通过给定的模型类，利用训练数据从学习未知对象的基础问题出发，我们引入了一个统一的框架，该框架允许将对象作为任意希尔伯特空间，具有一般类型的（随机）线性测量作为训练数据，以及一般类型的非线性模型类。我们为这个框架建立了一系列学习保证，并确保训练数据的数量与模型类的属性之间具有明确的关系，以确保接近最佳的泛化界限。通过这样做，我们还引入并发展了模型类关于采样操作的分布的变化的关键概念。为了展示该框架的多功能性，我们展示了它可以包容许多不同类型的感兴趣的已知问题，例如通过随机采样进行矩阵草图，使用各向同性向量的压缩感知，回归中的主动学习和使用生成模型的压缩感知。在所有情况下，我们展示了如何将已知结果变为我们的一般学习保证的直接推论。对于使用生成模型的压缩感知，我们还提出了一些近期结果的推广和改进。总之，我们的工作不仅引入了一种从各种数据类型中学习未知对象的统一方法，还确立了一系列统一的理论保证，巩固和改进了各种已知结果。

Nov, 2023

通过理论证明，我们提出了一种近正交基函数类及与之相关的算法，证明了主动学习算法不需要正交基，只需近乎正交基即可，从而减少标记数据的数量，并提高机器学习性能。

Jun, 2023

利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

Apr, 2023

本文研究了主动学习方法用于在有限计算预算下高效选择训练样本的能力，同时保留与多个代理极限状态相关联的准确性。研究结果表明，可以通过在统一的主动学习方案中依次针对指定的多个限制状态函数来实现有效的均衡的计算预算管理。

Feb, 2023

提出使用互信息测量方法的主动学习模型，使用 Bayesian linear basis functions 模型，在训练聚合数据的回归模型时减少标注集的成本，并实现更好的预测性能。

Oct, 2022

基于高斯过程和贝叶斯推理，提出了一种针对永续学习的功能正则化框架，该方法通过构建和记忆潜在任务特定函数的近似后验信念，避免遗忘以前的任务，并通过控制学习过程中 KL 正则化术语的使用，增强了未来任务的学习。

Jan, 2019

通过利用基于数据的方法中的克里斯托费尔函数进行接近集的近似计算，我们改进了现有结果，提高了样本效率，并通过利用训练和校准集的统计保证，放宽了一些假设。此外，我们采用了增量计算克里斯托费尔函数的方法，避免使用校准集，同时保持统计收敛保证，并且我们的方法对训练集和校准集中的异常值具有鲁棒性。

Sep, 2023

我们提出了一种新的主动学习算法，针对参数化线性回归。我们提供了在一般分布下错配模型的有限样本收敛保证。我们的主动学习者可证明能够改善被动学习者。我们的主动学习者通过分层技术接近最优风险，使用分段常量逼近实现最优风险对于分布的先前知识来实现。

Oct, 2014

提出了一种基于非参数估计的回归函数的主动学习算法，并对其在广泛的基础分布类上可达到的推广误差收敛速率提供了概率界限，同时证明了最小化下限，展示了获得的速率几乎是紧密的。

Apr, 2011

这项工作介绍了 Dirichlet 主动学习（DiAL），一种灵感来自贝叶斯的主动学习算法设计方法。我们的框架将特征条件类概率建模为 Dirichlet 随机场，并在相似特征之间提供观测强度以校准该随机场。该随机场可以在学习任务中使用：特别是在标签数据稀缺的情况下，我们可以利用当前的均值和方差估计进行分类和主动学习。我们通过基于图拉普拉斯矩阵的 `` 传播算子 '' 构建了这个模型在低标签率图学习中的适用性，并通过计算实验证明了该方法与最先进技术的竞争力。最后，我们提供了关于这种方法在保证探索和开发能力方面的严格保证，分别以群簇探索和对决策边界的关注增加为表达。

Nov, 2023