主动自适应学习的成本效益和渐进式人脸识别
本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。
Jan, 2017
本研究证明了自适应学习（Self-paced learning）中的求解策略符合最大化最小化算法的实现方法，并发现其中包含的损失函数类似于统计学和机器学习中已知的非凸正则化惩罚（NSPR），如 SCAD、LOG 和 EXP。通过这些发现，揭示了在弱标记大规模数据处理任务中，本文设计的组偏序损失先验对 SPL 的有效性具有重要贡献且达到了业界最优效果。
Nov, 2015
该论文提出了一种名为分布式自适应学习（DSPL）的方法，该方法可以对大规模数据集进行优化，解决了传统自适应学习在并行计算中无法处理的问题。该方法在合成数据和真实数据上进行了广泛实验，证明了其在实践中的优越性。
Jul, 2018
本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。
May, 2022
通过 Positive Active Learning 策略，可以扩展自我监督学习（SSL）到在线学习，半监督和监督学习。该框架可嵌入先验知识并提供主动学习框架，从而实现低成本对数据集的注释。
Mar, 2023
本文提出了一种新的主动学习框架，通过选择一批典型样本和一组信息帧进行视频分类，以减轻人工注释员的负担。通过不确定性和多样性来确定信息化的视频，并利用代表性采样技术从每个视频中提取一组样本帧。
Jul, 2023
本文基于自适应学习的思想，针对目前对象检测的弱监督情况，提出了一种基于深度神经网络架构的自适应学习策略，并在 Pascal VOC 2007、Pascal VOC 2010 和 ILSVRC 2013 数据集上得到了最先进的实验结果。
May, 2016
本论文研究了一个新的自适应学习方法 —— 自适应隐式规则化器，并提出了用于该方法的通用框架。该框架使用基于凸共轭理论的隐式损失函数学习最小化函数，从而能够更好地权衡避免过拟合和学习难度逐渐加大之间的关系。同时，研究还发现该方法与半二次优化方法的关系，并通过实验验证了其正确性和有效性。
Jun, 2016