Key points are not available for this paper at this time.
Aktives Lernen (AL) hat an Bedeutung gewonnen, indem es datenintensive maschinelles Lernen (ML) Modelle in Bereiche mit begrenzten beschrifteten Daten integriert. Die Wirksamkeit nimmt jedoch erheblich ab, wenn das Budget für die Beschriftung niedrig ist. In diesem Papier beobachten wir zunächst empirisch den Leistungsabfall bestehender AL-Algorithmen in niedrigen Budgetsettings und führen dann die Direktakquisitionsoptimierung (DAO) ein, einen neuartigen AL-Algorithmus, der die Probenauswahl basierend auf der erwarteten Reduzierung des tatsächlichen Verlusts optimiert. Insbesondere nutzt DAO Einflussfunktionen, um Modellparameter zu aktualisieren, und integriert eine zusätzliche Akquisitionsstrategie, um Verzerrungen in der Verlustschätzung zu mildern. Dieser Ansatz ermöglicht eine genauere Schätzung der Gesamtsenkung des Fehlers, ohne umfangreiche Berechnungen oder die Abhängigkeit von beschrifteten Daten. Experimente zeigen die Wirksamkeit von DAO in Niedrigbudget-Settings, wobei es bestehende Ansätze in sieben Benchmarks übertrifft.
Zhao et al. (Thu,) haben diese Frage untersucht.