本文介绍了一种新的样本效率模型评估框架 —— 主动测试，通过精心选择要标记的测试点，以充分利用样本，解决了现有文献大都忽略了标记测试数据的成本，从而导致模型评估与实际应用的脱节的问题，在理论上建立了基于目标的获取策略并做了进一步的改进，以消除引入的偏差并在相同时间内降低估计方差。

Mar, 2021

通过理论证明，我们提出了一种近正交基函数类及与之相关的算法，证明了主动学习算法不需要正交基，只需近乎正交基即可，从而减少标记数据的数量，并提高机器学习性能。

Jun, 2023

为了解决现有远程监督关系提取方法中测试集质量低导致的评估偏差问题，本文提出了一种名为主动测试的新型评估方法，通过利用嘈杂的测试集和一些人工注释，可以为远程监督关系提取器提供几乎无偏的评估。在广泛使用的基准测试中，实验表明我们提出的方法可以为远程监督关系提取器提供几乎无偏的评估。

Oct, 2020

本研究致力于解决在大型带噪数据集上扩大模型评估规模的问题，并采用主动测试框架，有效查询用户，以最小化审核，测试两种常见计算机视觉任务的性能指标，并表明该方法比其他评估协议更具稳健性，并能节省显着的人工标注工作量。

Jul, 2018

提出使用互信息测量方法的主动学习模型，使用 Bayesian linear basis functions 模型，在训练聚合数据的回归模型时减少标注集的成本，并实现更好的预测性能。

Oct, 2022

提出一种基于统计学习框架的主动学习算法，能够高效地处理随机分类噪声和差分隐私，且可将其转换为能容忍分类噪声的主动学习算法，同时也实现了用指数级别的误差提高标签节约的差分隐私主动学习算法.

Jul, 2013

我们研究了在主动学习过程中使用区域查询的复杂度与查询数量之间的权衡关系，并通过设计 VC 维度相关的查询方法来有效地学习。对于特定的假设类别，我们展示了更强的结果，包括计算效率和对未知数据集的适应性。

May, 2024

研究 PAC 学习模型下，哪些函数类别可以被测试得比学习更高效的问题，发现 VC 维度本身并不能始终提供紧密的边界，但可以与其类似的 LVC 维度相结合，获得强大的下限，进而在测试区间并集、半空间、多项式阈值函数、决策树等方面获得了强大且几乎最优的下限，同时表明 Juntas 和单调函数是可以通过多项式样本测试的。此外，通过 VC 维度和属性测试之间的联系，还建立了测试半径聚类和测试线性约束系统可行性的新下限。

Dec, 2020

在学习分布转移的基本问题中，我们提出了一个新模型，称为可测试学习，可以通过一个相关的测试来得到分类器在测试分布上的性能证明，并证明了对于一些常见概念类别如半空间、半空间的交、决策树等，以及具有低次 $L_2$- 夹逼多项式逼近器的任何函数类别都可以在这个模型下学习。

Nov, 2023

本论文提出了一种多视角主动学习方法 Co-Testing，能够在实际的领域中优于现有的方法，其中扩展了多视角框架，利用了弱视图进行更一般 / 特定概念的学习。

Oct, 2011