本研究提出了一种基于任务感知的变分对抗主动学习算法，实现了数据分布的统一性以及有目标地从未标记数据中查询最具信息量的样本。该算法在各种基准数据集上表现优异，适用于分类和语义分割任务。
Feb, 2020
该研究发展了一种基于半监督极小极大熵的主动学习算法，通过同时利用不确定性和多样性来选择最具代表性的样本，从而在图像分类和语义分割任务中表现优于现有的技术。
Dec, 2020
本文介绍了一种新的多模态变分对抗主动学习方法，通过使用来自辅助信息的额外模态来增强主动采样，在医学图像分析等诸多领域中具有广泛应用价值。
Jun, 2023
本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。
Jun, 2019
本研究提出了一种新的主动学习策略，利用对抗性样本逼近决策边界来最小化训练过程中从神经网络的标注查询次数，实验证明这种方法加速了 MNIST、Shoe-Bag 和 Quick-Draw 数据集上的卷积神经网络收敛速度。
Feb, 2018
我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。
May, 2019
本文介绍了一种高效的主动学习方法，它结合了敌对再训练技术，可以生成更多的人工标注数据集而不增加标注预算，产生的敌对样本也提供了一种测量模型易受攻击的方式。作者在减小的 CIFAR-10 数据集上对其性能进行了充分评估，得出该方法有效对抗恶意袭击的结论。
Jan, 2021
该研究提出了一种针对深度神经网络的主动学习技术，使用一个单独的网络对样本进行评分选择，提高模型对错标记的容忍度，同时通过自监督和多任务学习等方法缓解数据不足的问题。
Oct, 2020
本文提出了基于状态重标记的对抗主动学习模型（SRAAL），利用注释和标记 / 未标记状态信息为模型提取最具信息量的未标记样本，实验结果表明该模型超过现有主动学习算法，并且初始采样算法也取得了更好的效果。
Apr, 2020
提出了一个不确定性 - 多样性的结合框架：Virtual Adversarial Perturbation for Active Learning（VAPAL），使用虚拟对抗扰动作为模型不确定性表示，其一直表现出色或甚至更好，为理解句子任务提供了一个潜在的主动学习选择。
Oct, 2022