Pool-based sequential active learning with multi kernels
University of Southern California(南加州大学);Hanyang University(汉阳大学)
我们研究了一个基于池的顺序主动学习(AL),其中一个样本查询在每一次从一个大的池的未标记的数据根据一个选择标准。对于这个框架,我们提出了两个选择标准,命名为预期的内核差异(EKD)和预期的内核损失(EKL),利用多核学习(MKL)的特定结构。此外,它被确定,建议EKD和EKL成功地推广流行的查询由委员会(QBC)和预期模型变化(EMC)的概念,分别。通过对真实数据集的实验结果,与现有方法进行了比较,验证了所提准则的有效性。
2020-10-22 cs.LG
Parametric Neural Amp Modeling with Active Learning
ETH Zurich(苏黎世联邦理工学院)
本研究提出名为Panama的主动学习框架,结合LSTM与类WaveNet架构端到端训练参数化吉他音箱模型,通过基于梯度优化的集成主动学习策略筛选高信息量样本,仅用75个数据点就达到了主流开源非参数音箱建模工具NAM的感知质量。
2025-09-30 cs.AI cs.LG
Parametric Neural Amp Modeling with Active Learning
本文提出PANAMA主动学习框架,利用类WaveNet架构和基于梯度的优化策略,在最少旋钮设置样本下高效训练端到端参数化吉他放大器模型。
2025-07-02 cs.LG cs.SD eess.AS
Uncertainty-Based Non-Parametric Active Peak Detection
University of Southern California(南加州大学)
主动,非参数峰值检测被认为是。作为一个用例,主动源定位检查和基于不确定性的采样方案算法,有效地定位从几个能量测量的峰值设计。结果表明,在非常温和的条件下,$m$主动选择能量测量的源定位误差为$O(\log^2 m/m)$。数值结果表明,在低样本制度,所提出的方法享有优越的性能,对几种类型的数据和最先进的被动源定位方法,并在低样本制度,可以优于贪婪的方法。
2022-05-05 cs.IT cs.LG eess.SP
Robust Sequential Tracking via Bounded Information Geometry and Non-Parametric Field Actions
Department of Mathematics and Statistics(数学与统计学系)
本文通过分析元先验层面的推断抽象序列,利用非参数场和严格不变的Delta信息分离,解决了序列推断中极端异常值导致的不可归一化问题,实验证明其在多个领域中能有效截断异常值,实现稳健估计。
2026-03-13 cs.LG math.ST stat.ML
Batch versus Sequential Active Learning for Recommender Systems
Imec - WAVES - Ghent University(imec - WAVES - 根特大学)
推荐系统已经研究了很多年,目的是产生尽可能准确的推荐。然而,关于新用户的可用数据往往不足,导致不准确的建议;这个问题被称为冷启动问题。解决方案可以是主动学习。主动学习策略主动选择项目,并要求用户对这些项目进行评分。这样,可以获取详细的用户偏好,并且因此可以向用户提供更准确的推荐。在这项研究中,我们比较了五个主动学习算法,结合三种不同的预测算法,这是用来估计到什么程度的用户会喜欢的项目,要求评级。此外,还测试了两种选择项目的模式:批处理模式(一次选择所有项目)和顺序模式(逐个选择项目)。在评分预测,决策支持,和项目的排名方面的评价的推荐,顺序模式产生最准确的建议密集的数据集。主动学习算法之间的差异很小。对于大多数活跃的学习者来说,最好的预测结果是FunkSVD与顺序模式的结合。
2022-01-19 cs.IR cs.LG
Active Learning-Based Multistage Sequential Decision-Making Model with Application on Common Bile Duct Stone Evaluation
Emory University School of Medicine(埃默里大学医学院);Georgia Institute of Technology(佐治亚理工学院)
多阶段顺序决策场景在医疗诊断过程中很常见。在本文中,开发了一种基于主动学习的方法,以顺序的方式主动收集必要的患者数据。在所提出的方法中有两个新颖之处。首先,不同于现有的有序逻辑斯谛回归模型,该模型仅对单个阶段进行建模,我们一起估计所有阶段的参数。其次,假设不同阶段中的共同特征的系数保持一致。仿真研究和实际案例研究均验证了该方法的有效性。与基线法中的数据单独建模相比,该方法的估计效率提高了62%~1838%.对于模拟和测试队列,所提出的方法是更有效的,稳定的,可解释的,和计算效率的参数估计。所提出的方法可以很容易地扩展到各种情况下,决策可以只需要必要的信息顺序完成。
2022-01-13 cs.LG stat.ML
When and What to Recommend: Joint Modeling of Timing and Content for Active Sequential Recommendation
