arXiv cs.AI· Kangping Hu, Stephen Mussmann·· 3 天前AI 评分20
基于部分批次标签采样的批量贝叶斯主动学习
Batch Bayesian Active Learning with Partial Batch Label Sampling
AI 导读
研究者将主动学习的贝叶斯决策论框架扩展至批量场景，为 EPIG 算法推导出部分批次标签采样方法 ParBaLS。实验表明，ParBaLS EPIG 在基于大型预训练模型嵌入的贝叶斯逻辑回归上，于多种数据集和不同预算下均取得更优性能。代码已公开。
正文 · AI 翻译
摘要：在过去二十年中，人们提出了许多主动学习采集函数，使得实践者难以清楚选择使用哪一种。贝叶斯主动学习提供了具有可解释直觉的原则性目标，包括期望误差减少（EER）、期望预测信息增益（EPIG）以及基于分歧的贝叶斯主动学习（BALD）。这类方法的一个关键挑战是难以扩展到批量设置，从而导致计算挑战（BatchBALD）或性能急剧下降（top-$B$ 选择）。在这项工作中，我们扩展了主动学习的贝叶斯决策理论框架，为 EPIG 算法推导出部分批量标签采样（ParBaLS）。我们通过实验表明，在使用大型预训练模型嵌入上的贝叶斯逻辑回归时，ParBaLS EPIG 在不同预算的各种数据集上均表现出更优的性能。我们的代码可在 此 https URL 获取。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2510.09877 [cs.LG] |
| （或 arXiv:2510.09877v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2510.09877 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kangping Hu [查看电子邮件]
[v1]
2025年10月10日星期五 21:28:42 UTC（474 KB）
[v2]
2026年1月31日星期六 18:11:47 UTC（551 KB）
[v3]
2026年5月8日星期五 20:11:15 UTC（3,066 KB）
[v4]
2026年10月12日星期一 20:36:44 UTC（3,469 KB）
来源：arXiv cs.AI · arxiv.org