AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：主动学习×
6月30日
11:24
11:24arXiv cs.LG@Yousuf Moiz Ali, Jaroslaw E. Prilepsky, João Pedro, Sasipim Srivallapanondh, Antonio Napoli, Sergei K. Turitsyn, Pedro Freire
该论文提出一种混合主动在线学习框架，针对光网络故障检测中的概念漂移问题。采用基于边界的选择性标注策略，仅需查询3.4%的流式样本即可达到接近上限的准确率和AUC分数。相比于静态推理，该方法延迟开销可忽略不计。实验验证了该框架在标签高效场景下的有效性。
论文概念漂移主动学习在线学习光网络故障检测
推荐理由：这篇论文只用3.4%的标注数据就搞定了光网络故障检测中的概念漂移，效率高延迟低，做在线学习和故障检测的朋友可以看看。
原文
6月23日
13:02
13:02arXiv cs.AI@Ulas Berk Karli, Tesca Fitzgerald
论文提出RECALL方法，用于视觉-语言-动作（VLA）模型的主动持续学习。与被动模仿学习相比，不确定性引导的数据收集使微调效率提升30%以上。但仅训练恢复数据会导致灾难性遗忘，在OpenVLA模型上丢失20%的旧任务性能。评估了重放混合和弹性权重巩固（EWC）两种持续学习技术，发现可塑性与记忆保留之间存在权衡。实验在3个机器人操作任务上进行，表明不确定性引导的恢复演示能提升适应效率，但如何平衡新旧知识仍是开放挑战。
论文VLARECALL主动学习持续学习机器人
推荐理由：这篇论文研究了怎么让机器人在学新任务时不忘旧技能，用不确定性主动挑数据微调VLA模型，比被动收集更高效，还试了两种防遗忘方法，挺实在的。
原文
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
11:10
11:10arXiv cs.AI@Noémi Éltető, Nathaniel D. Daw, Kimberly L. Stachenfeld, Kevin J. Miller
精选
ATLAS 是一个用于自动化科学发现的主动学习框架，旨在通过数据驱动的方式发现可解释的行为模型。它迭代生成机械论假设（以稀疏神经网络集成形式实现），并设计最优实验来区分这些假设。在强化学习代理恢复任务中，ATLAS 相比随机实验实现了 5-10 倍的样本效率提升，其性能甚至优于专家设计的实验。该框架有望加速认知科学等领域中机械论模型的发现过程。
论文主动学习机械论建模认知科学强化学习稀疏神经网络
推荐理由：ATLAS 解决了科学实验中实验设计效率低下的核心问题，做认知科学或行为建模的研究者可以直接用这个框架加速发现可解释模型，建议点开看看具体实现。
原文
6月4日
11:29
11:29arXiv cs.LG@Yaseen M. Osman, Geoff V. Merrett, Stuart E. Middleton
精选
该论文系统检验了基于MLP激活值的深度主动学习方法在LLM上下文学习（ICL）样本选择中的有效性。研究者使用Llama-3.2-3B和Qwen2.5-3B模型，在分类和生成任务上测试了多种注意力掩码策略，发现MLP输出的激活值（包括大规模激活和前四阶矩）与样本质量或任务性能的Spearman相关系数最高仅0.33，表明该方法不可靠。论文推测失败原因可能是“叠加”现象（模型表示的特征数超过维度数），并指出稀疏自编码器（SAE）可能是未来方向。这是目前最全面的MLP激活值主动学习在ICL中的分析，但结论为负。
论文上下文学习主动学习MLP激活值Llama-3.2-3BQwen2.5-3B
推荐理由：如果你在做ICL样本选择或主动学习，这篇论文用实验告诉你MLP激活值这条路走不通，省下试错时间。做LLM推理效率或特征分析的开发者，看完会理解为什么SAE可能是更好的方向。
原文
5月26日
12:22
12:22arXiv cs.LG@Namrata Nadagouda, Nauman Ahad, Maegan Tucker, Mark A. Davenport
精选