School of Computing, Macquarie University(麦考瑞大学计算学院);Oracle Analytics Cloud, Oracle Corporation(Oracle公司分析云)
PASRec通过联合建模时机与内容,主动预测用户交互时间并推荐感兴趣物品,优于现有基线方法。
2025-11-24 cs.IR cs.LG
Active Learning of Sequential Transducers with Side Information about the Domain
Université libre de Bruxelles(布鲁塞尔自由大学);University of Antwerp – Flanders Make(安特卫普大学 - 弗兰德斯制造)
主动学习是一种学生通过成员关系和等价关系询问教师以学习语言的设置。这些算法的性能通常以学习目标所需的查询数量来衡量,重点是代价高昂的等价查询。在灰盒学习中,通过预知目标的某些信息来加速学习过程。在这里,我们认为灰盒主动学习的连续串传感器,其中一个经常overapproximation域是已知的学生。我们发现,存在一种算法,使用字符串方程求解器,使用这些知识来学习连续的字符串换能器,比经典的主动学习更好地保证所需的等价查询的数量。
2021-04-23 cs.FL cs.LG
Greedy Approximation Algorithms for Active Sequential Hypothesis Testing
Carnegie Mellon University(卡内基梅隆大学)
在主动序贯假设检验(ASHT)问题中,学习者试图从一组已知的假设中识别出真正的假设。学习者被给予一组动作,并且知道在任何真实假设下任何动作的结果的随机分布。给定目标误差$δ>0$,目标是顺序地选择最少数量的动作,以便以至少$1 - δ$的概率识别真假设。受假设或动作数量巨大的应用程序的激励(例如,基于基因组学的癌症检测),我们提出了有效的(贪婪,事实上)算法,并提供了第一近似保证ASHT,在两种类型的自适应。我们的保证都是独立的行动和对数的假设的数量。我们数值评估我们的算法使用合成和现实世界的DNA突变数据的性能,表明我们的算法优于以前提出的启发式政策的大利润率。
2021-10-06 cs.LG stat.ML
Active and Adaptive Sequential learning
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Tsinghua University(清华大学)
介绍了一个框架,用于主动和自适应地解决一系列机器学习问题,这些问题从一个时间步到下一个时间步以有界的方式变化。开发了一种算法,该算法从未标记的数据池中主动查询信息量最大的样本的标签,并通过利用在前面的步骤中获得的信息来适应变化。我们的分析表明,所提出的主动学习算法的基础上随机梯度下降实现了一个接近最优的超额风险性能的最大似然估计。此外,使用主动学习样本的学习问题的变化的估计器被构造,这提供了一个自适应的样本大小选择规则,保证超额风险是有界的足够大的时间步长。仿真和真实数据的实验验证了我们的算法和理论结果。
2018-05-29 cs.LG stat.ML
Pool-Based Sequential Active Learning for Regression
DataNova LLC(DataNova有限责任公司)
主动学习是一种用于减少数据标记工作的机器学习方法。给定一个未标记的样本池,它试图选择最有用的样本进行标记,以便从它们构建的模型可以实现最佳性能。本文主要研究基于池的顺序主动学习回归算法(ALR)。我们首先提出了三个基本标准,ALR的方法应该考虑在选择最有用的未标记的样本:信息量,代表性和多样性,并比较现有的ALR方法对他们。然后,我们提出了一种新的ALR方法,使用被动采样,它既考虑了初始化和后续迭代的代表性和多样性。值得注意的是,这种方法也可以与文献中其他现有的ALR方法相结合,以进一步提高性能。在11个UCI,CMU StatLib和UFL Media Core数据集上进行了广泛的实验,验证了我们提出的ALR方法的有效性。
2018-05-12 cs.LG stat.ML
Feature Weighting Improves Pool-Based Sequential Active Learning for Regression
Ministry of Education Key Laboratory of Image Processing and Intelligent Control(教育部图像处理与智能控制重点实验室);Hubei Key Laboratory of Brain-inspired Intelligent Systems(湖北省脑启发智能系统重点实验室);School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院)
本文提出基于池的顺序主动学习方法,通过特征加权优化样本选择,提升回归模型的准确性,实验表明该方法在单任务和多任务回归中均有效。
2026-04-02 cs.LG
Integrating Informativeness, Representativeness and Diversity in Pool-Based Sequential Active Learning for Regression
Huazhong University of Science and Technology(华中科技大学)
