Incremental Uncertainty-aware Performance Monitoring with Active Labeling Intervention
Siemens AG（西门子公司）；Goethe University Frankfurt（法兰克福歌德大学）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；German Cancer Research Center (DKFZ)（德国癌症研究中心）；German Cancer Consortium (DKTK)（德国癌症联盟）
针对渐进式分布漂移导致模型性能悄然下降的问题，提出无标签的IUPM方法，利用最优传输估计性能变化并结合不确定性驱动的主动标注，在有限预算下实现更准确监控。
2025-05-11 cs.AI cs.LG stat.ML
Active Jammer Localization via Acquisition-Aware Path Planning
1Dept. of Computer Science, University of Massachusetts Boston, Boston, MA, USA 2Dept. of Electrical \& Computer Engineering, Northeastern University, Boston, MA, USA
提出结合贝叶斯优化与采集感知路径规划的主动干扰源定位框架，通过改进A*算法引导移动代理高效收集信号，实现少测量下的准确定位。
2025-10-16 cs.LG
SAMOSA: Sharpness Aware Minimization for Open Set Active learning
SAMOSA提出基于数据典型性的锐度感知最小化查询算法，在开放集主动学习中优先选择靠近决策边界的非典型样本，实现高达3%的准确率提升且无额外计算开销。
2025-10-24 cs.AI cs.LG
Cost-Accuracy Aware Adaptive Labeling for Active Learning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
传统的主动学习算法假设一个单一的标签，产生无噪声的标签在一个给定的，固定的成本，并旨在实现最佳的泛化性能，为给定的分类器下的预算约束。然而，在许多实际环境中，不同的贴标机具有不同的贴标成本，并且可以产生不同的贴标精度。此外，给定的贴标签器可以针对不同的情况展现不同的贴标签准确度。这种设置可以被称为主动学习，具有不同的成本和准确性的不同标签器，并且它出现在许多重要的实际设置中。因此，了解如何有效地权衡不同实例的标记精度、标记成本以及训练实例的信息量，从而以最低的标记成本实现最佳的泛化性能是有益的。在本文中，我们提出了一个新的算法选择的实例，标签（及其相应的成本和标签精度），采用泛化范围的学习与标签噪声选择信息的实例和标签，以实现更高的泛化精度在较低的成本。我们提出的算法在五个UCI和一个真正的众包数据集上展示了最先进的性能。
2021-05-24 cs.LG stat.AP
Online Importance Weight Aware Updates
Cornell University（康奈尔大学）；Yahoo! Research（雅虎研究院）
重要性权重量化了一个例子相对于另一个例子的相对重要性，出现在提升，不对称分类成本，减少和主动学习的应用中。在梯度下降中处理重要性权重的标准方法是通过梯度的乘法。我们首先证明了这种方法的问题时，重要性权重很大，并主张更复杂的方法来处理它们。然后，我们开发了一种方法，享有不变性：更新两次重要性权重$h$相当于更新一次重要性权重$2h$。对于许多重要的损失，当所有例子都有$h=1$时，它有一个满足标准后悔保证的封闭形式更新。我们还简要讨论了其他两个合理的方法来处理大的重要性权重。从经验上讲，这些方法在降低算法对学习率的精确设置的灵敏度的同时，以类似的计算性能产生显著更优的预测。我们将这些应用于在线主动学习，产生了一个非常快的主动学习算法，即使在存在对抗性噪声的情况下也能工作。
2011-06-18 cs.LG
Enhancing Bayesian Optimization and Active Learning Through Kernel Diversity
University of Georgia（佐治亚大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文提出KENDO框架，将集成高斯过程与分歧感知获取策略结合，实例化KENDO-BO和KENDO-AL，在单/多目标优化及主动学习任务上，兼具更优性能与更高计算效率。
2026-09-01 cs.AI cs.LG
Risk-Aware Active Inverse Reinforcement Learning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
通过演示的主动学习允许机器人向人类询问特定类型的输入，以实现有效的学习。现有的工作已经探索了各种主动查询策略，但是，据我们所知，这些策略都没有直接最大限度地降低机器人学习策略的性能风险。利用逆强化学习性能界限的最新进展，我们提出了一种风险意识主动逆强化学习算法，该算法将主动查询集中在状态空间中具有大泛化误差潜力的区域。我们发现，风险意识主动学习优于标准的主动IRL方法在网格世界，模拟驾驶，表设置任务，同时还提供了一个基于性能的停止标准，让机器人知道它已经收到足够的演示，安全地执行任务。
