Active learning via collective inference in network regression problems

یادگیری فعال پارامتر یادگیری ماشین امیدوار کننده برای پرسیدن اوراکل و کسب برچسب های واقعی برای نمونه های خاص است. هدف آن کاهش تعداد برچسب هایی است که مورد نیاز است تا بتوان یک مدل پیش بینی کننده را برای رسیدن به سطح بالایی از دقت به دست آورد. ممکن است در چندین مشکل رگرسیون که در آن برچسب های ناقص می توانند به دست آورند، مفید باشد. الگوریتم یادگیری فعال جدید برای مشکلات رگرسیون در داده های شبکه تعریف شده است. این الگوریتم یادگیری فعال را با در نظر گرفتن صریح بودن ویژگی همبستگی داده های شبکه انجام می دهد که باعث می شود برچسب گره های ارتباطی مربوط به یکدیگر. به طور خاص، به استنتاج جمعی، به منظور جایگزینی همبستگی داده ها در انتخاب فعال گره های شبکه که توسط اوراکل ها برچسب گذاشته شده است، از استراحت استفاده می شود. مطالعه تجربی ثابت می کند که ترکیبی پیشنهاد شده از یادگیری فعال و استنتاج جمعی می تواند عملکرد رگرسیون را در حوزه های مختلف شبکه تقویت کند.