在许多现实世界的机器学习应用中,未标记的样本很容易获得,但标记它们是昂贵的和/或耗时的。主动学习是减少这种数据标记工作的常用方法。它最佳地选择最好的几个样本进行标记,以便可以从相同数量的标记样本中训练出更好的机器学习模型。本文研究了回归问题的主动学习方法。ALR提出了三个基本标准--信息性、代表性和多样性。然而,文献中很少有方法同时考虑所有这三个方面。我们提出了三个新的ALR方法,与不同的战略,整合三个标准。在不同领域的12个数据集上进行的广泛实验证明了它们的有效性。
2020-03-26 cs.LG stat.ML
Text-to-CAD Generation Through Infusing Visual Feedback in Large Language Models
University of Toronto(多伦多大学);University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
本文提出CADFusion框架,通过在大语言模型训练中交替融合序列学习与视觉反馈信号,解决文本到CAD生成中参数序列与渲染视觉对象的多模态对齐问题,显著提升生成性能。
2025-06-05 cs.CV cs.LG
Active Sequential Two-Sample Testing
Arizona State University(亚利桑那州立大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);IBM Research(IBM研究中心)
本文提出首个主动序贯双样本检验框架,通过自适应分类模型主动标注高依赖度特征,在控制第一类错误的同时显著提升检验功效。
2024-06-28 cs.LG stat.ME
Active Sampling for MRI-based Sequential Decision Making
School of Engineering, The University of Edinburgh(爱丁堡大学工程学院);School of Medicine, Indiana University(印第安纳大学医学院)
本文提出了一种多目标强化学习框架,通过主动采样策略提升MRI在连续决策中的诊断性能,实现更高效、经济的点-of-care应用。
2026-02-13 cs.CV cs.LG eess.IV
Active Sampling of Multiple Sources for Sequential Estimation
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
考虑$K$过程,每个过程生成一个相同且独立的随机变量序列。这些过程的概率测度具有必须估计的随机参数。具体而言,它们共享所有概率度量共有的参数$θ$。此外,每个进程$i\in\{1, \dots, K\}$都有一个私有参数$α_i$。我们的目标是设计一个积极的采样算法,依次估计这些参数,以形成可靠的估计所有共享和私人参数的最少数量的样本。该采样算法有三个关键组成部分:(i)~数据驱动的采样决策,其随时间动态地指定应选择哪个$K$过程进行采样;(ii)~过程的停止时间,其指定累积的数据何时足以形成可靠的估计并终止采样过程;以及(iii)~所有共享和私有参数的估计器。由于序贯估计被称为是分析棘手的,本文采用了\emph {条件}估计成本函数,导致最近被证明是呈现易处理的分析的序贯估计方法。渐近最优的决策规则(抽样,停止,估计)划定,并提供数值实验,以比较所提出的程序的有效性和质量的相关方法。
2022-08-10 cs.LG math.ST stat.TH
Sequential Graph Convolutional Network for Active Learning
Imperial College London(帝国理工学院);KAIST(韩国科学技术院)
本文提出了一种新的基于池的主动学习框架,该框架构建在序列图卷积网络(GCN)上。来自数据池的每个图像的特征表示图中的一个节点,并且边缘编码它们的相似性。使用少量随机采样的图像作为种子标记的示例,我们学习图的参数,以通过最小化二进制交叉熵损失来区分标记与未标记的节点。GCN执行节点之间的消息传递操作,因此,诱导强关联节点的类似表示。我们利用这些特点的GCN选择的未标记的例子是充分不同的标记。为此,我们利用图节点嵌入及其置信度得分,并采用CoreSet和基于不确定性的方法等采样技术来查询节点。我们将新查询的节点的标签从未标记的翻转为标记的,重新训练学习器以优化下游任务和图以最小化其修改的目标。我们在固定预算内继续这一进程。我们在6个不同的基准上评估我们的方法:4个真实的图像分类,1个基于深度的手部姿势估计和1个合成RGB图像分类数据集。我们的方法优于几个有竞争力的基准,如VAAL,学习损失,CoreSet,并在多个应用程序上达到新的最先进的性能。https://github.com/razvancaramalau/Sequential-GCN-for-Active-Learning
2021-04-01 cs.CV cs.LG
Subspace-Distance-Enabled Active Learning for Efficient Data-Driven Model Reduction of Parametric Dynamical Systems
针对无控制方程的高保真动力系统反复求解问题,提出基于子空间距离的主动学习框架(SDE-AL),利用POD子空间距离引导挑选关键参数样本,动态构建降阶模型,有效提升了参数化物理模型的计算效率。
