- 通过选择困难负面无配对样本进行精细分类图像 - 文本检索的主动学习
我们提出了一种主动学习算法，用于图像 - 文本检索 (ITR)，以更具成本效益地收集配对数据。通过引入一种新的评分函数来选择难以配对的图像（或文本）作为负样本，我们验证了该方法在 Flickr30K 和 MS-COCO 数据集上的有效性。
- 用于非线性系统控制导向识别的主动学习
模型基础的强化学习是控制未知系统有效的方法，本文聚焦于具有非线性参数依赖的模型，并展示了适用于一类非线性动力学问题的主动学习算法的有限样本分析。
- 利用先验领域知识在采样过程中主动学习动力学
我们提出了一种主动学习算法，通过将先验领域知识明确纳入采样过程，利用副信息来学习动态。通过数值实验，我们证明了该策略探索了高差异区域，加速了学习过程同时降低了模型不确定性。我们还通过提供最大预测方差的收敛速度的明确速率，严格证明了我们的主动 - 塑料成形演示下连续宏观过程实时自主控制
应用实时原位表征和基于主动学习算法的自主系统，在无人干预的情况下，确定特定目标薄膜尺寸的工艺条件，具有高效准确的特点，为加快研究和工业过程提供了重要的启示。
- 主动学习中的激励合作
在协作式主动学习中，我们引入了一种创新的奖励机制协作框架，旨在最小化标签复杂性的同时使理性代理获得其数据集的标签。我们提供了实现严格个体理性 (IR) 并在标签复杂性方面与最佳已知可行近似算法相媲美的协作协议。
- 非参数主动学习用于成本敏感分类
设计了一种用于成本敏感分类的通用非参数主动学习算法，通过构建每个标签的预测成本函数的置信区间，该算法选择最具信息量的向量点，通过仅查询可能是最小的预测成本来与其交互，证明了该算法在与向量空间的交互数量方面达到了最优收敛速率，并且在对 Tsy - 因果发现与预测：方法与算法
我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。
- ICML利用 GFlowNets 进行生物序列设计
本文提出一种利用表观不确定性评估和最近提出的 GFlowNets 作为生成器的主动学习算法，旨在在每一轮后获得一批有用且信息量大的候选解，并在此基础上设计了新的生物序列设计任务模型，并对其进行了实验验证，在多个任务上取得了良好的效果。
- 物理信息神经网络的主动训练，以汇集和插值纳维 - 斯托克斯方程的参数化解
本研究旨在训练一个神经网络，该网络通过在参数空间内逼近纳维尔 - 斯托克斯方程的解，其中参数定义了物理属性，如域的形状和边界条件。本研究的三大贡献为：1）演示神经网络可以高效地聚合整个参数族的物理问题的解，使用传统的经验数值方法生成的数据进 - 基于人类标注错误的建模，为社交流处理设计偏差感知系统
本研究发现，人工注释数据的质量与展示给注释者的数据顺序有着密切关系，通过优化展示顺序和提出一个基于主动学习的算法，可以有效提高在实时社交媒体分析中的数据准确性。此举不仅有利于机器学习算法的提高，也有助于发现人的学习偏差和潜在偏见。
- 高光谱图像分类中的主动深度学习
本文提出了一种基于加权递增字典学习的主动学习算法，该算法选择能够最大化代表性和不确定性两个选择标准的训练样本，通过在每次迭代中主动选择训练样本来高效地训练深度网络，然后将所提出的算法应用于高光谱图像的分类，并与其他应用主动学习的分类算法进行 - ICML应用主动学习半度量学习方法揭示用户偏好
研究 hemimetrics 的学习问题，提出一种基于主动学习算法的结构性约束的 hemimetric 版本空间的样本复杂度显著降低的方法。
- 克服图聚类中的小簇障碍
在图聚类中，小集群不会妨碍大集群的恢复，并且设计了一个迭代算法通过削片策略从而几乎恢复出所有集群，同时也给出了针对较小集群邻近边更有针对性地探测的主动学习算法。
- 无约束的不可知主动学习
本文介绍了一种不需要保留版本空间，具有不确定性主动学习算法，并且相较于监督学习和分类，能够显着提高学习效果。