偏导监控（PM）框架为具有不完整反馈的顺序学习问题提供了一个理论表述。本文在上下文 PM 的情况下，考虑了随机结果的情况，并介绍了一种基于确定性置信区间的随机化策略，扩展了悔恨保证适用范围，该策略在 PM 游戏中改进了现有基线结果。为了鼓励采用 PM 框架，我们设计了一个实际问题的用例，即监控任何部署的分类系统的误差率。

Feb, 2024

基于池的主动学习方法对于增加机器学习模型的数据效率具有潜力，但现有方法对数据集和训练设置选择非常敏感，因此不适用于一般应用。为了解决这个问题，学习主动学习（LAL）领域建议学习主动学习策略本身，使其能够适应特定的设置。本研究提出了一种基于关注条件神经过程模型的用于分类的新型 LAL 方法，利用主动学习问题的对称性和独立性属性。我们的方法基于从一个近视的预测模型进行学习，使得我们的模型能够适应非标准目标，如不平等权重的错误。我们的实验证明，在这些设置下，我们的神经过程模型优于多种基线方法。最后，我们的实验表明，我们的模型对于不同数据集的稳定性有所提高。然而，分类器的选择会对性能产生影响，还需要更多的工作来减小与近视预测模型的性能差距，并提高可伸缩性。我们将我们的工作作为对非标准目标的 LAL 的概念验证，并希望我们的分析和建模考虑能够为未来的 LAL 工作提供启发。

Sep, 2023

在线感知和计算资源在工业物联网系统（Industrial Cyber-physical Systems，ICPS）中促进了以人工智能为驱动的决策制定。然而，数据质量的问题，如不平衡类别，阻碍了离线训练的人工智能模型。为了解决这个问题，人工智能模型通过流式数据进行在线更新，持续改进。然而，监督学习模型在选择质量流式样本进行更新时面临注释限制的挑战。文献中的主动学习方法通过关注不充分或充分代表的区域提供了解决方案。在不断变化的制造背景下平衡这些策略是具有挑战性的。一些人工智能学到的获取准则动态地适应，但可能不一致地处理频繁变化。我们引入了一种集成主动学习方法 CBEAL，专门用于探索或开发的主动学习代理。代理的权重根据代理决策的有效性进行调整。CBEAL 在最小化人工注释的同时，优化地指导数据获取。我们的理论分析和实证研究验证了 CBEAL 在 ICPS 制造过程建模方面的效率。

Oct, 2023

在线主动学习（OAL）应用于声音事件检测（SED）时，本研究提出了能够解决 OAL 中存在的挑战的新型损失函数，实验结果表明 OAL 可将训练 SED 分类器所需的时间和精力减少 5 倍，并成功解决现有 OAL 方法存在的问题。

Sep, 2023

提出了一种使用部分反馈进行主动学习的方法，该方法可以解决多类别注释的实际问题，并使用抽样策略选择（示例，类）对，该方法在 Tiny ImageNet 数据集上相对于 i.i.d 基线提高了 26% 的分类精度，更低的成本。

Feb, 2018

神经网络主导的主动学习（NAL）是一种具有成本效益的数据选择技术，利用神经网络选择和训练一小部分样本。本研究在特征学习视角下，对两种常用的 NAL 查询准则：基于不确定性和基于多样性进行了统一解释，并证明这两种准则的成功都在于优先选择包含尚未学习特征的样本，从而在少量标记样本的情况下实现较小的测试误差。实验结果验证了我们的发现。

Jun, 2024

该教程主要关注以机器学习为基础的预测性监测，介绍了一种有效的方法来检测系统在当前状态下对给定要求的潜在违规情况，并提出使用深度学习和符合预测方法来解决计算效率和可靠性的挑战。

Dec, 2023

被动声学监测（PAM）在鸟类生物声学中能够以最小干扰自然栖息地的方式实现经济高效、广泛的数据收集。本文概述了一种深度主动学习方法，介绍了关键挑战，并进行了一个小规模的试点研究。

Jun, 2024

本文提出了一种新颖的自适应安全控制框架，该框架采用元学习、贝叶斯模型和控制障碍函数（CBF）方法，在多重不确定性条件下保证控制过程中的概率安全性。

Jul, 2023

本研究探讨主动学习策略在降低时序分类任务中所需标记数据数量方面的应用，通过提出一种新的类平衡实例选择算法，有效地解决了不平衡时序数据集中的分类性能和实例选择偏差问题，并在触觉纹理识别和工业故障检测领域证明了该方法的有效性。

May, 2024