本文提出了利用高斯过程回归中自然产生的信息理论特性的主动学习策略，尊重系统动态 imposed 约束下的抽样过程，并在高不确定度区域选择抽样点，以实现探索性行为和数据高效训练。该方法在大量数值基准测试中得到验证。

Nov, 2019

本文提出了一种解决多输出高斯过程模型主类型和相关环境现象多种共存的主动学习问题的方法，该问题涉及选择最具信息量的采样位置和每个位置的测量类型，以在预算范围内最小化目标感兴趣的预测不确定性（即后验联合熵），为了解决优化时的问题，我们利用了稀疏 MOGP 模型的常见结构，推导出一种新的主动学习准则，并利用新准则的放松形式子模性质，设计了一种多项式时间近似算法，实证评估表明我们的方法优于 MOGP 和单输出 GP 模型的现有算法。

Nov, 2015

针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。

Sep, 2016

本论文研究如何在无标签数据集上解决新的、看似不相关的目标任务时，以现有数据集的形式重用现有知识。研究团队通过使用零样本分类器指导学习过程并重新审视自适应 SVM 的双重公式，提出了一个有效的主动学习算法，可用最少的人工标注努力学习最好的目标分类模型，从而在未来的任务中以最小的努力重用过去的数据集。

Oct, 2015

本文提出了两种基于信息熵和互信息准则的高效信息论路径规划方法，可以改进高斯过程模型中异性场的主动感知性能，并优化时间效率。该算法在实际应用中可以比现有技术更有效，计算时间较短。

Feb, 2013

这篇论文提出了一种基于概率潜变量模型的任务选择方法，将任务的先前经验引入到元学习算法中，以提高元学习的数据效率，并在机器人实验中获得了实证证据。

Jul, 2020

多源空间点数据预测的创新性框架将各种数据整合起来，不依赖地面真实标签，并通过引入 “可信度分数” 和地理位置感知图神经网络等技术有效地解决评估数据质量和建模空间关系的挑战，其在真实和合成数据集上的严格测试结果表明其优越性能。

Jun, 2024

本文提出了一种结合粒子滤波和基于信息增益的主动探索的主动推理方法，名为空间概念形成（SpCoAE），用于在家庭环境中自主地学习空间概念。实验证明该方法可以高效地确定适当的位置，形成适当的空间概念，快速覆盖环境。

Nov, 2022

论文提出了利用代理中心支持集的高斯过程分散数据融合算法，允许每个移动感知代理在执行过程中选择不同的支持集并动态切换，以便将其自己的数据封装到本地摘要中，然后可以与其他代理的本地摘要相结合，从而预测环境现象。同时，提出了一种新的信息共享机制，并通过实验验证了该算法的性能优异。

Nov, 2017

本文提出了一种基于高斯过程状态空间模型的主动学习策略，旨在获取状态操作空间有界子集上的准确模型，并通过模型预测控制集成探索过程中收集的信息和自适应改进探索策略。

May, 2020