2025-06-25 cs.CE cs.LG cs.NA
Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning
The Chinese University of Hong Kong(香港中文大学);Tencent AI Lab(腾讯人工智能实验室);City University of Hong Kong(香港城市大学)
我们提出一个简约分位数回归框架来学习金融资产收益率的动态尾部行为。我们的模型很好地捕捉了金融时间序列的时变特性和非对称重尾特性。它结合了流行的顺序神经网络模型的优点,即,LSTM,我们构造了一个新的参数分位数函数来表示资产收益的条件分布。我们的模型还单独捕获了高阶矩的序列依赖性,而不仅仅是波动性。在广泛的资产类别中,我们的模型的条件分位数或VaR的样本外预测优于Gestival家族。此外,所提出的方法不会遭受的问题,分位数交叉,也没有暴露的不适定性相比,参数概率密度函数的方法。
2020-10-16 cs.LG q-fin.RM q-fin.ST
Active Learning with Bayesian Multi-Fidelity Laplace Neural Operators for Oscillatory Parametric PDEs
Purdue University(普渡大学);Sandia National Laboratories(桑迪亚国家实验室)
针对参数动力系统代理建模中高保真数据获取昂贵的问题,提出贝叶斯多保真度拉普拉斯神经算子,利用不确定性引导主动学习高效获取高保真轨迹,在多个振荡系统上优于随机采样和MF-DeepONet。
2026-09-15 cs.LG cs.NA math.NA
Active Sequential Posterior Estimation for Sample-Efficient Simulation-Based Inference
Google Research(谷歌研究院);HEC Montréal(蒙特利尔高等商学院)
针对基于模拟的推断存在样本需求大、难扩展至高维场景的问题,提出主动序贯神经后验估计方法,通过主动学习评估参数效用,以低开销提升样本效率,在交通等高维场景及SBI基准上均优于现有方法。
2024-12-07 cs.LG stat.ML
MelissaDL x Breed: Towards Data-Efficient On-line Supervised Training of Multi-parametric Surrogates with Active Learning
Univ. Grenoble Alpes(格勒诺布尔大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院);LIG(信息与信号处理实验室)
针对传统离线训练偏微分方程代理模型的存储与I/O效率问题,结合Melissa框架的在线流式训练,提出基于训练损失引导的自适应多重重要性采样的主动学习方法Breed,提升多参数代理模型训练的数据效率与泛化能力。
2024-10-08 cs.AI cs.LG
Revisiting Active Sequential Prediction-Powered Mean Estimation
University of California San Diego(加州大学圣地亚哥分校)
本文重新审视主动顺序预测驱动的均值估计问题,提出基于不确定性建议和常数概率的混合方案,并通过非渐近分析建立了数据依赖的置信区间界。
2026-04-20 cs.LG stat.ML
Active Learning for Non-Parametric Choice Models
MIT Sloan School of Management(麻省理工学院斯隆管理学院);Meta Platforms, Inc.(Meta平台公司);University of Southern California(南加州大学)
研究非参数选择模型的主动学习问题,提出DAG表示和包含-排除方法以克服可识别性及噪声数据挑战,算法在多项式时间内高效运行,并在合成与真实数据集上优于非主动学习方法。
2024-04-25 cs.DS cs.LG math.OC
Active Ranking from Pairwise Comparisons and when Parametric Assumptions Don't Help
UC Berkeley(加州大学伯克利分校)
我们认为顺序或主动排名的一组n个项目的基础上嘈杂的成对比较。根据给定项目击败随机选择的项目的概率对项目进行排名,排名是指根据项目的得分将项目划分为预先指定大小的集合。这种排序的概念包括作为特殊情况的前k项的识别和项的总排序。我们首先分析一个顺序排序算法,该算法计算赢得比较的次数,并使用这些计数来决定是否停止,或比较另一对项目,根据收集到的数据指定的置信区间选择。我们证明,该算法使用多次比较成功地恢复了排名,这些比较在对数因子下是最佳的。这种保证不需要潜在的成对概率矩阵的任何结构属性,不像过去基于参数模型(如Thurstone或Bradley-Terry-Luce模型)的成对排序的重要工作。这一直是一个长期的开放问题,是否强加这些参数的假设允许改进的排名算法。对于随机比较模型,其中成对概率有界远离零,我们的第二个贡献是通过证明参数模型的下界来解决这个问题。这表明,也许令人惊讶的是,这些流行的参数建模选择提供了最多的对数增益随机比较。
