本文研究了基于池化的主动学习方法，提出了一种新的算法，使用神经网络在表征层上的激活空间中的最远优先遍历，从池中查询连续的点，相比于随机抽样和传统的不确定性抽样技术，对 MNIST、CIFAR-10 和 CIFAR-100 三个数据集的样本复杂度都有显著提高。

Nov, 2017

提出一种新的批次模式主动学习算法 —— 判别式主动学习法（DAL），并将其应用在神经网络和大批次查询的情境中，尝试通过将标记集合和未标记的数据池区分开来作为选择样本的依据来执行主动学习，结果表明我们的方法在中等和大批次查询中与最先进的方法相当，并且在实现简单的同时还可以扩展到除分类任务之外的其他领域，同时，我们的实验还表明在相对较大的批次中，当批量大小较大时，当前现有的最先进方法均不比不确定性采样明显更好，从而推翻了一些最近文献中报道的结果。

Jul, 2019

通过改进深度学习模型的标签和训练效率，此研究旨在增强深度学习的实用性。具体地，研究基于信息论原理的数据子集选择技术，包括主动学习和主动采样，其中主动学习提高了标签效率，而主动采样增强了训练效率，并系统研究了这些技术在深度学习中的应用。

Jan, 2024

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

该研究提出了一种基于最小不一致度量的主动学习方法，通过计算预测标签的最小不一致概率来选择查询无标签数据，实验结果表明该方法在多个数据集和深度架构上均获得了领先的性能。

Jan, 2024

本文研究了主动学习深度神经网络，并提出了一种新的主动策略，该策略能够在学习过程中搜索有效的架构，同时使用三种已知的查询技术（softmax response，MC-dropout 和 coresets）进行应用，结果表明该方法在固定架构的主动学习方面表现出显著的优势。

Nov, 2018

通过全面评估当前最先进的深度主动学习方法，我们的研究发现在一般情况下没有单一模型的方法能显著超越基于熵的主动学习方法，甚至一些方法还不如随机抽样。我们深入研究了常常被忽视的方面，如初始预算、预算递增步长和预训练的影响，并揭示了它们在实现卓越结果上的重要性。此外，我们还将评估拓展到其他任务，探索了将主动学习与半监督学习和目标检测相结合的有效性。我们的实验提供了有价值的见解和具体建议，为未来的主动学习研究做出了贡献。通过揭示当前方法的局限性，并理解不同实验设置的影响，我们旨在启发在有限注释预算的现实场景下更高效地训练深度学习模型。这项工作有助于提高主动学习在深度学习中的效果，并使研究人员在应用主动学习时能做出明智的决策。

Mar, 2024

本研究提出了一种通过使用生成式对抗网络 (GAN) 实现的新型主动学习方法，通过根据不确定性原理生成查询来增加学习速度，我们的方法可以与其他主动学习原理一起使用；我们报告了各种数值实验的结果以证明所提出的方法的有效性。在某些情况下，该算法的效果优于传统的基于池的方法。据我们所知，这是第一个使用 GAN 实现的主动学习方法。

Feb, 2017

通过评估一组查询策略，在人体姿势估计应用中，通过两种方法（离线方法和基于知识蒸馏的在线评估）评估训练过程中所选择的帧对训练结果的影响，证明了在实时场景中有效地将边缘轻量级模型适应于新环境的训练的可能性。

Sep, 2023

本文是一项关于视觉问答中主动学习的实证研究，聚焦于使用深度 VQA 模型从一个池中选择有信息量的问题 - 图像对，通过与贝叶斯神经网络框架下快速有效的目标驱动主动学习评分函数，最大限度地提高性能，针对三种不同的主动学习方法进行研究评估，结果表明，本文提出的目标驱动评分函数表现最佳。

Nov, 2017