本文提出了一种基于贝叶斯层次模型的动态平衡勘探和利用之间权衡的方法，并基于特征空间中数据样本的线性相关性，形成了一个近似贝叶斯计算方法，以从贝叶斯层次模型获得权衡参数的后验分布中进行抽样。模拟和真实世界的例子表明，与纯勘探和利用策略相比，所提出的方法至少可以获得 6% 和 11% 的平均改进，更重要的是，我们注意到通过优化极具平衡勘探和利用之间的权衡，我们的方法表现更好或至少与纯勘探或纯利用一样好。
Apr, 2023
提出一种基于困惑度的图形构建和一种新的分层子查询评估算法来推广预期误差降低标准的潜力的方法，使得我们不浪费提供培训标签的人类专家的时间，从而构建高效的主管式和半监督物体分类器。
Apr, 2015
该论文研究了主动学习中困难的预测模型选择问题，并提出一种基于模型探针（model probes）的方法 Biased-Robin Algorithm，能够在相同成本和先验概率下有效地选择模型。
Jul, 2012
提出一种在线主动探索算法，能够高效地从数据中学习环境的抽象符号模型，并采用贝叶斯模型引导其未来的探索。通过两个计算机游戏领域的实验验证，证明该算法优于随机和贪婪的探索策略。
Sep, 2017
提出了一种名为 BigLearn-EM 的算法，通过模拟实验证明了其在处理混合模型中的局部最优问题方面的有效性和优势。
Dec, 2023
基于深度强化学习的框架可自动配置和调整探索 - 利用平衡 (EET)，以提升进化计算算法的性能和泛化能力。通过在 CEC2021 基准上进行实验证明，在多个问题类别、维度和种群规模上，该框架显著改善了现有算法的性能，并提供了对 EET 问题的深入分析。
Apr, 2024
提出了一种基于贝叶斯估计的增加严格适当得分的方法 BEMPS，用于在主动学习中估计严格适当得分的增加，该方法在实验证明了其较其他方法更强大和更具鲁棒性，并通过定性分析得到了支持。
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
对一种贪心主动学习算法的期望成本进行了分析，如使用标签成本的活跃学习，适用于多类和部分标签查询的活跃学习，以及批处理模式的活跃学习。
May, 2009
本论文提出了一种基于梯度嵌入和预测校准的主动学习方法 Ask-n-Learn，结合数据扩增缓解伪标注期间的确认偏差，通过对基准图像分类任务（CIFAR-10，SVHN，Fashion-MNIST，MNIST）的经验研究，证明了该方法优于最近提出的 BADGE 算法等现有基线。
Sep, 2020