active learning
PulseAugur coverage of active learning — every cluster mentioning active learning across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
模拟发现固态电池界面新晶相
研究人员利用大规模、量子精度反应模拟，结合主动学习和深度等变神经网络，研究固态电池界面演化。这种避免了实验拟合可调参数的方法，揭示了固态电解质界面（SEI）中先前未报道的晶体无序相 Li$_2$S$_{0.72}$P$_{0.14}$Cl$_{0.14}$。模拟还阐明了界面处的锂蠕变机制，这对于理解枝晶形成至关重要。
-
主动学习增强了可微神经架构搜索在3D医学图像分割中的应用
研究人员开发了Active-DiNTS，一种将主动学习与可微神经架构搜索（NAS）相结合的新方法，用于3D医学图像分割。该方法联合优化网络拓扑和标签策展，显著降低了对大量标注预算和多GPU集群的需求。通过使用熵、方差或标准差等不确定性信号对未标记数据进行排序，Active-DiNTS能够有效地选择需要标注的卷，从而在Medical Segmentation Decathlon等基准测试中提高分割精度。
-
新的主动学习框架在数据不完美的情况下优化标注者分配
研究人员开发了一个名为 OLAS（Optimal Labeler Assignment and Sampling）的新主动学习框架，旨在减轻机器学习中不完美标签的影响。该框架通过模拟标注者准确性和模型不确定性，优化了标注者到样本的分配以及样本本身的选取。实证结果表明，OLAS 在使用单个样本标签时，其性能与现有的主动学习策略相当，并且通常能达到最高的分类准确率。
-
BioDCASE挑战赛评估生物声学的活动学习
一项名为BioDCASE的新挑战赛被引入，旨在系统地评估生物声学的活动学习方法。该挑战赛旨在解决由于数据集、模型和预算不同而难以衡量活动学习策略进展的难题。BioDCASE挑战赛中表现最佳的方法比随机抽样高出26.4%的学习曲线下面积，并且在不同数据子集上的表现差异显著。研究还发现，结合多种采集信号和基于多样性的选择比纯粹的不确定性抽样更有效。
-
新方法将剪枝整合到主动学习中以寻找稀疏模型
研究人员开发了一种名为“改进与剪枝”（I&P）的新方法，该方法将幅度剪枝整合到主动学习再训练周期中。该方法旨在主动学习流程中发现稀疏子网络或“中奖彩票”，而无需显著增加计算成本。研究结果表明，I&P 可以在每次主动学习迭代中生成可部署的稀疏模型，在高达 95% 的稀疏度下实现与密集模型相当的准确性。该方法解决了再训练和获取评分中的计算瓶颈，有望使主动学习在更大模型和数据集上得到实际应用。
-
新的主动学习方法提高了手语识别训练效率
研究人员开发了RAIDAL，一种新颖的主动学习方法，旨在提高连续手语识别（CSLR）模型训练的效率。该技术通过利用通常用于推理的CTC解码器来识别手语视频中的相关时间段，从而解决了高昂标注成本的挑战。通过关注这些对齐的区域，RAIDAL减少了冗余帧和静止姿势的影响，从而在各种数据集和架构中实现更有效的样本选择和数据效率。
-
AdaptNTK框架提升了AI在分子动力学模拟中的应用
研究人员开发了AdaptNTK，一种用于神经网路势能不确定性量化和主动学习的新型框架。这种单一模型方法使用经验神经切线核（NTK）特征空间中的正则化马氏距离来估计不确定性，并且可以在不重新训练的情况下递归更新。AdaptNTK在分子动力学模拟中表现出强大的性能，与力误差实现了高相关性，并在rMD17和Transition-1X等数据集的主动学习实验中，尤其是在过渡态构型方面，优于集成方法。
-
新的AL-SPCE方法增强了随机模型的可靠性分析
研究人员开发了一种名为AL-SPCE的新方法，该方法结合了主动学习和随机多项式混沌展开，以改进非确定性模型的可靠性分析。与传统的蒙特卡洛模拟和之前的基于代理的方法相比，这种方法显著降低了计算成本。AL-SPCE识别出模拟器具有高预测不确定性的区域，从而实现更有效和准确的可靠性估计，这一点已在三种问题类型中得到验证。
-
FrameScope框架增强自动驾驶汽车的持续学习能力
研究人员开发了FrameScope，一个旨在改进自动驾驶汽车持续学习的新框架。FrameScope利用时间数据评估，将神经切线核理论扩展到时间域，以识别和选择这些车辆产生的海量视觉数据流中的高价值帧。这种方法允许在车上进行有原则的帧选择，减少了将所有数据传输到云端进行标记的需要，从而降低了带宽要求。实验表明，FrameScope在样本效率方面优于现有方法，并能减轻自动驾驶汽车感知系统中的灾难性遗忘。
-
人机协同：一种AI架构，而非仅仅是弹窗
