Wie man Unsicherheit im Unsicherheitsampling für aktives Lernen misst

Zusammenfassung Verschiedene Strategien für aktives Lernen wurden in der Literatur zum maschinellen Lernen vorgeschlagen. Beim Unsicherheitsampling, das zu den beliebtesten Ansätzen gehört, fragt der aktive Lernende sequenziell die Labels derjenigen Instanzen ab, bei denen seine aktuelle Vorhersage maximal unsicher ist. Die Vorhersagen sowie die verwendeten Maße zur Quantifizierung des Grades an Unsicherheit, wie Entropie, sind traditionell probabilistischer Natur. In den letzten Jahren wurden jedoch alternative Ansätze zur Erfassung von Unsicherheit im maschinellen Lernen sowie entsprechende Unsicherheitsmaße vorgeschlagen. Insbesondere suchen einige dieser Maße danach, verschiedene Quellen zu unterscheiden und unterschiedliche Arten von Unsicherheit zu trennen, wie den reduzierbaren (epistemischen) und den irreduzierbaren (aleatorischen) Teil der Gesamtunsicherheit in einer Vorhersage. Ziel dieses Papiers ist es, die Nützlichkeit solcher Maße für das Unsicherheitsampling zu erläutern und ihre Leistung im aktiven Lernen zu vergleichen. Zu diesem Zweck implementieren wir das Unsicherheitsampling mit verschiedenen Maßnahmen, analysieren die Eigenschaften der so erhaltenen Sampling-Strategien und vergleichen sie in einer experimentellen Studie.