算,主动学习旨在通过仔细选择标记哪些节点来提高性能。以前的图主动学习方法使用标记的节点学习表示,并选择一些未标记的节点进行标记获取。然而,它们没有充分利用未标记节点中存在的表示能力。我们认为,在未标记的节点的表示能力可以是有用的主动学习和进一步提高节点分类的主动学习的性能。在本文中,我们提出了一个潜在的空间聚类为基础的主动学习框架节点分类(LSCALE),我们充分利用标记和未标记的节点的表示能力。具体来说,为了选择用于标记的节点,我们的框架在基于无监督特征和监督特征的动态组合的潜在空间上使用K-Medoids聚类算法。此外,我们还设计了一个增量式分簇模块,以避免在不同步骤中选择的节点之间的冗余。在五个数据集上进行的大量实验表明,我们提出的框架LSCALE始终显著优于最先进的方法。
2022-07-20 cs.LG cs.SI
Highly Efficient Representation and Active Learning Framework and Its Application to Imbalanced Medical Image Classification
Samsung SDS Research America(三星SDS美国研究院)
我们提出了一个高数据效率的主动学习框架图像分类。我们的新框架结合了:(1)卷积神经网络的无监督表示学习和(2)高斯过程(GP)方法,依次实现高度数据和标签有效的分类。此外,这两个元素对普遍存在的具有挑战性的类不平衡问题不太敏感,这要归功于(1)在没有标签的情况下学习的特征和(2)GP的贝叶斯性质。GP提供的不确定性估计通过基于不确定性对样本进行排序并选择性地标记显示较高不确定性的样本来实现主动学习。我们将这种新的组合应用于COVID-19胸部X线分类和Nerthus结肠镜分类严重失衡的病例。我们只证明这一点。需要10%的标记数据才能达到训练所有可用标签的准确性。我们还将我们的模型架构和建议框架应用于更广泛的数据集类别,并取得了预期的成功。
2022-06-20 cs.CV cs.LG eess.IV
Neocortical plasticity: an unsupervised cake but no free lunch
Element AI(Element AI公司)
人工智能和神经科学领域有着丰富的双向互动的悠久历史。一方面,人工智能系统发展的重要灵感来自于对自然智能系统的研究,特别是哺乳动物的新皮层。另一方面,大脑模型和理论的重要灵感来自人工智能研究。这两个领域交叉的一个中心问题是新皮层学习的过程,以及它们与深度网络的反向传播训练算法的相似程度。匹配新皮层学习的数据效率、传输和泛化属性仍然是深度学习领域的一个活跃研究领域。我们对新皮层的神经元、突触和树突生理学的理解的最新进展提出了无监督表示学习的新方法,也许是通过一类新的目标函数,它可以与反向传播一起或代替反向传播。这种局部学习规则具有关于训练数据的隐含而不是明确的目标,从而促进域适应和泛化。将它们扩展到深度网络中进行表示学习可以更好地利用未标记的数据集,从而显著提高下游监督读出学习的数据效率,并降低对对抗性扰动的敏感性,但代价是适用范围更加有限。
2019-11-15 cs.AI cs.LG cs.NE
Active Stacking for Heart Rate Estimation
Huazhong University of Science and Technology(华中科技大学);Southeast University(东南大学)
从心电图信号中估计心率对于心血管疾病的早期检测非常重要。然而,由于大的个体差异和变化的心电图信号质量,不存在一个单一的可靠的估计算法,以及对所有的主题。每个算法都可能在某些主题上失败,导致重大的估计错误。集合回归,它聚集了多个基础估计的输出,以获得更可靠和稳定的估计,可以用来解决这个问题。此外,主动学习可以用于从新的主题中最佳地选择一些试验来标记,基于这些试验,可以训练堆叠集成回归模型以聚合基础估计量。本文提出了四种主动堆叠方法,并证明了它们都显着优于三种常见的无监督集成回归方法,以及一种随机选择一些试验进行标记的监督堆叠方法。值得注意的是,我们的主动叠加方法只需要每个受试者进行三到四次标记试验,就可以实现平均均方根估计误差低于每分钟三次心跳,这使得它们非常适合实际应用。据我们所知,这是第一次研究主动叠加,并将其应用于心率估计。
2019-03-26 cs.AI cs.CY cs.LG