- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法进阶
主动学习概述(ActiveLearning)
一、前言 本文整理了我对主动学习的理解和最新研究的感悟，主要目的是供大家参考、讨论，一起学习和交流主动学习的技术。 难以迁移：主动学习是一种数据选择策略，那么实际应用中必然需求更通用、泛化性更好的主动学习策略。 然而，作者发现与这一现象形成鲜明对比的是：在视觉问答任务的 5 个模型和 4 个数据集中，各种各样的主动学习方法未能胜过随机选择。 8.2 主动学习与半监督学习结合 由于半监督学习展示出了优异的性能，在标签不足的情况下，如果能将主动学习与半监督学习结合，将会取得更优异的性能。 8.5 主动学习与对比学习结合 对比学习最近势头比较猛，最近也有主动学习与对比学习结合解决对比学习的问题，大家可以欣赏一下。
82130编辑于 2023-11-16 - 来自专栏FunTester
视频是主动学习吗？
在前段时间的学习过程里，我不禁问了自己一个问题：视频学习是主动学习还是被动学习？ 先让我们看一下两者的区别。 主动学习 主动学习是一种学习者重度参与的学习方式，是一种以学习者为中心的学习方式。 学习者需要以探索者的角色进入学习状态，需要自己的思考、判断，方能融会贯通。 被动学习 被动学习是传统的学习方法，学生很少参与。环境通常以教授者为中心。学者需要通过被动地接受知识。 从学习效率讲，自然是主动学习效率最高。所以我才会有自己的疑问。同样的，还有一个伴生的问题：看视频教程是接受信息还是接受知识？ 个人体验 主动学习是需要自己调动自己的注意力，放在学习上，或者源于自身的兴趣，总而言之是需要投入较多精力和注意力的。 主动学习是以我为中心的方式，学习的进度自然不会像视频时间流速一样，肯定是起伏的，而且每个人的起伏都不一样。能够真正内化成知识的内容会更多，因为即学即用，信息经过加工之后，更容易掌握。
1.2K20编辑于 2022-12-09 - 来自专栏机器学习算法与Python学习
Machine Learning -- 主动学习(AL)
主动学习已成为模式识别、机器学习和数据挖掘领域的研究热点问题。介绍了主动学习的基本思想，一些最新研究成果及其算法分析，并提出和分析了有待进一步研究的问题。 目前，常用于分类问题的主动学习算法有三种形式[5]：（1）基于委员会的启发式方法（QBC）；（2）基于边缘 的启发式方法（MS）；（3）基于后验概率的启发式方法（PP）。 2 主动学习算法 2.1 基于委员会的主动学习算法 主动学习方法选择一定数量的分类模型，构成分类委员会。利用初始训练集训练委员会中的每个模型，并将训练完成的模型用于分类未标记样本池中的样本。 3 主动学习算法分析 主动学习作为一种新的机器学习方法，其主要目标是有效地发现训练数据集中高信息量的样本，并高效地训练模型。 5 结论 主动学习作为一种新的机器学习方法，其主要目标是从大量的数据集中寻找具有高信息量的样本，从而减少训练样本集的数量，减小计算复杂度，提高分类器泛化能力。
3.2K50发布于 2018-04-04 - 来自专栏数据派THU
细胞图像数据的主动学习
为了解决这个问题，机器学习领域出现了一个叫做主动学习的领域。主动学习是机器学习中的一种方法，它提供了一个框架，根据模型已经看到的标记数据对未标记的数据样本进行优先排序。 使用CellProfiler提取细胞特征——展示如何从生物细胞照片图像中提取形态学特征，以用作机器学习模型的特征。 使用主动学习——展示一个模拟使用主动学习和不使用主动学习的对比实验。 该框架可以轻松地使用不同的主动学习策略。他们的文档也很清晰，所以建议从它开始你的一个主动学习项目。 然后我们将训练的数据样本数设置成5。 总结 本文展示了将主动学习用于细胞成像任务的好处。主动学习是机器学习中的一组方法，可根据其标签对模型性能的影响来优先考虑未标记的数据示例的解决方案。
53930编辑于 2022-08-29 - 来自专栏DeepHub IMBA
细胞图像数据的主动学习
为了解决这个问题，机器学习领域出现了一个叫做主动学习的领域。主动学习是机器学习中的一种方法，它提供了一个框架，根据模型已经看到的标记数据对未标记的数据样本进行优先排序。 使用CellProfiler提取细胞特征——展示如何从生物细胞照片图像中提取形态学特征，以用作机器学习模型的特征。 使用主动学习——展示一个模拟使用主动学习和不使用主动学习的对比实验。 该框架可以轻松地使用不同的主动学习策略。他们的文档也很清晰，所以建议从它开始你的一个主动学习项目。 然后我们将训练的数据样本数设置成5。 总结 本文展示了将主动学习用于细胞成像任务的好处。主动学习是机器学习中的一组方法，可根据其标签对模型性能的影响来优先考虑未标记的数据示例的解决方案。
