Active Learning for Matching Problems

Graphical Model
Juin 2012

Active Learning for Matching Problems

Juin 2012

Un apprentissage efficace des préférences de l’utilisateur est essentiel pour alléger le fardeau de l’utilisateur lié à divers types de problèmes d’appariement. La sélection active des requêtes est également importante pour réduire davantage la quantité d’informations de préférence que les utilisateurs doivent fournir. Nous abordons le problème de l’apprentissage actif des préférences des utilisateurs pour les problèmes d’appariement, en introduisant une nouvelle méthode pour déterminer les correspondances probabilistes et en développant plusieurs nouvelles stratégies d’apprentissage actives sensibles à l’objectif d’appariement spécifique. Des expériences avec des ensembles de données du monde réel couvrant divers domaines démontrent que l’apprentissage actif sensible à l’appariement est plus performant que les techniques standards.

Reference

Laurent Charlin, Richard Zemel, Craig Boutilier, Active Learning for Matching Problems, in: International Conference on Machine Learning (ICML), 2012

PDF

Linked Profiles