该研究结合贝叶斯深度学习与主动学习框架，在高维图像数据的任务中，证明了其在现有主动学习方法上的显着改进。研究表明，结合专业模型，如贝叶斯卷积神经网络，可以使主动学习技术在 MNIST 数据集和皮肤癌诊断任务中得到显著改进。

Mar, 2017

本文研究了基于池化的主动学习方法，提出了一种新的算法，使用神经网络在表征层上的激活空间中的最远优先遍历，从池中查询连续的点，相比于随机抽样和传统的不确定性抽样技术，对 MNIST、CIFAR-10 和 CIFAR-100 三个数据集的样本复杂度都有显著提高。

Nov, 2017

本文提出一种贝叶斯生成主动深度学习方法，将主动学习与数据增强相结合，通过在 MNIST、CIFAR-10/100 和 SVHN 数据集上进行训练和分类实验证明，此方法具有更高效的训练和更好的分类结果。

Apr, 2019

通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程，同时节省标记成本。

Mar, 2018

本文提出了两种统计学方法，将侧边信息融合到数据表示学习中，以提高深度神经网络在一次学习中的准确性。实验证明，该学习架构在一次识别任务中表现优于传统的 softmax 回归网络和最先进的注意力回归网络。

Oct, 2017

本文研究使用贝叶斯神经网络进行主动学习，相较于集成技术更能有效地捕捉不确定性，拥有更好的模型效果，同时还揭示了集成技术的一些关键缺陷。

Apr, 2021

本文提出了一种名为 DUAL 的新型深度神经网络框架来进行无监督主动学习，该框架可以通过编码器 - 解码器结构明确地学习非线性嵌入将每个输入映射到潜在空间，并引入选择块来在学习的潜在空间中选择代表性样本，实验结果表明 DUAL 与现有方法相比具有明显的优越性。

Jul, 2020

本研究提出了一种新颖的方案，通过构建神经网络参数的低维子空间（称为活跃子空间）来解决贝叶斯深度学习中由于参数空间的高维导致的计算复杂性限制。我们展示了显著降低的活跃子空间，通过 Monte Carlo（MC）采样方法或变分推断实现了可行和可扩展的贝叶斯推断，为各种回归任务提供了可靠的预测和鲁棒的不确定性估计。

Sep, 2023

为了解决高维数据下基于高斯过程的多保真度主动学习不易扩展以及传递误差的问题，我们提出了一种基于解缠混淆的深度贝叶斯学习框架，可以在多个保真度下学习代理模型的分布函数。

May, 2023

本文通过大量经验研究，证明了利用 FastText.zip（FTZ）深度模型的后验熵进行主动集合选择对抗采样偏差和各种算法选择具有鲁棒性，并提出了基于深度主动文本分类的简单基线，可用于数据集压缩和半监督 / 在线学习场景。

Sep, 2019