在大型语言模型时代，我们提出了创新的协作学习框架 FreeAL，通过与 LLMs 交互式提取和过滤任务特定知识，显著提高了 SLM 和 LLM 的零样本性能，无需人工监督。

Nov, 2023

使用可复现的主动学习评估框架来比较评估自然语言处理中的主动学习策略，并通过定义和跟踪实验参数，帮助实践者作出更明智的决策，同时帮助研究者开发出新的高效主动学习策略和制定最佳实践，从而降低注释成本。

Aug, 2023

本研究提出了一种在法律领域内使用主动学习与预训练语言模型的管道，其中利用了三个阶段的未标记数据，通过知识蒸馏引导模型的嵌入到一个语义上有意义的空间，并提出了一种简单而有效的策略找到初始的标记样本，实验表明相比传统方法在数据标注成本上更为高效且性能更好。

Nov, 2022

该论文研究了一个名为 WOLFIE 的系统，该系统从配对有语义表示的句子语料库中获取语义词汇表，该词汇表由短语和意义表示配对组成，并且可以缩放到更大和更困难的语料库中，同时还表明了活跃学习具有在自然语言任务中大量降低注释所需数量的能力。

Jun, 2011

提出了一种专家循环训练框架 ALICE，它利用对比的自然语言解释来提高学习的数据效率，通过提取和动态更改学习模型的结构来应用于鸟类物种分类和社会关系分类两个视觉识别任务中，验证结果表明，相较于使用 40-100% 更多的训练数据的基线模型，应用对比解释后的模型效果更加出色，而添加一个解释获得的性能增益与添加 13-30 个标记训练数据点的性能增益相当。

Sep, 2020

我们提出了一种新颖的交互式多保真度学习（IMFL）框架，用于在有限标注预算下以低成本开发小型领域特定的大语言模型，通过平衡低保真度自动标注和高保真度人工标注之间的最佳获取策略，杂质高显学习先进医学和金融任务，在有限的人工标注预算下，IMFL 比人工标注基线在所有四个任务中表现出更好的性能，其中两个任务的性能接近人工标注。

Oct, 2023

在这项研究中，我们提出了一种主动少样本学习框架，名为 Myriad Active Learning（MAL），该框架利用对无标签数据的自我监督处理和聚类知识作为激活主动学习循环的基础，并通过优化编码器上的浅层任务网络来改善伪标签的生成和主动学习查询选择过程，进而减少样本的冗余性，并且在两个公共组织病理学数据集上的广泛实验证明，MAL 相较于之前的方法具有更高的测试准确性、宏 F1 分数和标签效率，并且能在只对数据集的 5% 进行标注的情况下达到与完全监督算法可比的测试准确性。

Oct, 2023

该研究提出了一种新的主动学习框架，通过加入自然语言解释生成模型，实现在低资源条件下减少标签和解释注释的人工成本，并提升了决策方案生成的效果。

May, 2023

本文介绍了一种新型迭代式快速文本分类模型训练平台 FASL，将 few-shot learning 和 active learning 两种方法相结合，探究了哪种主动学习方法在 few-shot setup 中的效果最佳，还开发了一个模型来预测何时停止标注。

Apr, 2022

本文探讨了利用基于事实一致性评估模型的数据过滤和控制生成两种方法来改善跨语言自动摘要的结果，针对语义幻觉生成的问题在提高多语言自动摘要性能方面取得了较好的结果。

Dec, 2022