介绍了一种使用部分监督的主动学习方法，在详细阐述机器学习中随机梯度下降和鲁棒回归的基础上，提供了流式技术以证明其最小一般化误差和采样数的比率。

May, 2022

该论文提出了一种基于强化学习的在线流式元主动学习方法，它从数据中直接学习信息度量，并结合模型训练来训练主动学习器，可应用于一般类别的分类问题，优于现有最先进的方法。

Mar, 2022

本文介绍了最常用的分类器之一 - 逻辑回归的主要应用和性能，比较了不同的主动学习方法在准确性和计算成本方面的表现，并且发现最简单和最早期的主动学习方法 - 不确定性采样，表现优越。

Nov, 2016

本文研究了如何在不可靠的情况下评估主动学习算法在训练期间的性能，并提出了三个主要挑战：如何推导性能分布，如何保留标记子集的代表性，以及如何纠正由于智能选择策略而引起的抽样偏差。

Jan, 2019

本文研究了有关时间变量和未知延迟验证对于主动学习问题的影响，提出了一种基于 PRopagate 和一个依据漂移情况的动态预算策略的解决方案。通过实验评估，发现该方法在不同的延迟时间和预算设置下优于现有技术。此外，还证明了在时间上变化预算分配可以提高主动学习策略的性能，而不增加总体标记预算。

Apr, 2022

使用强化学习和单样本学习相结合的方法，使得模型能够在分类过程中决定哪些样本需要标注，我们提出了一种基于递归神经网络的动作值函数来实现，通过选择奖励函数，该模型能够在减少样本标注需求的同时达到更高的准确率。

Feb, 2017

使用包装器主动学习方法对分类问题进行改进，通过在初始标记样本上构建分类树，将空间分解为低熵区域，再使用基于输入空间的准则从这些区域中进行子采样，并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。

Apr, 2024

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

本文提出了一种新的主动学习框架，通过选择一批典型样本和一组信息帧进行视频分类，以减轻人工注释员的负担。通过不确定性和多样性来确定信息化的视频，并利用代表性采样技术从每个视频中提取一组样本帧。

Jul, 2023

本文提出了一种将主动学习方法和半监督学习结合的数据驱动软测量方法，通过正交自编码器学习低维特征，以预测化工过程中难以测量的过程变量，实验证明，在流式数据下，该方法可以选择最具信息量的数据点，与传统离线环境相比获得更好的预测表现。

Dec, 2022