- 大型语言模型中的深度贝叶斯主动学习偏好建模
通过提出一种新的随机获取策略，该模型可以在多种设置中以比以前的贝叶斯随机获取策略更少的偏好标签的情况下，在人类喜好数据集中获得 33% 至 68% 的偏好标签。
- 在贝叶斯主动学习中更好地利用无标签数据
全监督模型在贝叶斯主动学习中占主导地位，我们认为它们对未标记数据中的信息的忽视不仅损害了预测性能，也影响了关于获取哪些数据的决策。我们提出了一个简单的半监督贝叶斯主动学习框架，发现它比传统的贝叶斯主动学习或随机获取数据的半监督学习能够生成更 - 贝叶斯主动学习用于被审查回归
提出了一种新的建模方法来估计在剪辑回归中的主动学习目标，并证明其在各种数据集和模型中优于其他贝叶斯主动学习方法。
- 通信约束下的贝叶斯主动知识蒸馏
本文介绍了一种名为通信约束贝叶斯主动知识蒸馏（CC-BAKD）的新协议，将贝叶斯主动学习与压缩相结合，以减少每轮通信的开销。
- 基于混合表示增强采样的肌肉骨骼下肢分割的贝叶斯主动学习
本研究介绍一种混合表示增强采样策略，基于不确定性的贝叶斯主动学习 (BAL) 方法，在低肢 MRI 和 CT 图像数据集上通过 BAL 框架基于贝叶斯 U-net，选择不确定性高且密度和多样性兼顾的样本进行手动修订，从而在医学图像分割领域中 - 基于贝叶斯主动学习的生产系统研究与可重用库
本研究分析了当前主要的主动式学习技术中存在的主要缺点，并提出了缓解这些缺点的方法，包括使用部分不确定性采样和更大的查询大小加速主动式学习循环，并展示了开源贝叶斯主动式学习库 BaaL。
- EMNLP自然语言处理的深度贝叶斯主动学习：一项大规模实证研究结果
本篇论文就深度主动学习进行了大规模实证研究，针对多种任务和数据集、模型以及获取函数，证实贝叶斯主动学习方法在许多方面都优于传统的不确定性采样方法。
- 带有深度生成模型的贝叶斯半监督学习
这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性，实现模型的半监督贝叶斯主动学习，并且通过全贝叶斯判别组件实现参数值不确定性的估计。
- 带有相关且嘈杂测试的近乎最优贝叶斯主动学习
这篇论文提出了 ECED 算法，实现了贝叶斯主动学习和实验设计问题，并针对有条件相关性的测试结果进行了探索，通过优化代理目标函数中的测试输入来实现在相关噪声测试中的最优界限。
- 近似最优贝叶斯主动学习与决策
本研究中，我们解决了 Bayesian 主动学习和实验设计中的问题，通过选择测试来减少有关一组假设的不确定性，并开发了 HEC 算法来帮助我们尽快将不确定性减少到单一决策区域。该算法基于计算完整的对称多项式子集的有效实施，并在两个实际应用中 - MM带噪声观测的近最优贝叶斯主动学习
我们提出了 EC2 这个新的、贪心的主动学习算法，并证明了它与最优策略相竞争，因此得到了关于具有噪声观察的贝叶斯主动学习的第一个竞争保证。我们的结果基于最近发现的一种递减回报性质，称为自适应子模性，将子模集函数的经典概念推广到适应策略中。