active learning
PulseAugur coverage of active learning — every cluster mentioning active learning across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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。
-
新AI方法应对不断演变的安卓恶意软件检测
研究人员开发了新的方法来应对安卓恶意软件检测系统中的概念漂移问题，该问题是指模型性能会因恶意软件特征的演变而随时间下降。一种方法，“使用自监督和强化学习的概念漂移适应”，利用自监督学习来获得稳定的表示，并利用强化学习来选择具有成本效益的维护操作。另一种方法，“SEED：用于在预算内应对概念漂移的半监督持续恶意软件检测”，结合了半监督持续学习和主动学习，以在有限的标记数据下提高检测能力。第三项研究，“时间概念漂移下的对抗性漏洞”，纵向评…
-
新的CAML框架提升机器学习模型对抗虚假关联的鲁棒性
研究人员开发了一个名为累积主动元学习（CAML）的新型主动学习框架，以提高机器学习模型对抗虚假关联的鲁棒性。CAML将每个主动学习轮次视为一个元学习任务，利用查询到的样本来调整模型的归纳偏倚，而不仅仅是更新其似然性。这种累积方法捕捉了学习轮次之间的顺序依赖性，从而在各种基准测试中显著提高了少数群体的准确性。
-
新的PFNs方法分离认知不确定性和随机不确定性，以改进决策
研究人员开发了一种名为Decoupled PFNs的新方法，以更好地区分认知不确定性（模型知识的不确定性）和随机不确定性（数据中的固有噪声）。这对于主动学习和贝叶斯优化等应用至关重要，在这些应用中，优先考虑模型知识是关键。通过训练一个具有分离的潜在信号和噪声头部的解耦网络，该方法旨在提高在嘈杂环境中的决策能力。