提出了两种基于神经突触智能和梯度范数的数据估值指标，通过在线聚类和基于考察数据值的分组提出了新的数据选择算法。在线方法使用逐层模型参数更新和每个时期梯度高效地评估数据，可以使用更少的时期和数据子集（例如，19％-59％）加速模型训练，同时在各种数据集中保持等价的水平，还可以扩展到离线 Coreset 构建，只生成原始数据的 18％-30％子集。

Jun, 2023

提出一种名为 DISCA 的框架，通过交互式学习过程使用稀疏用户注释作为 ground-truth，持续地使神经网络适应目标图像来精细调整深层神经网络输出的像素级分类图，实验结果表明该方法在三个数据集上的 IoU 值可以提高 4.7%，并且可以有效地应对像领域适应等其他问题。

Sep, 2020

本文介绍一种使用多样性模型的训练数据子集选择方法，该方法可提高计算机视觉任务的准确性并减少标注成本。

Jan, 2019

该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

Apr, 2023

本研究提出了一种基于神经网络解释能力的主动学习方法 ALDEN，该方法可根据样本的多样性解释性选择样本并查询其标签，使得高质量模型的训练成为可能。实验证明，ALDEN 在文本分类问题上比其他主动学习方法表现更好。

Aug, 2021

使用轻量级贝叶斯处理和基于大规模预训练模型的即用型零样本预测器，解决了现实场景中标记错误、重复或有偏差的数据在训练中的问题，提高了模型的训练效率。

Aug, 2023

这篇论文讨论了一种识别和分割地震滑坡的方案，其中存在过度拟合问题和模型冗余，需要改进。作者因需要专家的评价来改进论文，决定暂时撤回在 arXiv 上的论文，并会在最终版获得批准后更新。

Aug, 2019

通过改进深度学习模型的标签和训练效率，此研究旨在增强深度学习的实用性。具体地，研究基于信息论原理的数据子集选择技术，包括主动学习和主动采样，其中主动学习提高了标签效率，而主动采样增强了训练效率，并系统研究了这些技术在深度学习中的应用。

Jan, 2024

本文提出使用大规模集成主动学习方法来扩展数据子集搜索，通过在数百个模型中重复使用中间训练检查点来实现。实验结果表明，优化训练数据分布可以对大规模视觉任务带来显著的益处。

May, 2019

本文介绍了一个基于深度学习的神经网络，利用 U-Net 结合 Spatial-Channel Squeeze & Excitation、Lovasz loss、CoordConv 和 Hypercolumn 等方法，对地震图像数据进行盐度沉积物区分。该方法在 TGS-NOPEC Geophysical Company 主办的竞赛中获得了第 27 名的好成绩，可以在链接中获取源代码。

Nov, 2018