介绍了一种基于深度学习的主动学习方法，可以有效地从正常数据中分离离群值，并讨论了它们在发现聚类和低密度异常方面的性能
May, 2018
本文提出了在异常检测应用中使用可配置的主动学习算法来优化检测过程，通过采用集成学习模型、使用紧凑描述、改进实例的多样性、正确检测数据漂移，实现了降低假正例率且不损失检测率的目的。
Sep, 2018
本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。
本论文研究了在深度神经网络模型中的主动学习，适用于诸如检测局部地表变化和地图更新等一些遥感任务，并使用各种机制捕捉和量化模型的不确定性，以选择有信息量的未标记样本进行注释，通过少量样本的标记就达到与大型训练集相同的性能的效果。
Aug, 2020
该研究旨在评估目前基于最新学习方法下的图像分类的主动学习策略的有效性，并且在更实际的情况下验证了选择语义分割的方法，其提出了一种更合适的评估协议。
Dec, 2019
本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。
Jan, 2014
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
本研究提出新型的半监督深度异常检测方法 Deep SAD，并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。
Jun, 2019
提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。
Mar, 2022
主要介绍了主动学习策略在解决二分类问题中的应用，提出了一种基于偏移正态分布采样函数的方法，通过限制噪声和正类标签选择，提高了 20% 到 32% 的成本效率。
Mar, 2024