2019-06-03 cs.LG stat.ML
Distribution Aware Active Learning
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Simon Fraser University（西蒙弗雷泽大学）
判别式学习机器通常需要大量的标记样本进行训练。主动学习（AL）设置假设学习者有自由要求oracle标记其所需的样本。传统的人工智能算法选择查询样本，目前的学习者是不确定的。这种策略没有很好地利用手头数据集的结构，并且容易被离群值误导。为了缓解这个问题，我们建议提取的结构信息到一个概率生成模型，作为一个\emph{teacher}在我们的模型。主动\emph{learner}在主动学习的每个周期有效地使用该信息。所提出的方法是通用的，不依赖于学习者和教师的类型。然后，我们提出了一个主动学习的查询标准，知道数据的分布，对离群值更强大。我们的方法可以很容易地与其他几个查询标准相结合，主动学习。我们提供的配方和经验表明，我们的想法通过玩具和真实的例子。
2018-05-23 cs.LG stat.ML
Task-Aware Variational Adversarial Active Learning
UNIST（蔚山科学技术院）
通常，由于高标记成本限制了深度学习技术的应用领域，标记大量数据是具有挑战性的。主动学习（AL）通过查询未标记池中待注释的信息量最大的样本来解决这个问题。最近已经探索的两个有前途的方向AL是任务无关的方法来选择数据点，远离当前的标记池和任务感知的方法，依赖于任务模型的角度。不幸的是，前者没有利用任务的结构，而后者似乎没有很好地利用整体数据分布。在这里，我们提出了任务感知变分对抗AL（TA-VAAL），修改任务不可知的VAAL，考虑标签和未标记池的数据分布，通过放松任务学习损失预测排名损失预测，并通过使用排名条件生成对抗网络嵌入VAAL的归一化排名损失信息。我们提出的TA-VAAL优于各种基准数据集的平衡/不平衡标签分类以及语义分割和它的任务感知和任务不可知的AL属性与我们的深入分析证实了最先进的。
2020-12-08 cs.LG stat.ML
Geometry-aware Active Learning of Spatiotemporal Dynamic Systems
Department of Industrial & Systems Engineering, The University of Tennessee（工业与系统工程系，田纳西大学）
本文提出一种几何感知主动学习框架，结合几何感知时空高斯过程与自适应主动学习策略，有效整合时间相关性与3D几何流形特征，在3D心脏电动力学建模中显著提升预测精度。
2025-05-01 cs.LG stat.ML
Test Distribution-Aware Active Learning: A Principled Approach Against Distribution Shift and Outliers
University of Oxford（牛津大学）
在MacKay（1992）的基础上，我们认为传统的基于模型的主动学习方法（如BALD）有一个根本的缺陷：它们不能直接解释输入变量的测试时间分布。这可能导致采集策略中的病态，因为对于模型参数最大信息量的可能不是对于预测最大信息量的：例如，当池集中的数据比最终预测任务的数据更分散时，或者当池和测试样本的分布不同时。为了纠正这一点，我们重新审视了一种收购策略，该策略基于最大化获得的有关未来可能预测的预期信息，将其称为预期预测信息增益（EPIG）。由于EPIG不能很好地扩展批量收购，我们进一步研究了一种替代策略，BALD和EPIG之间的混合，我们称之为联合预期预测信息增益（JEPIG）。我们考虑在各种数据集上使用贝叶斯神经网络进行主动学习，检查池集中分布偏移下的行为。
2021-11-21 cs.LG stat.ML
Dependency-aware Maximum Likelihood Estimation for Active Learning
Department of Electrical and Computer Engineering（电气与计算机工程系）；Northeastern University（东北大学）；Department of Computer Science（计算机科学系）；University of Massachusetts Boston（马萨诸塞大学波士顿分校）
针对主动学习中样本存在依赖但传统MLE假设数据独立同分布的问题，提出依赖感知MLE方法修正参数估计，在多基准数据集上实现更早的性能提升，不同批次大小下准确率提升显著。
2025-10-03 cs.LG stat.ML
Context-aware Active Multi-Step Reinforcement Learning
SUNY at Buffalo（纽约州立大学布法罗分校）；Baidu（百度）；Salesforce（赛富时）
