.png){kind=icon}
返回
Recent Advancements in Active Learning
.png){kind=icon}
PRE
AI
DOI：10.3390/math14081358.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动学习（AL）旨在最大化模型性能同时最小化标注成本。随着深度学习的快速采用，AL方法已演变为满足当代需求。我们系统地考察了2018年至2025年5月发表的文献，重点关注四大关键趋势：批量模式选择、迁移学习整合、多策略查询以及扩展到多样化应用领域。此外，我们总结了经典的AL方法。尽管观察表明结合AL与深度学习显著提升了数据效率，但仍存在一个关键局限性：不同研究缺乏标准化评估协议阻碍了精确比较。尽管如此，我们发现AL与当代趋势高度契合，并为机器学习社区提供了关于尚未充分探索机遇的见解，以指导未来研究。
Keyword:
active learning
query strategy
machine learning
deep learning
complexity
supervised learning
68-11
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
A study of deep active learning methods to reduce labelling efforts in biomedical relation extraction关于减少生物医学关系抽取中标注工作量的大规模主动学习方法的研宄.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏
MDAL: Modality-difference-based active learning for multimodal medical via contrastive and mutual informationMDAL：基于模态差异的主动学习，用于通过对比和互信息的多模态医学
PREAI
分享收藏
查看更多内容