在针对文本分类的活跃学习技术中，选择正确的文本表示、分类器以及评估指标是至关重要的，因为不同的因素可能会导致活跃学习技术的有效性受到限制。

Mar, 2024

该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

Nov, 2021

使用可复现的主动学习评估框架来比较评估自然语言处理中的主动学习策略，并通过定义和跟踪实验参数，帮助实践者作出更明智的决策，同时帮助研究者开发出新的高效主动学习策略和制定最佳实践，从而降低注释成本。

Aug, 2023

本文提出了第一个基于多样性原则的主动学习查询策略来缓解抽象文本摘要中昂贵的注释成本，并分析了自学习的效果。该策略可以帮助提高 ROUGE 和一致性分数。

Jan, 2023

本文介绍了一种基于主动学习框架（ALF）的网络流量分类方法，它提供了准备好的软件组件，用于部署主动学习循环和自动维护数据集和机器学习模型的实例。该方法可应用于高速网络（100Gb/s），支持不同的注释、评估和数据集优化策略的研究实验。

Oct, 2022

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

该论文提出了一种新的基于聚类的主动学习框架 (ALCS)，其中使用密度聚类方法探索数据的聚类结构，并引入基于双簇边界的样本查询程序以提高高度重叠类别分类的学习性能，此外，我们开发了有效的多样性探索策略来解决样本查询中的冗余问题，实验证明了该方法的有效性。

Jul, 2022

本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

Jul, 2020

在文本分类任务中，我们提出了一种新的基于卷积神经网络（CNNs）的主动学习方法。我们的方法侧重于选择具有最大影响的实例，以快速学习区分性的任务特定嵌入，并得出良好的实验结果，是首次在使用神经模型进行文本分类的主动学习方面的工作。

Jun, 2016

本文提出一种解决在打标签样本池中既包含目标类和非目标类的情况下如何查询样本的问题的方法 ——OpenAL，并在细粒度分类病理图像的实验中表明其可以显著提高目标类样本的查询质量，达到比当前最先进的主动学习方法更高的性能。

Jul, 2023