强化学习最近引起了人们的极大关注，特别是策略梯度算法，已经在具有挑战性的决策和控制任务上得到了展示。在本文中，我们提出了一个积极的多步TD算法与自适应步长学习演员和评论家。具体来说，我们的模型由两个部分组成：主动步长学习和自适应多步TD算法。首先，我们将时间范围划分为块，并在每个块中主动选择状态和动作。然后，给定选定的样本，我们提出了自适应的多步TD，它推广TD（$λ$），但自适应地打开/关闭备份，从未来的回报不同的步骤。特别地，自适应多步TD引入了上下文感知机制，这里是二元分类器，其基于上下文变化来决定是否打开其未来备份。因此，我们的模型是一种主动学习和多步TD算法的结合，它具有学习的能力，而不需要重要性采样。我们评估了我们的方法在离散和连续的空间任务分别在一个关闭的政策设置，并展示了竞争力的结果相比，其他强化学习基线。
2019-11-27 cs.AI cs.LG stat.ML
Cost Aware Asynchronous Multi-Agent Active Search
Carnegie Mellon University（卡内基梅隆大学）
多智能体主动搜索要求自主智能体选择有效定位目标的感知动作。在现实环境中，代理人还必须考虑他们的决策所产生的成本。以前提出的主动搜索算法简化了问题，忽略了代理的环境中的不确定性，使用近视决策，和/或忽略成本。在本文中，我们引入了一个在线主动搜索算法来检测目标在一个未知的环境中，通过自适应成本意识的决策代理的行动。我们的算法结合了汤普森采样（搜索空间探索和分散的多智能体决策），蒙特卡罗树搜索（长期规划）和帕累托最优置信区间（在未知环境中的多目标优化）的原则，提出了一个在线前瞻计划，删除所有的简化。我们通过仿真分析了算法的性能，证明了算法在代价感知主动搜索中的有效性。
2022-10-05 cs.LG cs.MA cs.RO
Active Learning for Abrupt Shifts Change-point Detection via Derivative-Aware Gaussian Processes
Arizona State University（亚利桑那州立大学）
针对变化点检测中数据采集昂贵耗时的问题，提出DACD方法，利用GP导数过程和多种采集函数顺序选择采样点，在多种场景下优于现有主动学习CPD方法。
2023-12-05 cs.LG
Active Client Selection in Federated Trajectory Prediction with Uncertainty-Awareness and Heterogeneous Complexity
Northeastern University（东北大学）；University of Connecticut（康涅狄格大学）
针对联邦轨迹预测中场景不确定性与复杂度异质性挑战，提出不确定性感知及联合复杂度-不确定性感知的主动客户端选择方法，在Argoverse上加速收敛并提升预测性能。
2026-09-25 cs.LG
Topology-Aware Active Learning on Graphs
Department of Mathematics, University of California Los Angeles（加州大学洛杉矶分校数学系）
本文提出一种图拓扑方法用于主动学习，通过构造基于平衡Forman曲率的coreset算法，引导探索并实现从探索到利用的动态切换，提升半监督学习性能。
2026-04-15 cs.LG
Geometry-Aware Active Learning of Pattern Rankings via Choquet-Based Aggregation
IMT Atlantique, LS2N, UMR CNRS 6004, F-44307 Nantes France（IMT Atlantique）
本文提出一种结合Choquet积分非线性聚合与版本空间几何感知查询选择的交互式学习框架，通过分支定界策略高效定位决策边界附近的比较查询，在UCI数据集上以更少用户交互超越ChoquetRank等现有方法。
2025-07-16 cs.HC cs.LG
Cost-Aware Diffusion Active Search
School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）
本文提出基于扩散模型的主动搜索方法，通过序列建模能力采样动作序列，实现高效成本感知决策，提升目标恢复率。
2026-02-23 cs.AI cs.LG cs.RO
Self-Supervised Vision-Based Detection of the Active Speaker as Support for Socially-Aware Language Acquisition
University of Southern California（南加州大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；NTNU Norwegian University of Science and Technology（挪威科技大学）
提出了一种多人语音交互场景下主动说话人视觉检测的自监督方法。主动说话人检测是任何人工认知系统在社会环境中获取语言的基本前提。所提出的方法是为了补充有源扬声器的声学检测，从而提高系统在噪声条件下的鲁棒性。该方法可以检测任意数量的可能重叠的主动扬声器的基础上，专门对他们的脸的视觉信息。此外，该方法不依赖于外部注释，因此符合认知发展。相反，该方法使用来自听觉模态的信息来支持视觉域中的学习。本文报告了一个广泛的评估所提出的方法，使用一个大型的多人面对面的互动数据集。结果表明，良好的性能，在扬声器相关的设置。然而，在扬声器独立设置所提出的方法产生一个显着较低的性能。我们认为，所提出的方法代表了任何人工认知系统或机器人平台参与社会互动的重要组成部分。