76020编辑于 2022-11-11 - 来自专栏CreateAMind
主动推理的混合学习-优化范式
实用好奇心：一种基于主动推理的混合学习优化范式 Pragmatic Curiosity:A Hybrid Learning-Optimization Paradigm via Active Inference Hvarfner 等人（2023）将基于统计距离的主动学习（SAL）准则引入 BO 循环，即使在搜索最优解时也主动学习模型超参数。 在本文中，我们提出实用好奇心：一种源自主动推断（AIF）（Friston，2010；Friston 等人，2017）的混合学习 - 优化范式。 综上所述，我们的主要贡献如下： • 通过主动推断的视角，对各种采集策略提供了统一的观点。 • 提出了一种针对通用混合学习 - 优化问题的实用好奇心范式。 5. 实验 在本节中，我们通过跨三个彼此显著不同的类别进行实验，来举例说明所提出的采集策略的优势和可变性。这些问题源于 BO 和 BED 领域内不同的文献，且它们都不是典型的 BO 或 BED 任务。
14110编辑于 2026-04-03 - 来自专栏数据派THU
ICLR 2022 | 图与主动学习：软标签情况下如何设计图上主动学习策略？
来源：PKUDAIR本文约2700字，建议阅读5分钟本文介绍了在图神经网络上主动学习的软标签方法。 该论文提出了图神经网络上主动学习的软标签方法，有两个关键创新点：（1）领域专家只判断预测标签的正确性（二元问题）而不是识别确切的类别（多类问题）的轻松查询；（2）提出了轻松查询下软标签主动学习的信息增益传播衡量标准 如何设计在软标签下的图主动学习策略是该论文要解决的问题。 ▲ 图1. 2.2 主动学习（AL） 主动学习通过更好的样本点选择来提高模型的效果和效率。 而对比的 baseline 里我们选择了 GRAIN [4] 和 ALG [5] 等最新的在图上做主动学习的方法。 ▲ 表1.
69720编辑于 2022-06-07 主动学习驱动的Prodigy新实体训练
视频概述本视频演示了如何使用Prodigy（一款由spaCy开发团队打造的新一代、基于主动学习的标注工具）来训练一个针对新概念的短语识别系统。 核心命令是 prodigy ner.teach，它启动了一个主动学习循环：初始模型：从一个初始的空白模型或预训练模型开始。 智能建议：Prodigy通过主动学习算法，从无标注数据中挑选出最具信息量的样本供标注。在线学习：标注者的每一次标注都会立即反馈给模型，模型在线更新，从而在后续的样本选择中表现得更好。 用户可以直观地看到模型在训练集上的损失下降以及关键指标（如精确率、召回率）的变化趋势，这有助于判断模型是否在有效学习。 关键技术与资源Prodigy: 一个高效的主动学习标注工具。spaCy: 用于高级自然语言处理的Python库。主动学习: 一种机器学习策略，模型主动选择最有价值的数据让人类标注，从而最大化标注效率。
9010编辑于 2026-03-09- 来自专栏机器学习与生成对抗网络
主动学习（Active Learning）概述及最新研究
、讨论，一起学习和交流主动学习的技术。 因为主动学习的过程中存在人的标注，所以主动学习又属于 Human-in-the-Loop Machine Learning 的一种。 主动学习为什么是有用的？ 然而，作者发现与这一现象形成鲜明对比的是：在视觉问答任务的 5 个模型和 4 个数据集中，各种各样的主动学习方法未能胜过随机选择。 8.2 主动学习与半监督学习结合 由于半监督学习展示出了优异的性能，在标签不足的情况下，如果能将主动学习与半监督学习结合，将会取得更优异的性能。 8.5 主动学习与对比学习结合 对比学习最近势头比较猛，最近也有主动学习与对比学习结合解决对比学习的问题，大家可以欣赏一下。
1.5K40编辑于 2022-02-28 - 来自专栏数据派THU
主动学习（Active Learning）概述及最新研究
©作者 | 白帆 学校 | 香港中文大学研究方向 | 机器人、医疗图像、主动学习 一、前言 我将我对主动学习的理解和最新研究的感悟都整理为这篇文章，主要目的是供大家参考、讨论，一起学习和交流主动学习的技术 因为主动学习的过程中存在人的标注，所以主动学习又属于 Human-in-the-Loop Machine Learning 的一种。 主动学习为什么是有用的？ 然而，作者发现与这一现象形成鲜明对比的是：在视觉问答任务的 5 个模型和 4 个数据集中，各种各样的主动学习方法未能胜过随机选择。 8.2 主动学习与半监督学习结合 由于半监督学习展示出了优异的性能，在标签不足的情况下，如果能将主动学习与半监督学习结合，将会取得更优异的性能。 8.5 主动学习与对比学习结合 对比学习最近势头比较猛，最近也有主动学习与对比学习结合解决对比学习的问题，大家可以欣赏一下。
