本文探讨了机器教学的逆问题，提出了一种新的范例，即学习者使用迭代算法，教师可以根据学习者当前的表现顺序地、智能地提供示例。它着重于实现学习者模型的快速收敛，可以通过设计教学算法减少教学示例并比没有教师进行教学的学习实现更快的收敛。

May, 2017

本文介绍一种名为 “学习教学” 的方法，它利用两个智能代理相互交互：一个学生模型和一个教师模型。教师模型利用学生模型的反馈来优化自己的教学策略，以达到教师和学生的共同进化，并在各种机器学习任务下通过使用深度神经网络等模型来展示这一方法的实用价值。

May, 2018

本文研究了机器教学的问题，针对教师在教授目标概念时需要面对学生初始状态和学习速度的多样性，证明了当教师掌握学生学习动态时，使用 O (min {d,N} log (1/eps)) 个样本就能够教授整个班级，同时研究了限制条件下的教学策略可行性和教师成本与学生负担之间的平衡关系，实验结果验证了理论分析和提出的分组教学策略。

Nov, 2018

利用大型语言模型作为零射击学习器的模块化人工智能代理的鲁棒性和性能可以通过迭代式机器教学方法提升，该方法通过有限的人类反馈在时间上训练人工智能代理，从而解决零射击学习的质量限制，并利用初始部署的数据和零射击学习器的输出或注解来训练更小且任务特定的替代模型，从而降低经济成本和环境影响。在三个与对话式人工智能代理相关的任务上的结果表明，在任务的复杂性和零射击学习器的性能决定下，仅对数据集的 20-70% 进行监督就可以实现接近理想结果的性能。

Jan, 2024

本文探讨了机器教学的问题，提出了基于马尔可夫决策过程的序列教学问题。通过研究多臂老虎机学习器的模拟实验和用户研究，探究了教学规划和学习者具有教师模型两种方法对于学习效果的影响，分别从学习者的角度和教师的角度考虑互动智能系统的策略行为，提供了新的研究方法。

Sep, 2018

本文介绍了一种跨空间机器教学的方法，提出了主动查询学习者的机制以提高收敛速度，并比较了不同教师模型的实验验证结果。

Oct, 2017

本文探讨了机器教学的范式转变，并提出将与机器学习算法有关的知识与教学过程进行脱耦，以加速创新和赋能数百万新的机器学习模型应用。

Jul, 2017

本研究使用深度神经网络和度量学习的思想，建立了一种学习新概念的框架，从而不需要微调以适应新的类别类型，并在视觉和语言任务中定义了一次性学习问题，实验结果表明，在 Imagenet 数据集上，准确率从 87.6% 提高到 93.2%，在 Omniglot 数据集上，准确率从 88.0% 提高到 93.8%。

Jun, 2016

本文旨在提出一个元学习框架，称之为一次学习，实现机器人从极少量的演示中学习，并即刻推广到相似的其他任务中。

Mar, 2017

提出了一个针对贝叶斯模型学习者的最优教学框架，旨在平衡学习者未来损失和教师努力的优化问题，此优化问题在一般情况下很难，但在学习者使用共轭指数族模型的情况下，提出一种近似算法来找到最优教学集，该算法优化了聚合充分统计数据，然后将其解包成实际的教学示例，给出了几个例子来说明该框架。

Jun, 2013