2019-07-18 cs.CL cs.CV cs.HC
Patient Aware Active Learning for Fine-Grained OCT Classification
Georgia Institute of Technology（佐治亚理工学院）
本文从医学的角度考虑使主动学习更合理。在实践中，疾病在患者队列中以不同的形式表现出来。现有的框架主要使用数学结构来设计不确定性或基于多样性的方法，以选择信息量最大的样本。然而，这样的算法并不自然地呈现为可由医学界和医疗保健提供者使用。因此，它们在临床环境中的部署非常有限（如果有的话）。为此，我们提出了一个框架，将临床见解纳入主动学习的样本选择过程，可以与现有的算法。我们的医学上可解释的主动学习框架捕获患者的各种疾病表现，以提高OCT分类的泛化性能。经过全面的实验，我们报告说，将患者的见解在主动学习框架产生的性能，匹配或超过五个常用的范例在两个架构与数据集具有不平衡的患者分布。此外，该框架整合了现有的医疗实践，因此可以由医疗保健提供者使用。
2022-06-27 cs.LG eess.IV
ReDAL: Region-based and Diversity-aware Active Learning for Point Cloud Semantic Segmentation
National Taiwan University（国立台湾大学）；Mobile Drive Technology（移动驱动科技公司）
尽管深度学习在监督点云语义分割上取得了成功，但获得大规模逐点手动注释仍然是一个重大挑战。为了减少巨大的注释负担，我们提出了一个基于区域和多样性感知的主动学习（ReDAL），这是许多深度学习方法的通用框架，旨在自动选择仅用于标签获取的信息和多样的子场景区域。观察到只有一小部分注释区域足以用于深度学习的3D场景理解，我们使用softmax熵，颜色不连续性和结构复杂度来衡量子场景区域的信息。一个多样性感知的选择算法也被开发，以避免冗余的注释所造成的选择信息丰富，但在一个查询批次相似的地区。大量的实验表明，我们的方法大大优于以前的主动学习策略，我们实现了90%的完全监督学习的性能，而不到15%和5%的注释所需的S3DIS和SemanticKITTI数据集，分别。我们的代码可在https://github.com/tsunghan-wu/ReDAL上公开获取。
2022-06-09 cs.CV cs.LG
Beyond Passive Aggregation: Active Auditing and Topology-Aware Defense in Decentralized Federated Learning
Yunnan Key Laboratory of Statistical Modeling and Data Analysis（云南统计模型与数据研究所）；Yunnan University（云南大学）
本文提出主动审计和拓扑感知防御框架，通过动态模型和新型审计指标检测隐蔽后门，提升去中心化联邦学习的鲁棒性。
2026-03-19 cs.LG stat.ME
CUAL: Continual Uncertainty-aware Active Learner
Intel（英特尔公司）
针对已部署AI需在标注预算极少的情况下适配含未知类的持续未标注数据的问题，提出CUAL模型，结合不确定性估计主动标注模糊新类样本并伪标注高置信预测，经多场景验证有效且将开源代码。
2024-12-12 cs.AI cs.LG
When Should Active RAG Retrieve? A Budget-Aware Evaluation of Utility, Calibration, and Cost
Carnegie Mellon University（卡内基梅隆大学）；University of Glasgow（格拉斯哥大学）；Georgia Institute of Technology（佐治亚理工学院）
研究主动检索生成式人工智能何时检索，通过将其重述为效用估计进行预算感知评估，并分离出相关三个问题，利用多种方法实现，在多数据集和模型中验证，强调评估应报告多方面指标。
2026-07-28 cs.LG
Maturity-Aware Active Learning for Semantic Segmentation with Hierarchically-Adaptive Sample Assessment
The Pennsylvania State University（宾夕法尼亚州立大学）
针对语义分割中主动学习面临的类别不平衡和样本定义歧义问题，提出MADBAL方法，通过分层多视图分布和成熟度感知不确定性选择关键像素，在Cityscapes和PASCAL VOC上超越现有方法。
2023-08-28 cs.CV cs.LG
Knowledge-Aware Federated Active Learning with Non-IID Data
The University of Sydney（悉尼大学）；ShanghaiTech University（上海科技大学）
针对非IID联邦数据中标注预算有限及全局与本地采样目标不匹配的问题，提出KAFAL，通过KSAS和KCFU实现隐私保护下的高效全局模型学习。
2023-09-30 cs.CV cs.LG
