飞鱼博客 
标签分布学习(LDL)是一种新的处理标签歧义的学习范式。与传统的监督学习场景相比，带有标签分布的标注成本更高。为了降低传统学习中的标注成本，直接使用现有的主动学习方法可能会导致其性能下降。
为了解决这些问题，罗廷金领导的一个研究小组在《计算机科学前沿》上发表了一项新的研究。
该团队提出了基于核最大平均差异(ALDL-kMMD)方法的主动标签分布学习。与传统的人工智能方法相比，本文方法的有效性在实际数据集上得到了验证，ALDL-kMMD方法的性能优于其他方法。
ALDL-kMMD同时捕获数据和标签的结构信息，结合非线性模型和边际概率分布匹配，从未标记的样本中提取最具代表性的样本。此外，它还显著减少了查询的未标记实例的数量。并通过构造辅助变量对原ALDL-kMMD优化问题提出了一种有效的解决方案。在实际数据集上进行了实验，验证了该方法的有效性。
未来的工作可以集中在将所提出的主动学习方法应用到深度学习结构中，并设计一种新的深度主动学习方法来降低标签信息的依赖性。
更多信息:Dong Xinyue等，基于核最大均值差异的主动标签分布学习，计算机科学前沿(2022)。DOI: 10.1007/s11704-022-1624-5由Frontiers Journals提供引文:主动标签分布学习通过内核最大平均差异(2023,September 5)检索自https://techxplore.com/news/2023-09-kernel-maximum-discrepancy.html。本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
