主动学习和强化学习有什么区别？

Question

维基百科：

主动学习是机器学习的一种特例，在这种情况下，学习算法可以交互地查询用户(或其他一些信息源)，用期望的输出标记新的数据点。强化学习( Reinforcement，RL)是机器学习的一个领域，它关注的是软件agents应该如何在环境中采取行动，以最大化累积报酬的概念。

如何区分他们？确切的区别是什么？

Answer 1

主动学习是一种应用于监督学习设置的技术。在监督学习范式中，通过提供输入和预期输出(标签)来训练系统。该系统学习模拟培训数据，理想地将其推广到不可见但可外推的情况。主动学习通常应用于获取标签昂贵的情况下，因此我们动态地获得新的标签，定义了一种算法策略来最大化新数据点的有用性。

强化学习是一种不同的模式，我们没有标签，因此不能使用监督学习。而不是标签，我们有一个“强化信号”，告诉我们“有多好”的系统目前的输出正在接受培训。因此，在强化学习中，系统(理想的)学习策略，以获得尽可能好的回报。

Answer 2

主动学习是基于这一概念的，如果一个学习算法能够选择它想要学习的数据，它可以比传统的训练数据少得多的方法取得更好的效果。这是一种半监督的机器学习。

强化学习是一种机器学习技术，它使agent能够在交互环境中通过尝试和错误学习，利用自身的行为和经验反馈。它以奖惩机制为基础，既可以是主动的，也可以是被动的。

在被动RL的情况下，代理人的策略是固定的，这意味着它被告知该做什么。与此相反，在active RL中，代理需要决定要做什么，因为它没有固定的策略可以执行。因此，被动RL agent的目标是执行固定策略(动作序列)并对其进行评估，而主动RL agent的目标是执行和学习最优策略。

因此，主动学习更像是一个概念，RL是解决问题的一种方法，如本纸所示。

参考文献：

• 主动学习
• 强化学习