多类分类标注预算怎么花最值？新准则直击分类风险，性能超Fisher比较器！
Large Classification-Risk-Optional Label Acquisition
📖 AI 总结
该研究探讨了在有限标注预算下，如何最优分配标签获取以最小化多分类零一分类风险。作者结合费雪信息与多分类超额风险的局部几何结构，提出一种标签获取准则，该准则优先选择与主动贝叶斯决策边界扰动方向对齐的信息，而非仅依据后验不确定性或全局参数信息。研究刻画了最优获取设计的阈值结构，并扩展至类别特定及成本敏感场景。分析示例表明，后验不确定性与分类价值可能产生不同甚至相反的排序。作者进一步提出两阶段自适应程序，在高斯判别分析中达到最优风险准则。三分类二次判别分析实验及六分类Statlog Landsat卫星数据应用显示，分类风险导向的获取策略在多数预算下优于完全分类信息比较器，但并非始终优于熵或边际采样，且预算增加时策略间差异缩小。
🔑 关键词速览
| classification risk | 分类风险，指分类器在给定数据分布下期望的误分类损失，此处特指多类零一损失下的风险。 |
| Fisher information | Fisher信息，衡量观测数据（此处为标签）关于未知参数的期望信息量，用于参数估计精度分析。 |
| excess risk | 超额风险，指分类器实际风险与最优贝叶斯风险之间的差距，用于评估分类器的性能损失。 |
| acquisition criterion | 获取准则，决定在有限标注预算下优先获取哪些样本标签的规则或策略。 |
| Gaussian discriminant analysis (QDA) | 高斯判别分析，一种基于高斯分布假设的分类方法，QDA指二次判别分析，允许各类别协方差不同。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