Context Aware Image Annotation in Active Learning
Case Western Reserve University（凯斯西储大学）
用于主动学习的图像注释是劳动密集型的。提出了各种自动和半自动标记方法来节省标记成本，但是标记实例数量的减少并不能保证成本的降低，因为对学习者最有价值的查询可能是最困难或最模糊的情况，因此对于Oracle来说，准确标记是最昂贵的。在本文中，我们试图解决这个问题，使用图像元数据，提供更多的线索，预言机在注释过程中的图像。我们提出了一个上下文感知的图像注释框架（CAIAF），使用图像元数据作为相似性度量聚类图像成组进行注释。我们还提供了有用的元数据信息作为注释界面上每个图像的上下文。实验表明，与传统框架相比，它降低了CAIAF的标注成本，同时保持了较高的分类性能。
2020-02-06 cs.IR cs.LG
Local Context-Aware Active Domain Adaptation
Stony Brook University（石溪大学）；XPeng Motors（小鹏汽车）
针对现有主动域自适应未充分利用局部上下文的问题，提出LADA框架，基于预测局部不一致性选样本，类别平衡式扩充标注数据，性能优于现有方法。
2023-08-27 cs.CV cs.LG
QueryMarket: Cost-Aware Online Active Learning in Data Markets
Dyson School of Design Engineering, Imperial College London（帝国理工学院戴森设计工程学院）；Halfspace (part of Accenture)（埃森哲旗下Halfspace）；Technical University of Denmark (DTU Management)（丹麦技术大学（DTU管理系））；Aarhus University (CoRE)（奥胡斯大学（CoRE））
提出QueryMarket框架和OVBAL算法，通过D-最优性准则估计边际效用，在滚动预算约束下实现成本感知的在线主动学习，适应非平稳流和异构标签成本。
2026-06-17 cs.LG
Force-Aware Neural Tangent Kernels for Scalable and Robust Active Learning of MLIPs
InstaDeep；Department of Engineering, University of Cambridge（工程系，剑桥大学）
本文提出一种线性可扩展的主动学习框架，结合力感知神经切线核，有效提升MLIPs在大规模候选池中的鲁棒性和效率，验证了其在多个数据集上的优越性能。
2026-05-15 cs.LG
Future Aware Safe Active Learning of Time Varying Systems using Gaussian Processes
OWL University of Applied Sciences and Arts（OWL应用科学与艺术大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
针对时变系统实验探索的高成本与安全约束问题，提出T-IMSPE安全主动学习框架，通过最小化当前和未来状态后验方差优化信息收集，提升模型质量，明确适用的高斯过程核等要素。
2025-04-16 cs.AI cs.LG math.OC
Correlation-aware active learning for surgery video segmentation
University of Bern（伯尔尼大学）；Auris Health. Inc, JNJ（强生旗下奥瑞斯健康公司）
提出 COWAL 相关性感知主动学习策略，结合对比学习微调潜在空间与局部簇代表性帧选择，以降低手术视频分割的标注成本，并在多个手术及真实视频数据集上验证有效性。
2023-12-11 cs.CV cs.LG
Diversity-Aware Batch Active Learning for Dependency Parsing
Cornell University（康奈尔大学）；Bloomberg L.P.（彭博有限合伙企业）
虽然现代统计依赖解析器的预测性能在很大程度上依赖于昂贵的专家注释树库数据的可用性，但并非所有注释都对解析器的训练有同样的贡献。在本文中，我们试图减少标记的例子需要训练一个强依赖分析器使用批量主动学习（AL）的数量。特别是，我们调查是否强制多样性的抽样批次，使用决定性点过程（DPP），可以改善他们的多样性不可知的同行。英语新闻通讯语料库上的模拟实验表明，选择不同的批次与DPPs是优于强选择策略，不执行批次的多样性，特别是在学习过程的初始阶段。此外，我们的diversityaware策略是强大的语料库重复设置下，多样性不可知的采样策略表现出显着的退化。
2021-04-28 cs.AI cs.CL cs.LG
Conflict-Aware Active Automata Learning
University College London（伦敦大学学院）；Cornell University（康奈尔大学）
针对主动自动机学习难以处理观测冲突、在噪声或系统变异场景适用性受限的问题，提出C3AL框架，将观测树作为核心要素，适配任意现有学习器并减少测试次数，经大规模基准测试验证其在黑盒学习中处理噪声与变异的优势。
2023-10-02 cs.FL cs.LG
