本研究研究了主动学习在网络流量分类中的适用性，通过减少需要标记的示例数量来提高机器学习算法的分类准确性，结果表明，主动学习可以在处理较少数据时实现高准确性的网络流量分类。

Jun, 2021

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

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

探索了将主动机器学习与 6G 网络集成的研究，该领域尚未得到充分探索，但具有潜力。与被动机器学习系统不同，主动机器学习可以与网络环境进行交互，并通过选择信息丰富、具代表性的数据点进行训练，从而减少所需的数据量并加速学习过程。此外，还探讨了生成人工智能和主动学习之间的协同作用，以克服主动学习和生成人工智能方面的现有限制。通过一个毫米波传输速率预测问题的案例研究，演示了主动学习在 6G 网络中的实际好处和性能改进。此外，还讨论了主动学习对于众多 6G 网络用例的潜力，包括提高计算效率、数据标注和采集效率、适应性和整体网络智能性。最后，探讨了主动学习在 6G 网络中的挑战和未来研究方向，包括开发新的查询策略、分布式学习集成，以及人机协同学习的加入。

Jun, 2024

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

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

提出了一种基于主动学习的框架，通过分析软件源代码的 AST 图表征来进行软件性能预测，从而实现支持回归任务的任意查询策略并提高 AI 模型的性能。

Apr, 2023

本文评估深度学习技术在网络流量分类中对抗网络攻击的鲁棒性，通过三种不同类别的攻击方法注入通用对抗扰动，发现即使注入微小的扰动也能显著降低深度学习技术在包分类、数据包内容分类和时间序列分类中的分类性能。

Mar, 2020

本研究旨在证明在相同实验条件下，不同类型的主动学习算法（基于不确定性、多样性和委员会的），与随机采样基准相比，产生的收益不一致，这种性能度量的差异性可能导致结果与以前报告的结果不一致，强正则化下，主动学习方法在各种实验条件下显示出微小或无优势，并提出一套关于如何评估主动学习算法的建议，以确保结果在实验条件变化下具有重复性和稳健性。

Feb, 2020

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