多域主动学习基准展示了在大规模真实世界数据集上，传统的单域主动学习策略在多域场景中往往比随机选择效果更差。我们还引入了一个新颖的基于地理域的大规模图像数据集 CLIP-GeoYFCC，与现有基于风格的域数据集有所不同。对我们的基准的分析表明，所有的多域策略都存在显著的权衡，没有一种策略能在所有数据集或所有度量指标上表现优秀，强调了未来研究的需求。

Dec, 2023

本篇论文介绍了一种基于主动学习的多领域性能提升框架，首先利用初始标记数据对基础模型进行训练，然后迭代地选择最具信息量的样本进行标记，以改进模型性能。该方法在图像分类、情感分析和物体识别等多领域数据集上进行了评估，并表现出超越基准方法，并在几个数据集上取得了最先进的性能。同时表明了本方法非常高效，比其他主动学习方法需要明显较少的标记样本，是一种实用且有效的多领域性能提升解决方案。

Apr, 2023

提供了一种公平比较不同任务和领域中算法的主动学习框架，并提出了一种快速有效的评估算法。汇总了在 3 个主要领域（表格、图像和文本）上使用的 6 种广泛应用的算法在 7 个实际数据集和 2 个合成数据集上的实证结果，并形成了领域特定的主动学习算法排名。

Nov, 2023

该研究对带有多个数据来源的领域转移进行了详尽的调查，发现了一些有效的方法并提出了一种新的有效方法 DAL-E，并探讨了选定的示例和域具有的特性。

Feb, 2022

本论文提出了一种多视角主动学习方法 Co-Testing，能够在实际的领域中优于现有的方法，其中扩展了多视角框架，利用了弱视图进行更一般 / 特定概念的学习。

Oct, 2011

该研究提出了一种领域对抗主动学习算法（DAAL），用于领域泛化任务中的分类任务，在减少数据资源的情况下实现强大的泛化能力，从而降低领域泛化任务中的数据标注成本。

Mar, 2024

提出了一种名为 ALFA-Mix 的新型批量主动学习方法，它利用分析未标记实例的预测结果中的不一致性来确定具有足够明显特征的实例，证明该方法在图像、视频和非视觉数据的 12 个基准测试中，在 30 种不同的设置中优于所有其它主动学习方法，特别是在低数据量情况和自训练视觉转换器方面，ALFA-Mix 的性能优于该领域现有技术的 59％和 43％。

Mar, 2022

本研究提出了一种新颖的基于扰动的两阶段多域主动学习（P2S-MDAL）方法，它包括分配域的预算、建立多样性选择的区域，并进一步用于选择每个区域中最具交叉域影响力的样本。在三个现实世界数据集上进行的实验表明，与传统的 AL 策略相比，该方法具有优越的性能。

Jun, 2023

本文提出了一种名为 Majority-CRF 的算法，通过使用分类模型的集成来指导选取相关的话语，以及序列标注模型来帮助优先选择信息量大的示例，进行主动学习，实验结果表明，与随机采样相比，本算法在相同的注释预算下可以实现 6.6％-9％的相对误差率降低，并且与其他主动学习方法相比，取得了显著的改进，此外，在六个新领域进行人机交互的案例研究表明，本文提出的算法在现有的 NLU 系统上取得了 4.6％-9％的改进。

Oct, 2018

提出了一种名为 “Cartography Active Learning”(CAL) 的主动学习算法，该算法通过利用模型在单个实例上的行为作为代理来查找最具信息价值的实例进行标注。与其他常用的 AL 策略相比，CAL 是一种更有效的学习策略，可以通过利用小种子数据产生的训练动态来成功地进行 AL。

Sep, 2021