Hallucination Diversity-Aware Active Learning for Text Summarization
Shanghai Jiao Tong University（上海交通大学）；University of Michigan（密歇根大学）；Adobe Research（奥多比研究院）
本文提出首个缓解LLM幻觉的主动学习框架HADAS，通过从语义框架、话语和内容可验证性度量细粒度幻觉并选择多样化样本标注，在三个数据集上验证了其高效减轻文本摘要幻觉的效果。
2024-04-02 cs.AI cs.CL cs.LG
In Defense of Core-set: A Density-aware Core-set Selection for Active Learning
Deargen Inc.（Deargen公司）；Deargen USA, Inc.（Deargen美国公司）
主动学习通过从未标记数据集中标记信息样本来实现标记数据集的有效构造。在真实世界的主动学习场景中，考虑所选样本的多样性是至关重要的，因为存在许多冗余或高度相似的样本。核心集方法是一种很有前途的基于多样性的方法，它根据样本之间的距离来选择不同的样本。然而，与基于不确定性的方法相比，该方法表现不佳，该方法选择了神经模型显示置信度较低的最困难的样本。在这项工作中，我们通过密度的镜头分析特征空间，有趣的是，观察到局部稀疏区域往往比密集区域具有更多的信息样本。基于我们的分析，我们赋予核心集的方法与密度意识，并提出了一个密度意识的核心集（DACS）。该策略是估计未标记样本的密度，并主要从稀疏区域中选择不同的样本。为了减少密度估计中的计算瓶颈，我们还引入了一种新的基于局部敏感哈希的密度近似。实验结果清楚地证明了DACS在分类和回归任务中的有效性，并特别表明DACS可以在实际场景中产生最先进的性能。由于DACS是弱依赖于神经架构，我们提出了一个简单而有效的组合方法，以表明现有的方法可以有益地结合DACS。
2022-07-14 cs.AI cs.LG
D2ADA: Dynamic Density-aware Active Domain Adaptation for Semantic Segmentation
National Taiwan University（台湾大学）；Mobile Drive Technology（智驾科技）
在领域自适应中，在模型性能和目标域注释的数量之间存在折衷。主动学习，用很少的信息标记数据最大化模型性能，在这种情况下派上用场。在这项工作中，我们提出了D2 ADA，一个通用的主动领域自适应框架的语义分割。为了使该模型适应目标域的查询标签最少，我们建议获取标签的样本具有高概率密度在目标域中，但在源域中的概率密度较低，补充现有的源域标记的数据。为了进一步提高标记效率，我们设计了一个动态调度策略，随着时间的推移调整域探索和模型不确定性之间的标记预算。大量的实验表明，我们的方法优于现有的主动学习和领域自适应基线的两个基准，GTA 5-> Cityscapes和SYNTHIA -> Cityscapes。与不到5%的目标域注释，我们的方法达到了可比的结果与全面监督。我们的代码可在https://github.com/tsunghan-wu/D2ADA上公开获取。
2022-07-18 cs.CV cs.LG
Conflict-Aware Active Automata Learning (Extended Version)
University College London（伦敦大学学院）；Cornell University（康奈尔大学）
提出C3AL框架，将观测树作为一等公民，兼容任意学习器并最小化测试次数，在30多个现实目标、18000多场景中验证，能更好处理噪声和变异。
2023-09-06 cs.AI cs.FL cs.LG
Neuron-Aware Active Few-Shot Learning for LLMs
University of Pittsburgh, USA（匹兹堡大学）
提出NeuFS框架，利用神经元激活模式从模型内部动态选择最具价值的少样本示例，提升大语言模型在专业领域的适应性和性能。
2026-07-03 cs.AI cs.LG
Multi-Agent Active Search using Realistic Depth-Aware Noise Model
Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）；School of Earth Sciences, Ohio State University（俄亥俄州立大学地球科学学院）
在未知环境中主动搜索感兴趣的物体有许多机器人应用，包括搜索和救援，检测气体泄漏或定位动物偷猎者。现有的算法通常优先考虑感兴趣的对象的位置精度，而其他实际问题，如作为距离和视线的函数的目标检测的可靠性仍然在很大程度上被忽略。此外，在许多主动搜索场景中，通信基础设施可能不可靠或未建立，使得对多个代理的集中控制不切实际。我们提出了一种算法，称为噪声感知汤普森采样（NATS），解决这些问题的多个地面机器人进行主动搜索考虑两个来源的感官信息从单目光学图像和深度图。通过使用汤普森采样，NATS允许多个代理之间的分散协调。NATS还考虑了来自深度的目标检测不确定性以及环境遮挡，并且在保持对感兴趣的对象的数量不可知的同时进行操作。使用模拟结果，我们表明，NATS显着优于现有的方法，如信息贪婪的政策或穷举搜索。我们展示了现实世界的可行性NATS使用伪现实环境中创建的虚幻引擎4游戏开发平台与AirSim插件。
