网络流量分类的主动学习：技术研究
本文介绍了一种基于主动学习框架（ALF）的网络流量分类方法，它提供了准备好的软件组件，用于部署主动学习循环和自动维护数据集和机器学习模型的实例。该方法可应用于高速网络（100Gb/s），支持不同的注释、评估和数据集优化策略的研究实验。
Oct, 2022
该研究提出了一个利用主动学习框架从实时收集的数据中，对自动驾驶车辆进行正确分类的方法，该方法通过有效处理贫乏且嘈杂的数据，并在数据质量和多样性之间进行权衡，从其他车辆接收的信息以及有关自身传感器的信息进行数据分析，从而实现高准确度的分类，而该方法相比其他现有的解决方案，具备数据传输带宽要求低的优势。
Feb, 2020
本文介绍了无线通信中深度学习应用的主动学习算法，通过在无标签数据集中识别关键和信息量最高的样本，仅对这些样本进行标记，从而减少标注开销并保持与传统训练相同的准确性。在深度学习基于毫米波波束选择的案例研究中，我们对多模态数据集进行了不同主动学习算法的性能评估，结果表明，在存在类别不平衡的数据集上，使用主动学习算法可以将标注开销降低 50%。
Jan, 2024
本研究探讨主动学习策略在降低时序分类任务中所需标记数据数量方面的应用，通过提出一种新的类平衡实例选择算法，有效地解决了不平衡时序数据集中的分类性能和实例选择偏差问题，并在触觉纹理识别和工业故障检测领域证明了该方法的有效性。
May, 2024
本文提出了一种使用信息论技术进行主动学习的算法，旨在根据网络拓扑结构和节点标签的联系，选择最能准确预测其他节点标签的子集节点，以便在不知道节点标签的情况下对所有节点进行标注预测，并在社交网络、英语小说中出现的单词以及海洋食物网络中的三个不同领域的网络上进行了测试。
Sep, 2011
主动学习是一种在人工智能时代之前就存在的机器学习算法家族，与传统方法相比，利用未标记的样本通过专家的标注来优先选择最具信息量的样本，从而提高模型性能。本文介绍了主动学习的理论，涵盖不同领域的最新进展，并探讨了主动学习与量子机器学习的潜力。
Jul, 2023
本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。
Jul, 2020
利用机器学习方法，该研究介绍了一种高级网络流量分类系统，能够实时分析网络流量并识别各种网络服务类型。通过对网络流量中的模式进行分析，我们的方法将相似的网络流量归类为不同的网络服务，并将流量分解为多个小的流，每个流专门用于承载特定的服务。我们的机器学习模型基于包含不同网络服务类型的标记示例的数据集进行训练，并在评估中展现了出色的准确性。这些结果强调了将人工智能集成到无线技术中的巨大潜力，通过这种方法可以实现更高效的能源消耗、提供更好的服务质量保证以及优化网络资源的分配，为先进智能网络的发展打下坚实的基础。
Oct, 2023
介绍了一个基于深度学习的 Traffic Classification 框架，讨论了常见的深度学习方法及其在 Traffic Classification 任务中的应用，探讨并解决了深度学习方法中的开放性问题和挑战。
Oct, 2018