2016-09-23 cs.AI cs.IT cs.LG
Novel Batch Active Learning Approach and Its Application to Synthetic Aperture Radar Datasets
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Minnesota(明尼苏达大学)
针对批量主动学习效率高但准确率难匹配序列主动学习的问题,提出由DAC核心集生成和LocalMax批量采样组成的两阶段批量主动学习方法,构建的SAR图像分类流水线在FUSAR-Ship等数据集上优于现有CNN方法。
2023-07-19 cs.CV cs.LG eess.SP
Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference
Department of Mathematics, Brigham Young University(数学系, Brigham Young University);Centre for Mathematical Sciences, Lund University(数学科学中心, Lund University);Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin(计算工程与科学研究院, The University of Texas at Austin)
本文提出基于贝叶斯算子推断的主动学习方法,用于提升参数微分系统数据驱动降阶模型的稳定性和准确性。
2026-09-04 cs.CE cs.LG cs.NA
Importance sampling based active learning for parametric seismic fragility curve estimation
Université Paris-Saclay(巴黎萨克雷大学);CEA(法国原子能和替代能源委员会);École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院)
地震概率风险评估研究的关键要素是易损性曲线,它表示在地震烈度测量条件下结构的失效概率。目前有许多方法可以用来估计这些曲线。对于可能涉及复杂且昂贵的数值模型的基于建模的方法,主要挑战是优化对数值代码的调用以降低估计成本。为此目的可采用自适应技术,但在这样做时,考虑到估计数的不确定性(通过与所用样本大小有关的置信区间或椭圆体)是一项艰巨的任务,因为样本不再是独立的,可能分布不相同。这项工作的主要贡献是处理这个问题的数学和严格的方式。为此,我们提出并实现了一种主动学习方法的基础上自适应重要性抽样参数估计的脆弱性曲线。我们证明了一些理论性质(一致性和渐近正态性)的估计的兴趣。此外,我们给出了一个收敛准则,以便使用渐近置信椭球。最后,该方法的性能进行了评估分析和工业测试的情况下,越来越复杂。
2022-01-14 cs.LG stat.ME stat.ML
State-Space Dynamics Distance for Clustering Sequential Data
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Escuela Politécnica Superior(高等理工学院)
本文提出了一种新的相似性度量聚类序列数据。我们首先通过训练一个具有所有序列的概率模型来构建一个公共状态空间,以获得数据集的统一表示。然后,得到的距离出席的转移矩阵引起的每个序列在该状态空间。这种方法解决了现有半参数技术的一些常见的过拟合和可扩展性问题,这些问题依赖于为每个序列训练模型。合成和真实世界的数据集上的实证研究说明了聚类序列的建议的相似性度量的优势。
2010-04-09 cs.LG
Sequential Voting with Relational Box Fields for Active Object Detection
Carnegie Mellon University(卡内基梅隆大学)
理解手-物体交互的一个关键组成部分是识别活动物体的能力--由人手操纵的物体。为了准确定位活动对象,任何方法都必须使用由每个图像像素编码的信息进行推理,例如它是否属于手,对象或背景。为了利用每个像素作为证据来确定活动对象的限界框,我们提出了一个逐像素投票函数。我们的逐像素投票函数将初始限界框作为输入,并产生活动对象的改进的限界框作为输出。投票函数被设计为使得输入限界框内的每个像素投票用于改进的限界框,并且具有多数投票的框被选择作为输出。我们将投票函数内部生成的边界框集合称为关系框字段,因为它表征了与当前限界框相关定义的边界框字段。虽然我们的投票功能能够改善活动对象的限界框,但一轮投票通常不足以准确定位活动对象。因此,我们反复应用投票函数来顺序地改进限界框的位置。然而,由于已知重复应用一步预测器(即,使用我们的投票函数的自回归处理)会导致数据分布偏移,我们使用强化学习(RL)来缓解这个问题。我们采用标准RL学习投票函数参数,并表明它提供了一个有意义的改进,一个标准的监督学习方法。我们在两个大规模数据集上进行了实验:100DOH和MECCANO,与现有技术相比,AP 50性能分别提高了8%和30%。
2022-06-02 cs.AI cs.CV cs.LG
Inequality Constrained Stochastic Nonlinear Optimization via Active-Set Sequential Quadratic Programming
