基于分类树的主动学习：一种封装方法

Apr, 2024

基于分类树的主动学习：一种封装方法

Classification Tree-based Active Learning: A Wrapper Approach

Ashna Jose, Emilie Devijver, Massih-Reza Amini, Noel Jakse, Roberta Poloni

TL;DR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。

Abstract

supervised machine learning often requires large training sets to train accurate models, yet obtaining large amounts of labeled data is not always feasible. Hence, it becomes crucial to explore active learning methods

supervised machine learning active learning methods wrapper active learning classification ensemble learning

发现论文，激发创造

基于增强树的基于模型不确定性的表格数据主动学习

本研究探讨了基于提升树的主动学习方法对表格数据的有效性，利用模型不确定性进行样本选择，并针对回归任务提出了一种成本效益高的主动学习方法，同时也提出了改进的成本效益高的分类任务的主动学习方法。

Oct, 2023

遥感监督学习图像分类主动学习算法综述

本文综述和测试了主要的主动学习算法，研究了许多具有挑战性的遥感场景，包括高分辨率和高光谱图像分类。提供给未经验的用户选择良好架构的指南。

Apr, 2021

主动学习：问题设置和最新发展

本文介绍了有监督学习中获取标记数据的高成本和获取大量未标记数据的轻松方法，以及通过自适应选择标记样本来获得高精度预测模型的主要问题设置和最近的研究趋势。重点介绍了选择从数据中进行标记的学习获取函数的研究、关于主动学习算法的理论工作和顺序数据获取的停止标准。介绍了材料开发和测量的应用示例。

Dec, 2020

基于预训练语言模型的样本高效主动学习自训练

使用半监督的方法（self-training）从未标记的数据中获取伪标签来改善运用主动学习进行文本分类的效率，通过进行广泛的实验，提出了一种新的有效的 self-training 策略（HAST），并在四个文本分类基准数据集上进行了评估，仅使用 25% 的数据，超过了之前实验的分类结果，达到了与三个数据集的先前实验相当的分类效果。

Jun, 2024

组合覆盖下的主动学习

本文提出一种利用组合覆盖来解决机器学习中主动学习的数据样本选择方法，相较于现有模型导向性的方法，新方法具有更好适用性，能够有效降低模型转移和采样偏差问题。

Feb, 2023

正类和未标注数据中的主动学习

提出了一种能够在只有单类样本和无标签数据的情况下运作的主动学习算法，该方法通过分别估计正样本和未标记点的概率密度，计算信息性的期望值以获取更好的信息性度量。与其他类似方法相比，实验和经验分析结果表现出有前途的结果。

Feb, 2016

评估实时主动学习绩效的限制

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

深度主动学习破除幻觉

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

小数据的模型选择实用主动学习

本研究开发了一种基于支持向量分类的基础池式主动学习器的快速简单的实践方法，旨在解决很少标记数据点的情况下进行模型选择的挑战，并通过加权方法让模型在易于分类数据集和难以分类数据集之间取得平衡的最佳性能。

Dec, 2021

学习采样：一种主动学习框架

提出了一种名为 Learning To Sample 框架的新型基于学习的主动学习方法，它能够通过不确定性和多样性的优化整合来主动选择最具代表性和信息量的样本，并在图像分类、薪资水平预测和实体解析等三个任务上验证了其有效性，并且特别适用于类别高度不平衡的数据集，还能够有效解决现有主动学习方法中出现的冷启动问题。

Sep, 2019