医学图像分割是医学图像分析中的关键任务。近年来，基于深度学习的方法在完整注释数据集上训练时展现出出色的性能。然而，数据注释往往是一个重要的瓶颈，特别是对于 3D 医学图像。主动学习是一种有效注释的有希望的解决方案，但需要一组初始标记样本来开始主动选择。当整个数据池是无标签的时候，我们该如何选择样本作为初始集合进行注释？这也被称为冷启动主动学习，只允许一次向专家请求注释而无法获得先前已注释数据的访问权限。冷启动主动学习在许多实际场景中都非常相关但却鲜有深入探讨，特别是对需要大量注释工作的 3D 医学分割任务来说。在本文中，我们通过在公开的医学分割 Decathlon 数据集中评估六种冷启动主动学习策略上的五个 3D 医学图像分割任务来提出了一个名为 COLosSAL 的基准测试。我们进行了详尽的性能分析并探讨了冷启动主动学习的一些重要问题，如不同策略对预算的影响。我们的结果表明，对于 3D 分割任务而言，冷启动主动学习仍然是一个未解决的问题，但也观察到了一些重要的趋势。我们公开提供了完整基准测试的代码存储库、数据划分和基准结果。

Jul, 2023

该研究提出了一种新的主动学习策略，专门解决大量无标签数据的分类初始化问题，同时处理不平衡的上下文，通过使用元素分数结合从聚类结构提取的信息到标签传播模型来解决标签稀缺和不平衡问题。以 Twitter 内容注释为例，该方法有效地处理了类别不平衡问题，提高了少数类样本的召回率。

Jan, 2022

使用 BERT 预训练模型，通过最小化蒙版语言模型损失，实现在减少样本采样迭代和计算时间的同时，更高效地减少文本分类标注成本。

Oct, 2020

本文提出了一种新方法，基于半监督学习、自监督学习、聚类和流形学习技术解决了冷启动或无监督选择标签问题，该方法在选择信息图像的子集进行标记时取得了良好的结果，通过我们的标签选择策略在 CIFAR10，Imagenette， DeepWeeds 和 EuroSAT 等公开数据集上进行测试，与随机采样相比，采用我们的标签选择策略使用时，监督和半监督学习策略的性能都有所提高，相比文献中的其他方法，对于所考虑的数据集，我们也获得了更好的性能。

May, 2023

在本篇论文中，我们提出了一种结合活跃学习与商品属性信息的新型冷启动推荐方法，该方法基于商品属性和用户的评价历史设计了有用的用户选择标准，并将该标准组合成选择用户的优化框架。通过利用反馈评分、用户先前评分和商品属性，我们为其他未被选中的用户生成准确的评分预测。实验结果表明，我们的方法优于传统方法。

May, 2018

深度学习在面部表情识别方面发挥了重要作用，但标记数据获取需要巨大人力和财力投入，研究发现已有的主动学习方法在面部表情识别上表现不佳，为解决该问题，提出了对比自监督预训练方法，通过两步骤的方法，相较于随机采样提高了 9.2% 的准确度。

Jul, 2023

基于 BaSAL 方法，通过采用基于大小的采样和热启动，我们成功改善了初始模型的性能，实现了与在整个 SemanticKITTI 数据集上训练相媲美的表现，尽管只使用了 5% 的注释，超过了现有的主动学习方法。在 nuScenes 上，我们也与现有最先进的主动学习方法相匹配。

Oct, 2023

本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

May, 2022

本研究提出了一种在冷启动环境下具有鲁棒性的自动语音评分框架，使用自我监督学习方法，通过使用提示嵌入、问题上下文嵌入和预训练语音模型等方法解决了冷启动问题，并在评价已知内容方面优于基线。

Jun, 2023

该论文提出了简单而高效的方法来减轻主动学习中的采样偏差，同时实现最先进的精度和模型鲁棒性。通过引入有监督对比主动学习和选择具有多样的特性表示的信息性数据样本的无偏查询策略，我们的方法：SCAL 和 DFM，实验表明，所提出的方法降低了采样偏差，在主动学习设置中，查询计算速度比基于贝叶斯的对抗式学习快 26 倍，比 CoreSet 快 11 倍。所提出的 SCAL 方法在对抗性数据集转移和预测真实分布方面具有显着的优势。

Sep, 2021