2.9K40编辑于 2022-03-04 - 来自专栏润风拂过存甘霖
更少标注的机器学习方法——主动学习(python示例)
非也，我们还有主动学习。 主动学习 何谓主动学习？这里我采用一种通俗的讲法： 想象你面对百万大军，要想打败他们未必需要将其全部剿灭，有时只需要斩其上将首级即可。 主动学习做的，就是帮助我们找到那个“上将”，解决重点问题，达到事半功倍的效果。看下面的图： ? 左图中红绿代表两种数据。现在我们只能标注其中有限个数据来训练分类器。 而右图就是主动学习方法找到的标注点，因为这些点几乎构成了完美分界线的边界，所以使用与中图同样的样本数，它能够取得90%左右的准确率！ 那么我们怎么找到这些关键的点呢？ 下面用代码实验和验证这些策略的效果： 我们进行10批5个样本的标注，对于不同策略选出的样本，使用直接抽取已知标签的方法来模拟手动标注。来看看随着标注的进行，模型的表现如何改善，以及其最终的效果。 不过进行多次实验也可以看到，两种主动学习方法利用同样多的样本，却能够达到接近90%的准确率。确实比RS更胜一筹，我们可以使用这个技术来降低达到一定准确度所需的标注量。
1.4K10发布于 2019-10-30 - 来自专栏云计算教程
Zabbix5系列之自动发现与主动注册实战
自动发现由服务端主动发起，Zabbix Server开启发现进程，定时扫描局域网中符合条件的服务器、设备。 主动注册： 自动发现是zabbix server去扫描服务器设备，把符合条件的主机添加到监控Host列表中，主动注册是Active agent主动与zabbix server通信，最后由zabbix server 如果服务器特别多，推荐使用主动注册。 192.168.75.121 HostnameItem=system.hostname HostMetadata="Linux" Include=/etc/zabbix/zabbix_agentd.d/*.conf # 主动注册
80550编辑于 2021-11-27 - 来自专栏DeepHub IMBA
论文推荐：当自监督与遇到主动学习
Reducing Label Effort: Self-Supervised meets Active Learning这篇论文将主动学习和自监督训练结合，减少了标签的依赖并取得了很好的效果。 自监督学习 (SimSiam) + 主动学习 (AL) 通过自监督的预训练强化主动学习框架图 该框架包括3个阶段: 在整个数据集上训练自监督训练。 在主动学习方面，考虑了几种获不同的方法，包括Informativeness[10]和Representativeness[42,40]的方法。 从主动学习的角度来看，当标注数据小于1%时，随机抽样优于AL。 上图为CIFAR-100在低预算的情况下，自监督的预训练大大减少了所需的标签数量。 两个实验结果都表明：在主动学习框架中，低预算的情况下SimSiam帮助很大。在高预算下，从头训练和SimSiam之间的性能差距缩小了。
51410编辑于 2022-11-11 - 来自专栏AI SPPECH
96_主动学习提示：用户反馈驱动优化
一、主动学习提示的基础理论 1.1 主动学习的基本概念 主动学习是一种机器学习范式，其核心特点是模型能够主动选择最有价值的未标记数据进行标注，从而以最小的标注成本获得最大的性能提升。 将主动学习的思想应用于提示工程，就产生了主动学习提示这一新的研究方向。 主动学习提示的基本工作流程包括： 初始提示设计：设计一个初始的提示模板。 候选提示生成：基于初始提示，生成多个候选提示变体。 二、主动学习提示的核心技术 2.1 提示变体生成技术 提示变体生成是主动学习提示系统的第一步，其质量直接影响后续的优化效果。 三、主动学习提示的实施策略 3.1 系统架构设计 主动学习提示系统的架构设计是实施过程中的关键环节。 七、主动学习提示的未来发展趋势 随着人工智能技术的不断发展，主动学习提示作为一种新兴的技术方向，也在快速演进。
32410编辑于 2025-11-16 - 来自专栏专知
【论文推荐】最新5篇图像分割相关论文—条件随机场和深度特征学习、移动端网络、长期视觉定位、主动学习、主动轮廓模型、生成对抗性网络