本文认为，人机协同（HITL）应作为AI系统的核心架构组件进行集成，而不是事后考虑或简单的确认步骤。作者建议，当前的代理演示通常依赖于表面化的人类反馈，这不足以应对实际部署。真正的人机协同需要在整个AI开发和运营生命周期中，更稳健、更持续地集成人类判断。
-
调查详细介绍了基于内容的图像检索技术的进展
本调查论文全面概述了基于内容的图像检索（CBIR）系统，重点关注相关反馈技术。它讨论了语义鸿沟等挑战，并探讨了包括机器学习、深度学习和卷积神经网络在内的解决方案。该论文还强调了主动学习在优化分类器训练样本选择中的作用，旨在提高CBIR在各种应用中的准确性和可用性。
-
新研究增强了贝叶斯优化和主动学习技术
两篇新研究论文探讨了贝叶斯优化和主动学习的先进技术。第一篇论文介绍了 KENDO，一个使用集成高斯过程和注意不一致的获取策略来改进超参数选择并降低贝叶斯优化和主动学习计算成本的框架。第二篇论文提出了一个多目标贝叶斯优化框架，该框架从成对比较中推断潜在偏好原型，从而能够更好地识别权衡策略并完善偏好，在合成和真实基准测试中均优于现有方法。
-
研究：金融市场在新闻发布前定价，对新闻反应过度
一篇新发表在arXiv上的研究探讨了金融市场如何对新闻做出反应，特别关注价格变动的时机和性质。研究人员使用大型语言模型对超过450万篇金融新闻文章进行分类，发现与新闻事件相关的价格变动主要集中在发布日期前后，传言往往在确认前就捕捉了全部价格变动。研究还表明，市场倾向于对收益报告等可量化财务数据反应不足，但对产品发布或领导层变动等定性新闻反应过度，后者往往会随着时间推移而逆转。此外，新闻的公开性会增加发布前股票的波动性，然后在不确定性解决后消退。
-
机器学习绘制几内亚比绍腰果园地图
研究人员开发了一种新颖的机器学习方法，利用 Sentinel-2 卫星图像检测几内亚比绍的腰果园。该方法采用基于边界的主动学习来创建最佳训练数据集，在全国范围内测绘中实现了 94.0% 的平衡准确率。该项目已通过 GitHub 公开提供了两个数据集和一个 10 米分辨率的 2021 年腰果地图，旨在支持环境应用和打击森林砍伐。
-
主动学习优化贝叶斯优化，加速材料发现
研究人员开发了一个新框架，将主动学习与多目标贝叶斯优化相结合，以提高材料发现的效率。该方法通过自适应地关注有希望的区域来细化设计空间，显著缩小搜索范围，同时保留关键结果。该方法在用于气体分离的共价有机框架和压力容器设计方面进行了测试，证明候选空间减少了约一半，从而提高了早期收敛速度并加速了最佳材料配置的发现。
-
新框架优化医学图像分类的主动学习
研究人员开发了ALDA（主动学习部署顾问），以优化医学图像分类的主动学习策略选择。ALDA使用试点标注阶段来模拟不同策略的学习曲线，并预测它们达到临床性能目标的能力。该框架还量化了标注成本估算对不确定性的敏感性，推荐能够应对阈值修订并最大限度地降低标注成本的策略，潜在成本可降低高达82%。
-
新的自适应技术可高效重构玻色子量子态
研究人员开发了一种自适应重构技术，可以更有效地表征玻色子量子态。该方法利用贝叶斯推理、bootstrap和主动学习来选择最优测量点，从而能够从有限的测量次数中重构出Wigner函数。该技术在具有薛定谔猫态的电路量子电动力学平台上进行了测试，结果表明它对相空间变换具有鲁棒性，对态的缺陷敏感，并且能在几分钟内提供可复现的保真度估计。
-
大型语言模型不确定性量化：黑盒与白盒方法对比
研究人员正在探索让大型语言模型（LLMs）量化自身不确定性的方法，这对于主动学习和安全分类等应用至关重要。当前的方法分为“白盒”方法，分析内部模型状态但需要访问模型权重；以及“黑盒”方法，依赖于可观察的输出，如 token 及其概率。最近的一项比较评估了八种黑盒技术与一种白盒方法，以确定 LLM 置信度估计的最有效方法。
-
探讨用于更安全自动驾驶汽车的“人在回路”机器学习
一篇新的arXiv论文探讨了集成“人在回路”机器学习（HITL-ML）技术以增强自动驾驶汽车（AVs）的安全性和伦理考量。该论文详细介绍了人类输入，通过验证、标注和偏好反馈等方法，如何解决感知、预测和决策方面的挑战，尤其是在复杂的驾驶场景中。它涵盖了各种HITL-ML方法，包括课程学习、强化学习、大型语言模型和主动学习，同时还强调了人类监督在AV系统中的透明度、问责制和可靠性的重要性。
-
新的主动学习框架大幅降低组织病理学标注成本
研究人员开发了SHAL（Slide-level Hybrid Active Learning），一个新颖的框架，旨在显著降低组织病理学图像分割深度学习模型的标注负担。这种患者级别的（patient-level）方法通过改进不确定性估计、与切片级别（slide-level）标注工作流程保持一致，并显式管理类别不平衡，来解决现有主动学习方法的局限性。SHAL集成了前景感知（foreground-aware）、阶段自适应（stage-ada…