该论文提出了一种名为 Info-Synth 的主动查询合成框架，用于高效学习用户偏好。传统主动学习方法依赖池评估，计算成本高，且忽略了查询反馈的可靠性差异（如相似或完全不同物品的比较会产生模糊反馈）。Info-Synth 通过连续空间中的互信息最大化目标生成最优查询，并引入置信度感知响应模型处理模糊比较。此外，论文还提出了 Pair M-dist 和 Pair Opt-dist 两种策略，用于在有限查询池中高效选择查询。实验在合成偏好学习、文本摘要和机器人控制器调优等任务中验证了该方法的有效性。
论文主动学习偏好学习查询合成互信息置信度建模
推荐理由：偏好学习是许多决策系统的核心，但标注成本高。Info-Synth 解决了传统主动学习计算昂贵和反馈不可靠的问题，做推荐系统、人机交互或机器人调优的团队可以直接参考该方法来降低数据成本。
原文
5月21日
10:22
10:22arXiv cs.LG@D. -M. Mei, K. Acharya, C. M. Adhikari, M. Adhikari, S. Aryal, B. V. Benson, K. Bhatta, S. Bhattarai, N. Budhathoki, A. M. Castillo, D. Chakraborty, S. Chhetri, S. Choudhury, T. A. Chowdhury, R. D. Cruz, B. Cui, S. Dhital, K. -M. Dong, R. Gapuz, A. Ghasemi, E. Z. Gnimpieba, B. D. S. Gurung, H. A. Hashim, R. I. Harry, K. -E. Hasin, M. K. Hassanzadeh, M. K. Jha, D. Kim, K. -C. Kong, B. Lama, A. Mahat, N. Maharjan, A. Majeed, J. Mammo, M. M. Masud, K. S. Moore, A. Nawaz, H. Oli, S. A. Panamaldeniya, L. Pandey, R. Pandey, Z. Peng, A. Prem, M. M. Rana, K. Rana Magar, R. Rizk, C. S. Tadi, L. -W. Wang, Y. Yang, G. -L. Yin, C. -X. Yu, D. Zeng, M. Zhou, Q. Zhou
精选
AIMBio-Mat 是一个概念框架，旨在将材料科学和生物医学数据整合到一个AI原生的、符合FAIR原则（可查找、可访问、可互操作、可重用）且具备治理意识的决策层中。该框架通过知识图谱、不确定性感知机器学习和人机协同主动学习，将生物医学材料发现建模为不确定性下的约束多目标优化问题。它提出了元数据、模型文档、风险分级治理和评估指标等实用要求，并包含最小可行原型规范和用于药物递送的纳米材料AI引导发现试点。该平台定位为探索性和临床前发现基础设施，而非临床决策支持软件，其核心贡献是将碎片化的材料和生物医学记录转化为可审计、可实验操作且负责任的发现工作流蓝图。
论文材料发现生物医学FAIR原则知识图谱主动学习
推荐理由：做材料发现和生物医学交叉研究的团队终于有了一个可落地的AI原生平台蓝图——它解决了数据碎片化和治理缺失的痛点，做纳米药物递送或生物材料设计的可以直接参考其试点方案。
原文
5月14日
13:26
13:26arXiv cs.LG@Eszter Varga-Umbrich, Zachary Weller-Davies, Paul Duckworth, Jules Tilly, Olivier Peltre, Shikha Surana
精选
该研究提出一种基于分块特征空间后验方差筛选的线性扩展采集框架，避免候选集和训练集核矩阵的显式构建，可在数小时内筛选约20万结构。研究将神经正切核扩展到力感知场景，通过混合参数-坐标导数得到力NTK和联合能量-力NTK，为向量场预测提供自然相似性度量。在OC20数据集上，联合能量-力NTK在所有指标和分布划分下取得最低能量和力MAE及RMSE。在T1x、PMechDB和RGD基准测试中，力NTK方法在保持与基线竞争力同时，比基于委员会的方法显著更高效。在T1x的候选池偏移案例中，基于预训练MLIP嵌入和NTK的采集方法保持鲁棒，而委员会方法方差更高。结果表明，单个预训练MLIP即可实现可扩展、力感知且分布鲁棒的主动学习，用于基础模型微调。
论文主动学习神经正切核力感知机器学习势可扩展性
推荐理由：做分子动力学模拟或材料计算的团队，终于有了一个能同时处理能量和力的主动学习框架，效率比委员会方法高得多，建议做MLIP微调的直接试试。
原文