Conditional Random Field and Deep Feature Learning for Hyperspectral Image Segmentation（基于条件随机场和深度特征学习的高光谱图像分割 期刊：arXiv, 2017年12月27日 网址： http://www.zhuanzhi.ai/document/0d0b73aec22f09677393117c0e5af8d9 2. Geometry in Active Learning for Binary and Multi-class Image Segmentation（基于主动学习中几何知识的二元和多类图像分割） ---- 期刊：arXiv, 2018年1月17日 网址： http://www.zhuanzhi.ai/document/a53ced6fa7639528fa3913a8a9bf9c65 5. Image Segmentation with Inhomogeneities Estimated by Orthogonal Primary Functions（利用正交主要函数进行不均匀性图像分割的主动轮廓模型估计
1.1K80发布于 2018-04-12 - 来自专栏生信技能树
系统学习＋主动探索，是最舒适的入门学习方式！
本期分享的内容不是课堂上讲的，而是给了踮一踮脚能做出来的超纲练习题，启发学员主动学习，而不是一味等待投喂。 系统学习＋主动探索，是最舒适的入门学习方式！ exp) [1] 1000 7 > soft2 <- read.table("soft.txt",header = T,sep = "\t") > dim(soft2) [1] 1000 5 第二种解法多个探针对应同一个基因时，取平均值」 前面操作都一样，调整顺序将ID换成基因名，重点是如何处理重复的基因名 使用aggregate函数，https://www.jianshu.com/p/7912aac76d5f
62210编辑于 2022-06-27 - 来自专栏DrugOne
主动学习预测结合自由能进行分子优化
在这项工作中，作者利用自动机器学习(Automated machine learning, AutoML)和主动学习(Active Learning, AL)的技术开发了一个高效的自动化工作流程，只需要数百次 2 模型 图2 模型流程 2.1 主动学习周期 两个主要的计算模块： (1)AutoML模块。负责根据第二个计算模块提供的标记数据开发ML模型。 (2)TI RBFE模块。 在平衡选择的周期1-5中，模型探索多个区域，寻找期望的化学空间。由于信息的增加，ML模型的感知发生了明显的变化，开始识别出低∆∆G分子密集分布的化学空间区域。 周期5结束，ML模型得到收敛，化学空间各个区域稳定着色。在随机选择分子的周期6中，分子分布在化学空间中，大多数分子如预期的那样具有正∆∆G。 4 总结 在这项工作中，作者提出结合自动机器学习(Automated machine learning, AutoML)和主动学习(Active Learning, AL)的方法对配体进行RBFE计算，
55620编辑于 2022-11-28 - 来自专栏信安之路
信安技术学习还是要化被动为主动
，平时看不到他在主动学习，另一种是普罗大众，除了认证听老师上课，还利用课余时间进行复习和练习。 大多数的人都因为没有主动学习而被高考成绩限制，无法接受更高等的教育，也就是说大部分的人并非天才，然后主动和被动学习就是普罗大众之间的区别，只有主动学习才能与他人拉开差距，我相信，没有人会认为自己主动了， 对于关注信安之路的所有朋友而言，我认为都是想要了解信息安全这个行业，想要在信息安全这个行业扎根，一定是有所求的，所以对于为什么选择信息安全这个行业，这里就不再讨论，今天就来聊聊信息安全技术的主动和被动学习的方式 ，该如何选择适合自己的学习方式。 信息安全行业随着互联网的发展在不断变化，没有一个拥抱变化，快速学习的能力，是无法跟上时代，迟早是会被淘汰的，所以作为信安从业者，更要化被动为主动。
56840发布于 2021-03-25 语料库构建与主动学习标注工具解析
开发者可自定义输入数据流并设计简易标注界面，其核心能力包括：将复杂标注决策分解为系列二进制选择与某自然语言处理库实现无缝集成在主动学习框架中支持实时模型更新策略通过配方脚本（GitHub开源）实现工作流定制该方案通过动态调整模型训练流程
15510编辑于 2025-09-19- 来自专栏CNNer
开源 | 利用情境多样性进行主动学习
通过使用主动学习(AL)技术可以缓解这个问题，这种技术在给定的注释预算下，允许选择在微调产生的最大精度的数据子集。 利用这一观察结果，结合两个AL框架提出了CD度量：基于核心集的策略和基于强化学习的策略，用于主动帧选择。我们在语义分割、目标检测和图像分类的基准数据集上进行了广泛的经验评估，主动学习的结果SOTA。 消融研究证明了使用情境多样性进行主动学习具有明显优势。 主要框架及实验结果 ? ? ? ? ? ? ? 声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。
77410发布于 2020-10-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号