Active learning methods based on statistical leverage scores

Yapay öğrenme metodlarının gerçek hayattaki birçok uygulamasında bol miktarda etiketlenmemiş veri bulunmasına karşılık etiketlenmiş veriler pahalı ve/veya sınırlı sayıdadır. Bir etkin öğrenici, etiketleme için yararlı örnekler seçerek mümkün olduğunca az etiketli örnek kullanımı ile yüksek doğrulukta bir model elde etmeyi amaçlamaktadır. Bu tezde havuz tabanlı etkin öğrenme kurgusu için iki yeni metot önerilmektedir: Her adımda bir tane etiketlenmemiş örneği seçerek etiketini sorgulayan (tek-seçimli) ALEVS metodu ve her adımda bir grup etiketlenmemiş örneği seçerek etiketlerini sorgulayan (grup-seçimli) DBALEVS metodu. ALEVS ve DBALEVS metodları örneklerin istatistiksel kaldıraç değerlerini kullanarak en etkili örneği/örnekleri seçer. n x n boyutlu bir K çekirdek matrisinin i-inci satırına ait k-kerte istatistiksel kaldıraç değerleri, kolonları K matrisinin üst-k özdeğer vektörlerinden oluşan U matrisinin i-inci satır düzgesinin karesidir. İstatistiksel kaldıraç değerlerinin etkili satırları seçerek düşük-kerte matris yaklaşıklama algoritmalarında yararlı oldukları gösterilmiştir. ALEVS ve DBALEVS metodları örneklerin önemini ölçmek için havuzdaki örnekler kullanılarak hesaplanmış çekirdek matrisinin istatistiksel kaldıraç değerlerini kullanır. Bunlara ek olarak, DBALEVS her adımda bir altmodüler küme fonksiyonunu maksimize ederek etkili, ama etiketlenmiş örneklere ve birbirlerine benzemeyen örnekleri seçmeye çalışır. Farklı verisetleri üzerinde yapılan deneylerle, ALEVS ve DBALEVS metodlarının karşılaştırılan diğer tek-seçimli ve grup-seçimli metodlara kıyasla data etkili yöntemler olduğu gösterilmiştir.