Argonne National Laboratory(阿贡国家实验室);The University of Chicago(芝加哥大学);University of California, Berkeley(加州大学伯克利分校);International Computer Science Institute(国际计算机科学研究所)
我们研究具有随机目标和确定性等式和不等式约束的非线性最优化问题,这些问题出现在许多应用中,包括金融,制造,电力系统以及最近的深度神经网络。我们提出了一个有效集随机序列二次规划(StoSQP)算法,利用可微精确增广拉格朗日作为价值函数。该算法自适应地选择增广拉格朗日函数的罚参数,并进行随机线搜索来确定步长。证明了算法的整体收敛性:对于任意初始值,KKT残差几乎必然收敛于零.我们的算法和分析进一步发展了Na等人之前的工作,(2022年)。具体来说,我们允许非线性不等式约束,而不需要严格的互补条件;改进Na等人的一些设计,(2022)提出的改进方法,如可行性误差条件和单调增加的样本量,加强了整体收敛的保证,提高了目标Hessian上的样本复杂度。我们证明了所设计的算法的性能上的一个子集的非线性问题收集在CUTEst测试集和约束逻辑斯谛回归问题。
2023-01-30 cs.LG cs.NA math.NA
Cieran: Designing Sequential Colormaps via In-Situ Active Preference Learning
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出 Cieran 工具,在 Jupyter Notebooks 中结合主动偏好学习与 CIELAB 路径规划,帮助非色彩专家根据数据上下文排序并生成高质量顺序色图。
2024-02-29 cs.GR cs.HC cs.LG
Machine Teaching of Active Sequential Learners
Helsinki Institute for Information Technology HIIT(赫尔辛基信息技术研究所(HIIT));Aalto University(阿尔托大学)
机器教学解决了寻找最佳训练数据的问题,这些数据可以以最小的努力将学习算法引导到目标模型。在常规设置中,教师提供与真实数据分布一致的数据。然而,对于主动选择查询的顺序学习者,如多臂强盗和主动学习者,教师只能提供对学习者查询的响应,而不能设计完整的数据。在这种情况下,始终如一的教师在有限的视野中可能是次优的。我们制定这个顺序的教学问题,目前的技术在机器教学不解决,作为一个马尔可夫决策过程,与动态嵌套的学习者和教师的反应的行动模型。此外,我们解决的补充问题,从一个教师的计划学习:认识到教学意图的反应,学习者被赋予了一个模型的教师。我们在模拟实验和用户研究中使用多臂强盗学习者测试了该公式。结果表明,学习得到改善(i)计划教学和(ii)学习者有一个模型的教师。该方法提供的工具,考虑到战略(规划)的交互式智能系统,如推荐引擎的用户的行为,考虑他们作为有界最优的教师。
2019-11-01 cs.AI cs.HC cs.LG
Active-Learning-Driven Surrogate Modeling for Efficient Simulation of Parametric Nonlinear Systems
Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所)
针对无控制方程时参数化非线性系统代理建模的参数采样最优性问题,提出基于核浅层神经网络的主动学习驱动POD代理模型ActLearn-POD-KSNN,经两类物理方程验证可高效预测新参数解。
2023-06-09 cs.CE cs.LG cs.NA
The Perceptual Bandwidth Bottleneck in Vision-Language Models: Active Visual Reasoning via Sequential Experimental Design
The Hong Kong University of Science(香港科学与技术大学);University College London, London, United Kingdom(伦敦大学学院, 英国伦敦);ShanghaiTech University, Shanghai, China(上海科技大学, 中国上海);AI Lab, The Yangtze River Delta, China(人工智能实验室, 长江三角洲, 中国)
本文提出通过顺序贝叶斯最优实验设计实现主动视觉推理,解决视觉语言模型中感知带宽瓶颈问题,提升高分辨率视觉推理能力。
2026-05-09 cs.AI cs.CV cs.LG
Does the Markov Decision Process Fit the Data: Testing for the Markov Property in Sequential Decision Making
London School of Economics and Political Science(伦敦政治经济学院);North Carolina State University(北卡罗来纳州立大学);Amazon(亚马逊公司(Amazon))
