刘子昂 蒋 雪 伍冬睿

在机器学习任务中,往往需要大量的有标签训练数据以获得更好的性能.但是,在许多实际应用场景中,获取未标注的数据相对容易,标注过程却很困难,通常需要投入大量的时间和经济成本.例如,在语音信号的情感估计问题中,可以很容易地记录大量语音,但是要对语音进行3 个维度(愉悦度、唤醒度和优势度)的评估[1],评估者必须反复倾听,仔细检查.此外,由于情感估计具有主观性,而且部分数据可能只存在细微差异,通常需要多个评估者,例如,素材来自于德国脱口秀节目Vera am Mittag (VAM)的语料库[2]用到6～17 个评估者,国际情感数字化声音 (第2 版)(International affective digitized sounds V2,IADS-2)[3]用到至少110个评估者.在石油和天然气行业中,研究油井压裂后180 天的累计产油量预测问题[4]有利于提高采收率,输入信息(油井的压裂参数,例如油井位置、射孔长度、区域/孔的数量、注入的泥浆/水/砂的体积等)可以在压裂操作期间记录,但要获得地面产量(压裂后180 天累计产油量),至少需要等待180 天.

在很多这样的问题场景中,如何确定最优的未标注样本进行标注是非常重要的.主动学习(Active learning,AL)[5]可以用于解决此类问题,它通过选择较少的有价值样本进行标注,从而获得性能较好的机器学习模型,减少了数据标注工作.

主动学习可用于分类问题和回归问题.已有许多用于分类的AL 方法[5]相继提出,但回归任务中的AL 方法相对较少[6-20].这些主动学习回归(Active learning for regression,ALR)方法有基于流或基于池[13]的应用场景,本文考虑的是……