L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-19
Vers des calendriers de sélection optimaux pour l'apprentissage actif en ligne
Titre original: Towards optimal selection schedules for online active learning
Cet article étudie la politique de requêtes optimale pour la classification linéaire en ligne, où l'étiquetage des échantillons est coûteux. Sous un design gaussien en régime de grande dimension, il montre que les politiques gloutonnes myopes sélectionnent les échantillons selon des intervalles de marge qui se réduisent au fil du temps. Les auteurs trouvent numériquement des calendriers de seuils optimaux, conçoivent une politique simple et la comparent à d'autres heuristiques sur des données synthétiques et des images médicales réelles.