active learning
PulseAugur coverage of active learning — every cluster mentioning active learning across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
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。
-
新的 KENDO 框架提升贝叶斯优化和主动学习能力
研究人员推出了一种名为 KENDO（Kernel ENsemble Disagreement-aware Operator）的新型框架，旨在增强贝叶斯优化和主动学习。KENDO 通过采用核集成和自适应贝叶斯加权来解决超参数选择的挑战，取代了计算成本高昂的 MCMC 采样。与现有方法相比，这种方法在提高优化性能和预测校准的同时，显著降低了计算开销。
-
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…
-
新的主动学习算法应对对抗性图损坏
研究人员开发了一种新的主动学习算法，旨在识别图中的损坏顶点，即使在对手篡改网络结构的情况下也能做到。该算法旨在通过最少数量的标签查询来有效地找到这些隐藏的顶点。其查询复杂度多项式地依赖于对手的能力和图的顶点扩展度（一种连通性度量）。这项工作强调了顶点扩展度在能够抵抗结构性对抗性攻击的主动学习算法中的关键作用。
-
新框架通过主动学习提升无监督异常检测能力
研究人员开发了一个新框架，通过引入主动学习来改进无监督时间序列异常检测。该方法采用掩码时间序列重构反馈策略和极大极小学习方法，以更好地识别细微异常和噪声。在多个数据集上的实验表明，与现有的无监督模型相比，AUC提高了12.39%，表明其在增强异常检测系统方面的有效性。
-
Transformer模型提升疫苗表位选择效率
研究人员开发了一种基于Transformer的主动学习方法，以提高疫苗表位选择的效率。该方法通过优化模型架构、训练配置和采集策略，显著提高了识别猪繁殖与呼吸综合征（PRRS）高亲和力结合表位的准确性。与随机抽样相比，主动学习策略（特别是使用Transformer模型）表现出更优越的性能，在某些条件下甚至优于在两倍数据量下训练的标准基线模型。
-
新的暖启动策略加速高斯过程推理
研究人员开发了新的暖启动策略来加速高斯过程（GP）推理，这是主动学习和贝叶斯优化等任务的关键组成部分。这些方法利用来自较小线性系统的解，在用新数据更新 GP 后验时显著加快收敛速度。理论分析和经验结果表明，这些暖启动技术可以实现高达 19 倍的速度提升，并产生更准确的后验估计，从而提高优化性能。
-
新的强化学习方法增强了大型语言模型的不确定性表达和可信度
研究人员开发了一种名为“基于元认知反馈的强化学习”（RLMF）的新方法，以改进大型语言模型（LLMs）表达其不确定性的方式。该方法利用模型对其性能的自我评估来优化其响应并识别有价值的训练数据，其表现优于标准的活动学习技术。实验表明，RLMF显著增强了“忠实校准”，使表达的不确定性与内在置信度保持一致，并提高了LLMs识别和传达其知识边界的能力。
-
上下文学习可能支持机器学习中的内在好奇心
一项新的研究论文探讨了大型序列模型的上下文学习（ICL）能力是否能够支持机器学习中的内在好奇心。该研究调查了是否可以仅使用ICL模型的预测误差和上下文操纵来训练一个探索策略以最大化学习进度，从而消除了计算成本高昂的梯度下降更新的需要。虽然研究证明这在马尔可夫决策过程中通常是不可能的，因为奖励存在偏差或ICL的实现存在挑战，但它在主动学习和贝叶斯实验设计等非时间性设置中展示了一个积极的结果。跨各种环境的实验证实，这种由ICL驱动的框架成…
-
探索上下文学习在人工智能内在好奇心方面的应用
研究人员探讨了序列模型的上下文学习（ICL）能力是否能够支持机器学习中的内在好奇心。虽然传统的自动数据选择方法或“内在好奇心”由于需要梯度下降更新而计算成本高昂，但这项工作研究了使用ICL作为一种无需更新的替代方案。该研究证明，在一般的马尔可夫决策过程中，这种方法不是无偏的，但在非时间性设置（如主动学习和贝叶斯实验设计）中取得了积极成果，在这些设置中，ICL产生的奖励可以界定并收敛到真实的学习进展。在各种环境中的实验证实，这种由ICL…
-
LLM标注在低成本下可媲美人类标签，用于敌意检测
一篇新的arXiv论文研究了大型语言模型（LLM）在主动学习数据标注方面的有效性，特别是在在线评论的敌意检测方面。研究发现，LLM，特别是使用两问界面的GPT-5.2，可以以远低于人类标注者的成本标注数据，并取得相当或更优的性能。然而，研究也指出，在使用LLM标注者时，主动学习并未提供优于随机抽样的可靠优势，且不同LLM的错误结构各不相同，有些会将经济或边境管制言论错误分类。
-
新的主动学习框架利用基础模型解决类别不平衡数据问题
研究人员开发了一个新的主动学习框架，旨在提高模型在类别分布不平衡和标注有噪声的数据集上的性能。该方法利用基础模型的先验知识，在大型基础模型和小型模型之间做出明智的决策，从而有效地解决了图像和文本域中的标签噪声和类别不平衡问题。实验表明，与现有基线方法相比，该方法在保持性能和鲁棒性的同时，可节省超过 50% 的标注成本。
-
综述详述用于逆向材料设计的AI模型
一篇新的综述论文详述了在逆向材料设计中使用生成模型和多模态学习的进展。文章涵盖了各种生成模型类别，如VAE、归一化流和扩散模型，并强调了如何将物理约束集成到设计工作流中。该论文还探讨了融合不同数据模态如何创建更通用的化学空间表示，并讨论了优化逆向设计的策略，以及常见的失败模式和评估实践。