基于自适应稀疏邻域重构的无监督主动学习算法

摘要：

在很多信息处理任务中,人们容易获得大量的无标签样本,但对样本进行标注是非常费时和费力的.作为机器学习领域中一种重要的学习方法,主动学习通过选择最有信息量的样本进行标注,减少了人工标注的代价.然而,现有的大多数主动学习算法都是基于分类器的监督学习方法,这类算法并不适用于无任何标签信息的样本选择.针对这个问题,借鉴最优实验设计的算法思想,结合自适应稀疏邻域重构理论,提出基于自适应稀疏邻域重构的主动学习算法.该算法可以根据数据集各区域的不同分布自适应地选择邻域规模,同步完成邻域点的搜寻和重构系数的计算,能在无任何标签信息的情况下较好地选择最能代表样本集分布结构的样本.基于人工合成数据集和真实数据集的实验表明,在同等标注代价下,基于自适应稀疏邻域重构的主动学习算法在分类精度和鲁棒性上具有较高的性能.

关键词：主动学习、稀疏重构、优化实验设计、直推式实验设计、局部线性重构

所属期刊栏目：45

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61672008;广东省自然科学基金重点项目2016A030311013;广东省普通高校国际合作重大项目2015KGJHZ021;广东省自然科学基金2016A030310335

在线出版日期：2018-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：251-258