20、高级主动学习与不同机器学习任务的应用

高级主动学习与不同机器学习任务的应用

1. 主动迁移学习的拓展阅读

在主动学习技术中，使用一种方法采样大量项目，再用另一种方法细化样本的高级技术相关研究较少。学术论文在结合不确定性采样和多样性采样时，多关注单一指标，但实践中可将两种方法链式使用，即先用一种方法获取大样本，再用另一种方法细化。学术论文常将组合指标与单个方法孤立比较，无法判断链式方法是否更优。

主动迁移学习方法比当前学术或行业论文报道的更先进。若对 ATLAS 将主动学习转化为机器学习问题本身感兴趣，可参考相关研究论文。例如 “Learning Active Learning from Data” 探讨了如何将机器学习应用于项目采样过程；“Optimistic Active Learning Using Mutual Information” 则研究了结合不确定性和代表性采样的方法。

主动学习策略总结如下：
- 结合不确定性采样和多样性采样有多种方式，可优化主动学习策略，提升模型标注样本的准确性。
- 结合不确定性采样和聚类是常见且易实现的主动学习技术，可作为探索高级策略的起点。
- 用于不确定性采样的主动迁移学习，能以现有模型为起点构建预测模型，判断未标注项能否正确标注。
- 用于代表性采样的主动迁移学习，可构建模型预测未标注项是否更接近目标领域。
- ATLAS 可扩展不确定性采样的主动迁移学习，避免在特征空间的某一区域过度采样，将不确定性和多样性采样结合为单一机器学习模型。

2. 主动学习在不同机器学习任务中的应用

之前的示例和算法主要聚焦文档级或图像级标签，而实际中更多复杂任务需应用主动学习，如计算机视觉中的对象检测