2021-03-22 cs.AI cs.LG cs.RO
Bias-Aware Heapified Policy for Active Learning
National Tsing Hua University（国立清华大学）；Umbo Computer Vision（Umbo计算机视觉公司）
由于高质量干净数据的昂贵和难以收集，基于学习的算法的数据效率越来越重要，为了用最少的样本数获得高的模型性能，主动学习是一种从原始数据集中查询最重要数据子集的技术。在主动学习领域，基于不确定性的启发式学习方法是一个主流的研究方向。最近，一些作品提出了应用策略强化学习（PRL）查询重要数据。由于PRL方法依赖于数据特征，而数据特征比人的先验知识更可靠，因此比启发式不确定性方法更具有普遍性。然而，将PRL应用于主动学习中存在两个问题--策略学习的样本效率低下和过度自信。更准确地说，策略学习的样本无效发生在一个大的动作空间内的采样，同时，类的不平衡会导致过度自信。本文提出了一种基于偏差感知的策略网络--堆化主动学习（HAL），该策略网络通过堆化结构防止过度自信，提高策略学习的样本效率，同时不忽略全局信息（整个未标记集的概览）。在我们的实验中，HAL在MNIST数据集和重复MNIST上的性能优于其他基线方法。最后但并非最不重要的是，我们研究了在MNIST数据集上学习的HAL策略的泛化，直接将其应用于MNIST-M。我们表明，代理可以推广和优于直接学习的政策下的约束标记集。
2019-11-18 cs.CV cs.IR cs.LG
OnlineWM: Causality-Aware Active Online Learning for Effective World Modeling
The Hong Kong University of Science and Technology（香港科技大学）
OnlineWM提出主动在线学习与因果感知优化框架，通过模拟器交互和反事实学习提升世界模型的动作可控性与泛化能力。
2026-09-22 cs.CV cs.LG
Prior-aware and Context-guided Group Sampling for Active Probabilistic Subsampling
Department of Artificial Intelligence, Korea University, Seoul, Republic of Korea（人工智能系，韩国大学，首尔，大韩民国）
研究针对主动概率子采样方法不足，提出先验感知和上下文引导分组主动DPS（PGA-DPS），整合先验信息采样模式与基于组的top-k采样，经理论分析和实证验证，在多任务中表现优于其他方法。
2026-07-09 cs.LG cs.SY eess.SY
Online and Adaptive Parking Availability Mapping: An Uncertainty-Aware Active Sensing Approach for Connected Vehicles
University of Padova（帕多瓦大学）；National Research Council (CNR - IEIIT)（国家研究委员会（CNR - IEIIT））
联网车辆的研究代表了一个不断发展的技术领域，受到新兴物联网（IoT）范式和智能交通系统最新进展的推动。如今，车辆是能够基于大量数据生成、接收和自动行动的平台。在辅助驾驶的背景下，联网汽车技术提供有关周围交通状况的实时信息。这些信息有望提高驾驶员的生活质量，例如，通过根据当前停车可用性状态采取决策制定策略。在这种情况下，我们提出了一个在线和自适应计划的停车可用性映射。具体来说，我们采用一种信息寻求主动传感方法来选择传入的数据，从而保留车载存储和处理资源;然后，我们通过高斯过程回归估计停车可用性。我们比较所提出的算法与几个基线，达到较差的性能，在映射收敛速度和自适应能力，此外，所提出的方法是在一个非常小的计算需求的成本。
2021-05-01 cs.LG eess.SP
Certified World Models as Sensing Clocks: Drift-Aware Deadlines for Active Perception
Hongbo Wang（王Hongbo）
提出一种基于认证世界模型的感知时钟，通过漂移感知的截止时间规则决定主动感知时机，在合成基准和3D VN-JEPA模型上验证了有效性。
2026-07-03 cs.LG
Cost-Aware Query Policies in Active Learning for Efficient Autonomous Robotic Exploration
针对资源受限下自主机器人高效探索需求，分析结合动作代价的高斯过程回归主动学习算法，实验发现带距离约束的传统不确定性指标在轨迹约束下降误差效果最优，为真实任务约束下的探索优化提供参考。
2024-10-31 cs.IR cs.LG cs.RO
Scaffold-Aware Generative Augmentation and Reranking for Enhanced Virtual Screening
Yale University（耶鲁大学）；University of Oregon（俄勒冈大学）；Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）；Leipzig University（莱比锡大学）；Vanderbilt University（范德比大学）