马尔可夫假设(MA)是强化学习经验有效性的基础。在本文中,我们提出了一种新的前向-后向学习过程来测试MA在顺序决策中的作用。该检验方法不需要假设观测数据的联合分布具有任何参数形式,对于高阶马尔可夫决策过程和部分可观测MDP中的最优策略识别具有重要作用.我们将我们的测试应用于合成数据集和移动健康研究的真实数据示例,以说明其实用性。
2020-02-05 cs.LG stat.ML
Sequential operator learning under dependent data
CSIRO Technology(联邦科学与工业研究组织科技部门)
该研究针对依赖数据下的序列算子学习问题,推导希尔伯特空间中随机过程的时间一致自正则集中界,为线性与非线性参数算子提供回归误差保证,为自适应算子学习等场景的收敛保证提供重要进展。
2026-09-09 cs.LG stat.ML
Policy Design for Active Sequential Hypothesis Testing using Deep Learning
USC Information Sciences Institute(美国南加州大学信息科学研究所)
本文研究了如何利用深度学习设计更有效的主动顺序假设检验策略,通过比较新提出的启发式方法与现有方法,展示了在某些场景下性能的显著提升。
2018-10-11 cs.AI cs.IT cs.LG
A Confidence-based Acquisition Model for Self-supervised Active Learning and Label Correction
Heinrich Heine Universität Düsseldorf(海因里希·海涅杜塞尔多夫大学)
针对序列任务标注成本高且质量易降的问题,提出基于池的主动学习框架CAMEL,仅需专家标注部分序列并结合自监督与标签校正机制,显著提升效率并改善数据集质量。
2025-03-07 cs.CL cs.LG
ALMAB-DC: Active Learning, Multi-Armed Bandits, and Distributed Computing for Sequential Experimental Design and Black-Box Optimization
Institute of Statistical Science, Academia Sinica(中央研究院统计科学研究所)
提出ALMAB-DC框架,结合高斯过程代理模型、多臂老虎机控制和异步分布式调度,解决昂贵黑箱优化问题,在多个基准上显著优于现有方法。
2026-06-03 cs.LG stat.CO stat.ME
Safe Active Dynamics Learning and Control: A Sequential Exploration-Exploitation Framework
Stanford University(斯坦福大学)
自主机器人在不同场景中的安全部署需要能够有效适应新环境的代理,同时满足约束条件。在这项工作中,我们提出了一个实际的和理论上合理的方法来保持安全的存在动力学的不确定性。我们的方法利用贝叶斯元学习和最后一层适应。离线训练的神经网络特征的表现力,再加上有效的最后一层在线自适应,使得能够推导出紧密的置信集,这些置信集在模型在线自适应时围绕真实动态收缩。我们利用这些信心集规划轨迹,保证系统的安全性。我们的方法处理高动态不确定性的问题,安全地达到目标是可能最初是不可行的,通过第一\textit{exploring}收集数据和减少不确定性,自主\textit{exploiting}获取的信息之前,安全地执行任务。在合理的假设下,我们证明了我们的框架保证了所有约束在任何时候联合,即在总任务持续时间的高概率满足。这种理论分析还激发了最后一层元学习模型的两个正则化器,它们通过减少置信集的大小来提高在线适应能力和性能。我们在仿真和硬件上广泛地展示了我们的方法。
2022-02-16 cs.LG cs.RO cs.SY
Sequential Permutation Testing of Random Forest Variable Importance Measures
Institute of General Practice and Health Services Research(全科医学与卫生服务研究所);Institute of AI and Informatics in Medicine(医学人工智能与信息学研究所);Technical University of Munich(慕尼黑工业大学);Institute for Medical Information Processing, Biometry and Epidemiology(医学信息处理、生物统计学与流行病学研究所);University of Munich(慕尼黑大学)
针对随机森林变量重要性度量假设检验计算成本高的问题,提出采用序贯置换检验和序贯p值估计的方法,在控制第一类错误、维持高功效的同时大幅降低计算量,配套R包rfvimptest可通用至各类预测模型。
2022-06-02 cs.LG stat.AP stat.CO
Post-detection inference for sequential changepoint localization
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种通用框架,用于在序列变化点检测后构建置信集,不依赖特定假设,理论上有保证,且在实践中应用广泛。
2026-09-26 cs.AI cs.LG stat.ME