active learning领域论文

资 源 简 介

active learning领域论文

详 情 说 明

Active learning是机器学习中一种高效的训练范式，其核心思想是通过智能化的数据筛选减少标注成本。与被动学习不同，模型会主动选择最具信息量的未标注样本交由人工标注，常见策略包括不确定性采样（如选择预测概率接近0.5的样本）、委员会投票差异（Query-by-Committee）以及基于模型梯度变化的计算。近年来，该领域研究集中在三大方向：混合查询策略的优化、结合半监督学习的hybrid方法，以及面向深度学习的大批量查询（Batch Mode）效率提升。ICML、NeurIPS等顶会论文显示，将active learning与元学习或自监督预训练结合已成为新趋势，例如通过冷启动问题缓解技术实现初期样本选择优化。