ScaffAug通过生成增强、重排序和支架感知方法提升虚拟筛选效果，解决类别和结构不平衡问题。
2026-01-21 cs.AI cs.LG
DARTS: Distribution-Aware Active Rollout Trajectory Shaping for Accelerating LLM Reinforcement Learning
School of Computer Science \& Beijing Key Laboratory of Software；Hardware Cooperative Artificial Intelligence Systems, Peking University, Beijing, China；School of Artificial Intelligence, Shanghai Jiao Tong University, Shanghai, China；Institute of Computational Social Science, Peking University (Qingdao), Qingdao, China
针对强化学习中长尾响应分布导致的效率瓶颈，提出分布感知的主动轨迹塑造方法，通过细粒度识别提示内长尾并削减无效冗余，实现高达1.77倍的加速而不损失模型性能。
2026-05-29 cs.AI cs.LG
Enhancing Performance and User Engagement in Everyday Stress Monitoring: A Context-Aware Active Reinforcement Learning Approach
University of California, Irvine（加州大学欧文分校）
针对传统压力监测中EMA数据收集效率与用户负担难以平衡的问题，提出上下文感知主动强化学习算法，结合智能手表PPG和手机上下文数据动态选EMA时机，离线转在线后检测效率升11%，加上下文提准4%，个性化使AUC-ROC升10%。
2024-07-11 cs.LG
Active Imitation Learning for Thermal- and Kernel-Aware LFM Inference on 3D S-NUCA Many-Cores
University of Amsterdam, Netherlands（阿姆斯特丹大学）；Southeast University, China（东南大学）；University of Thessaly, Greece（塞萨洛尼基大学）
本文提出AILFM框架，通过主动模仿学习实现热感知调度，考虑核心性能异质性和LFM核行为，提升性能并保障热安全。
2026-04-13 cs.AR cs.LG
CHASe: Client Heterogeneity-Aware Data Selection for Effective Federated Active Learning
State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学）
针对联邦主动学习中客户端数据异质性导致的模型精度下降问题，提出CHASe方法，通过跟踪高认知变异性样本、校准决策边界及数据冻结唤醒机制，实现高效且准确的数据选择。
2025-04-24 cs.DB cs.DC cs.LG
CAAL: Confidence-Aware Active Learning for Heteroscedastic Atmospheric Regression
Department of Computer Science The University of Manchester Manchester Greater Manchester UK（计算机科学系 伦敦大学曼彻斯特分校 曼彻斯特 大曼彻斯特 UK）；Department of Atmospheric Sciences Zhejiang University Hangzhou China（大气科学系 浙江大学 杭州 中国）；Yunqi Academy of Engineering Hangzhou China（云启工程学院 杭州 中国）；The University of Manchester（伦敦大学曼彻斯特分校）；Zhejiang University（浙江大学）；Yunqi Academy of Engineering（云启工程学院）
CAAL通过置信度感知主动学习框架，解决异方差大气回归中样本选择问题，提升高成本颗粒性质数据库的扩展效率。
2026-02-12 cs.LG physics.ao-ph
SigOpt Mulch: An Intelligent System for AutoML of Gradient Boosted Trees
Illinois Institute of Technology（伊利诺伊理工学院）；Cornell University（康奈尔大学）；SigOpt: An Intel Company（SigOpt（英特尔旗下公司））
本文提出 SigOpt Mulch，一个面向梯度提升树的模型感知 AutoML 超参数调优系统，结合元学习、多保真度优化与搜索空间智能决策，提升调优效率并降低领域知识需求。
2023-07-10 cs.AI cs.LG cs.MS
