通过使用自适应选择的成对比较来学习排名，我们的目标是准确地恢复排名但节省比较样本。对于使用快速排序算法等有效算法的所有比较结果一致的情况，最优解为使用有效排序算法。我们在 Bradley-Terry 模型下给出了 Quicksort 的优异保证，并通过实证证明了排序算法导致了非常简单有效的积极学习策略。

Feb, 2015

本文解决了学习如何从成对偏好中排名的问题，并提出一种主动学习算法来优化线性排序的查询复杂度，同时尽可能地减少成对偏好标签的不一致性。

Oct, 2010

利用主动学习策略来最大化信息收集，在低维空间中通过成对比较预测用户偏好向量的两个新策略，验证表明其在性能方面优于现有的选择方法和随机查询。

May, 2019

提出了一个将成员标签和成对偏好结合起来的新框架，扩展了主动规范学习的方法，以更灵活地进行活跃规范学习，通过两种模式的学习使我们能够鲁棒且方便地识别成员标签和偏好的规范。

Jul, 2023

文中提出了一种基于序列或主动排名的算法，该算法基于嘈杂的成对比较将一组 n 个项目排名并将这些项根据其得分分成预先指定大小的集合；本文针对这种算法进行了分析，证明了在某些情况下具有最优性并且不需要任何假设，比如在参数模型下进行的排名。

Jun, 2016

通过使用预测熵计算信息增益，我们提出了一种方法来优化高斯过程分类器的主动学习，同时也将其扩展到高斯过程偏好学习，相比其他主动学习和决策理论方法，我们的方法可以在相等或更低的计算复杂度下获得相同的实验性能。

Dec, 2011

本文介绍了一种新的算法，批量主动偏好学习，它使用尽可能少的数据样本进行有效的奖励函数学习，并具有较短的查询生成时间。我们为批量主动学习问题引入了几个近似，并为我们的算法的收敛提供了理论保证。通过在模拟中进行各种机器人任务的实验，我们的结果表明我们的批量主动学习算法仅需要少量计算时间短的查询。最后，我们将展示我们的算法在学习人类用户喜好的研究中的应用。

Oct, 2018

研究一种扩展主动学习的方法，其中学习算法可以要求注释者比较两个示例与其标签类边界的距离，并使用半空间的框架展示这种方法的优越性。

Apr, 2017

通过主动学习和基于用户的偏好调取方法，解决在推荐系统中缺乏用户存在或受限于其他用户数据访问的冷启动问题，从而提供个性化推荐。

Sep, 2023

线性效用函数从成对比较查询中的可学习性研究。具体来说，我们考虑两个学习目标：首先是预测成对比较的样本外响应，其次是近似恢复效用函数的真实参数。我们证明在线性效用在被动学习设置下是高效可学习的，无论查询响应是否受到噪声干扰，并且在分布足够 “好” 的条件下，即使存在 Tsybakov 噪声。相比之下，我们证明对于一大类数据分布而言，在没有强建模假设的情况下，即使查询响应是无噪声的，效用参数也无法被学习。接下来，我们分析主动学习设置下的学习问题。在这种情况下，我们证明即使对于第二个目标，也可以高效学习，并提出了适用于无噪声和有噪声查询响应设置的算法。因此，我们的结果展示了成对偏好查询中被动学习和主动学习之间的质的可学习差距，展示了选择成对查询进行效用学习的价值。

May, 2024