一种基于置信度差异代价敏感的主动学习算法

主动学习时向专家查询得到的标注如果带有噪声,将会影响学习的性能。为减少噪声,人们提出了基于"少数服从多数"的多专家主动学习算法,但该算法的缺点是代价往往太高。文章采用了一种自我训练(self-training)方法,对某些平均置信度高的样本,直接确定其分类标注,不必向专家查询,以节省学习代价。同时,使用置信度差异作为度量标准,选取那些最不确定的样本向专家查询,提高了学习效率。在UCI数据集上验证了本文算法的有效性。