通过在线化算法实现积极回归问题的解决，利用较少的标签查询，实现收到的数据点的回归，提出新的算法解决问题。
Jul, 2022
我们提出了一种新的主动学习算法，针对参数化线性回归。我们提供了在一般分布下错配模型的有限样本收敛保证。我们的主动学习者可证明能够改善被动学习者。我们的主动学习者通过分层技术接近最优风险，使用分段常量逼近实现最优风险对于分布的先前知识来实现。
Oct, 2014
通过使用硬阈值化的新颖变体，本文提出了一种快速的鲁棒估计器，可以有效地解决使用响应变量损坏的鲁棒线性回归问题，并通过应用于不同的扰动模型，展示了其估计能力的稳健性。
Mar, 2019
本文旨在设计一个在线学习算法，使其具有次线性失望成本并且具有计算效率，以适应在线稀疏线性回归问题。通过利用数据矩阵满足受限等距性质的假设，针对两个问题变体，证明了这个假设可以导致计算效率高的在线学习算法。第一个变体中，真实标签根据带有加性高斯噪声的稀疏线性模型生成，而在第二个变体中，真实标签由对手选择。
Jun, 2017
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
本文介绍了在学习增强的在线算法中使用回归技术来预测未来输入参数的方法，并在广义滑雪租赁、装箱问题、最小完成时间调度等一般在线搜索方案的背景下探讨了这种方法。通过在设计回归问题的损失函数中结合在线优化基准，我们显示了这种回归问题样本复杂度的近似上下界，并将我们的结果扩展到了不可知设置。
May, 2022
本研究提出了一种方法，通过减小样本复杂度，提高了各种曲线拟合问题包括线性回归、多项式回归和连续稀疏傅里叶变换的活性学习中的解的精度。
Nov, 2017
本文提出了一种新的基于数据驱动的主动学习方法，该方法将问题选择过程描述为回归问题以学习基于以前经验的策略，具有广泛的适用性。
Mar, 2017
该论文提出了两种基于贪心采样的主动学习方法，一种选择增加输出空间中的多样性，另一种选择增加输入和输出空间的多样性，经过大量实验验证在各种领域的数据集和驾驶员昏沉感估计中都具有很好的效果和鲁棒性。
Aug, 2018
该文针对主动覆盖问题，借助支持向量估计器等算法在无标签数据集上提出了在少量标签查询即可完成标记所有阳性样本的主动学习方法，并证明该方法在图像数据集等基准测试中取得了相对优于离线方法和基线算法的效果。
Jun, 2021