Efficient and robust active learning methods for interactive database exploration
Méthodes d'apprentissage actif efficaces et robustes pour l'exploration interactive de bases de données
Résumé
There is an increasing gap between fast growth of data and the limited human ability to comprehend data. Consequently, there has been a growing demand of data management tools that can bridge this gap and help the user retrieve high-value content from data more effectively. In this work, we propose an interactive data exploration system as a new database service, using an approach called "explore-by-example." Our new system is designed to assist the user in performing highly effective data exploration while reducing the human effort in the process. We cast the explore-by-example problem in a principled "active learning" framework. However, traditional active learning suffers from two fundamental limitations: slow convergence and lack of robustness under label noise. To overcome the slow convergence and label noise problems, we bring the properties of important classes of database queries to bear on the design of new algorithms and optimizations for active learning-based database exploration. Evaluation results using real-world datasets and user interest patterns show that our new system, both in the noise-free case and in the label noise case, significantly outperforms state-of-the-art active learning techniques and data exploration systems in accuracy while achieving the desired efficiency for interactive
data exploration.
Il existe un écart croissant entre la croissance rapide des données et la capacité humaine limitée à comprendre les données. Par conséquent, il existe une demande croissante d’outils de gestion de données capables de combler cette lacune et d’aider l’utilisateur à récupérer plus efficacement du contenu de grande valeur à partir des données. Dans ce travail, nous proposons un système interactif d'exploration de données en tant que nouveau service de base de données, en utilisant une approche appelée « explorer par exemple ». Notre nouveau système est conçu pour aider l'utilisateur à effectuer une exploration de données très efficace tout en réduisant l'effort humain dans le processus. Nous avons posé le problème de l'exploration par l'exemple dans un cadre d'« apprentissage actif » fondé sur des principes. Cependant, l’apprentissage actif traditionnel souffre de deux limitations fondamentales : une convergence lente et un manque de robustesse face au bruit des étiquettes. Pour surmonter les problèmes de convergence lente et de bruit d'étiquette, nous appliquons les propriétés de classes importantes de requêtes de bases de données à la conception de nouveaux algorithmes et d'optimisations pour l'exploration de bases de données basée sur l'apprentissage actif. Les résultats de l'évaluation utilisant des ensembles de données du monde réel et des modèles d'intérêt des utilisateurs montrent que notre nouveau système, à la fois dans le cas sans bruit et dans le cas du bruit d'étiquette, surpasse considérablement les techniques d'apprentissage actif et les systèmes d'exploration de données de pointe en termes de précision tout en atteindre l'efficacité souhaitée pour l'interactivité exploration des données.
Domaines
Informatique [cs]
Fichier principal
Efficient and Robust Active Learning Methods for Interactive Database Exploration.pdf (2.71 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
