提出了一种基于非参数估计的回归函数的主动学习算法，并对其在广泛的基础分布类上可达到的推广误差收敛速率提供了概率界限，同时证明了最小化下限，展示了获得的速率几乎是紧密的。

Apr, 2011

提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。

Sep, 2018

本研究提出一种基于贝叶斯批量主动学习方法来解决大规模监督模型中标签获取成本高的问题，从而利用大量未标记数据来改善模型性能。此方法通过逼近模型参数的完整数据后验概率，并使用随机投影技术来推广到任意模型，从而使批处理的数据选择更加多样，有效降低了计算复杂度，并在多个大规模回归和分类任务上得到了证实。

Aug, 2019

通过使用预测熵计算信息增益，我们提出了一种方法来优化高斯过程分类器的主动学习，同时也将其扩展到高斯过程偏好学习，相比其他主动学习和决策理论方法，我们的方法可以在相等或更低的计算复杂度下获得相同的实验性能。

Dec, 2011

本文研究了高斯过程状态空间模型的主动学习。通过决定其输入，我们可以通过 GPSSM 最优地学习系统的潜在状态，以便选择最具信息量的输入。我们提出了两种逼近潜在状态下 GPSSM 的互信息的方法，并在多个物理系统中进行了评估。

Jul, 2021

这项工作介绍了 Dirichlet 主动学习（DiAL），一种灵感来自贝叶斯的主动学习算法设计方法。我们的框架将特征条件类概率建模为 Dirichlet 随机场，并在相似特征之间提供观测强度以校准该随机场。该随机场可以在学习任务中使用：特别是在标签数据稀缺的情况下，我们可以利用当前的均值和方差估计进行分类和主动学习。我们通过基于图拉普拉斯矩阵的 `` 传播算子 '' 构建了这个模型在低标签率图学习中的适用性，并通过计算实验证明了该方法与最先进技术的竞争力。最后，我们提供了关于这种方法在保证探索和开发能力方面的严格保证，分别以群簇探索和对决策边界的关注增加为表达。

Nov, 2023

本文提出了一种快速的近似在线半监督学习算法，通过图的近似解决谐波方程，收缩近邻点得到局部代表点最小化畸变，使用这一算法在人脸识别和光学字符识别任务中取得了较好表现并得到了可证明的性能上限。

Mar, 2012

本文提出了一种新的并行图学习框架 (PG-learn)，具有基于梯度的优化边缘权重和自适应资源分配方案的并行超参数搜索算法，能显著提高图构建的准确性和高效扩展到高维问题。

Sep, 2019

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

提出一种基于统计学习框架的主动学习算法，能够高效地处理随机分类噪声和差分隐私，且可将其转换为能容忍分类噪声的主动学习算法，同时也实现了用指数级别的误差提高标签节约的差分隐私主动学习算法.

Jul, 2013