批量主动学习新方法FractAL避免策略选择开销

01 摘要

原文指出，实际部署主动学习时必须在未标注数据前选定采集策略，而策略性能因数据集和代理模型而异，现有选择方法需多轮探索，开销大。为此作者提出软策略选择，在单一批次内混合使用多个策略，并用FractAL通过影响函数推断每个策略的回报，用在线镜像下降计算预算份额。基准测试显示，FractAL在7个设定中均不劣于随机采样和所有基线，能集中预算于强策略。

02 关键点

1. FractAL通过影响函数归因推断每个策略的回报，无需额外模型重训练，再用在线镜像下降分配批量预算。
2. 在7个覆盖分类、回归和遗传扰动效应预测的设定中，每个现有策略选择方法至少在一个设定上不如随机采样，而FractAL在所有设定上匹配或超越包括随机采样在内的基线。
3. FractAL能自动将预算集中于表现最好的策略并淘汰最弱策略，适合多策略可用但最优策略未知的部署场景。