通过训练神经网络学习搜索的策略，我们研究了在稀缺、有价值类别中进行主动搜索的问题，并使用模仿学习技术模拟专家的策略，实现了具有竞争性性能的低成本搜索策略。
May, 2024
采用贝叶斯决策理论，通过选择自然效用函数，我们派生了两个活动二分类问题的最优策略，包括主动搜索和主动调查，并通过一项新颖的理论结果，证明了较少缺乏远见的近似可以超过任意程度的较多远见的近似，并推导出对于某些模型的边界，允许我们在仍然确保做出最优决策的情况下，减少（在实践中极大地）朴素实现最优策略所需的指数搜索空间，从而实现更多前瞻性。
Jun, 2012
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
为了解决高维数据下基于高斯过程的多保真度主动学习不易扩展以及传递误差的问题，我们提出了一种基于解缠混淆的深度贝叶斯学习框架，可以在多个保真度下学习代理模型的分布函数。
May, 2023
研究使用两种不同的神谕 (标签和搜索) 进行主动学习，证明了使用两种神谕的算法可以比仅使用标签神谕获得指数级的问题依赖性改进。
Feb, 2016
本文介绍了三种高效的主动搜索策略，通过改变模型的一部分参数进行一定的参数优化，从而有效地解决机器学习中的组合优化问题。
Jun, 2021
本文提出一种基于新的优化问题的主动学习算法，在流式环境下，可有效地解决任何分类器表示和分类问题，且具有高效实现的特点，并证明了该算法比现有的所有满足前两个特点的算法更为优秀，并对所有高效的主动学习算法进行了第一次实验分析，评估了它们在不同场景下的优劣。
Jun, 2015
本文提出了一种可靠和可扩展的实现来重新评估现有主动学习策略的数据集，通过重新评估实验，我们不仅纠正了现有基准测试中的配置错误，还揭示了模型兼容性等问题。我们经验突出了把研究努力奉献给重新评估现有基准测试以产生更可信结果和深入洞察的重要性。
Jun, 2023
设计了一种用于成本敏感分类的通用非参数主动学习算法，通过构建每个标签的预测成本函数的置信区间，该算法选择最具信息量的向量点，通过仅查询可能是最小的预测成本来与其交互，证明了该算法在与向量空间的交互数量方面达到了最优收敛速率，并且在对 Tsybakov 的噪声假设的一般版本中，通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益，并且通过提供匹配的（仅差对数因子的）下界证明了获得上界的接近最优性。
Sep, 2023
本研究开发了一种基于支持向量分类的基础池式主动学习器的快速简单的实践方法，旨在解决很少标记数据点的情况下进行模型选择的挑战，并通过加权方法让模型在易于分类数据集和难以分类数据集之间取得平衡的最佳性能。
Dec, 2021