跳到正文
#Active Learning
10月5日周一
  1. arXiv · 学习目标与优化74

    具有高效资源分配的多任务主动学习

    基于摘要分析。研究针对标注阶段可付费获取辅助信息、但部署预测时辅助变量系统性不可用的问题，提出 Active Learning with Cost-Adaptive Task Resource Allocations（ALCATRAs），在预算约束下选择辅助任务，并将已完成任务的信息转移至下游预测模型。这一设定属于设计性缺失问题，将数据采集、替代模型构建与预测联系起来。 框架包含两个主要组件：任务选择策略为未标注数据依次选择具有成本效益的任务；替代模型学习过程利用已完成任务的知识改善预测。摘要未给出任务效益与成本的具体计算方式、替代模型结构、损失函数或优化流程，相关实现细节尚未验证。 作者报告，理论分析说明替代模型与样本高效的任务策略能够改善预测误差界；在模拟研究及 UCI heart disease cohort 应用中，ALCATRAs 相较所考察基线提高了样本效率。摘要未提供具体提升数值、基线名称、预算设置、数据划分及误差界的适用假设，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于 EEG/BCI 标注时可获取额外专家评估或辅助测量、部署时仅保留 EEG 的情境。迁移假设依赖辅助信息确有增益、采集成本可量化，以及训练与部署间的关联保持稳定。可复用的是预算约束任务选择与知识转移思路；需改造的是 EEG 表征、辅助任务定义及跨被试或跨会话评估。低信噪比、通道差异和小样本可能使任务效益估计不稳定，或使替代模型学习到被试特异关联。一个可证伪的小实验是在固定标注预算与相同跨被试划分下，对比 ALCATRAs、随机辅助任务选择和仅 EEG 训练，并确保部署预测不访问辅助变量，检验增益是否稳定。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其如何联合设计成本敏感的辅助任务采集与替代模型学习，以处理训练可获取、部署不可获取的辅助信息；其向 EEG/BCI 的迁移价值尚未验证。

  2. arXiv · 学习目标与优化77

    批量主动学习的软策略选择

    基于摘要分析。本文研究批量主动学习在部署前难以确定采集策略的问题，提出 FractAL：在同一批次中混合使用多种策略，并动态分配各策略的预算，以减少逐轮探索策略所消耗的采集机会。其目标场景是仅有少量采集轮次、每轮批量较大的高通量实验。 核心机制：现有策略选择方法通常每轮从策略组合中选择一种，再通过 bandit 反馈或模型重训练评估其表现。FractAL 则采用基于影响函数的数据归因，估计每种策略的奖励；摘要明确指出，这一步无需额外重训练。随后通过 online mirror descent 计算各策略的预算份额。创新重点是批次内的软策略组合与预算更新，而非预先选定单一策略。奖励的具体定义、影响函数的计算近似及预算更新细节尚未验证。 作者报告：在覆盖分类、回归及遗传扰动效应预测的 7 个评估设置中，每种已有策略选择方法都至少在一个设置上弱于随机采样；FractAL 在全部 7 个设置中均达到或超过各对照基线，包括随机采样。作者还报告，其预算分配逐渐集中到组合中较强的策略，并削减较弱策略的份额。摘要未提供数据集名称、划分、批量大小、评价指标及数值，实验协议、消融及统计信息尚未验证，因此这些结果不能直接扩展为所有部署场景中的可靠性保证。 平台推测（待验证）：若 EEG 标注或校准同样受限于少轮次、批量采集，FractAL 可能用于组合不同的候选样本选择策略；这一假设依赖可用候选池、标签反馈及适合影响函数计算的代理模型。预算更新模块可能复用，但奖励归因需要适配 EEG 任务损失、被试差异和采集约束。低信噪比、跨被试漂移及小样本可能使策略奖励估计不稳定。可在固定数据划分、标注预算和批量大小下，对比 FractAL、单策略、均匀混合与随机采样，并检查性能及预算份额稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 FractAL 如何用影响函数归因与 online mirror descent 在单批次内分配采集预算，尤其是其无需额外重训练的奖励估计能否降低少轮次、大批量主动学习中的策略探索开销。

10月4日周日
  1. arXiv · 学习目标与优化72

    Active-DiNTS：主动可微网络拓扑搜索

    基于摘要分析。Active-DiNTS 针对 3D 医学图像分割中标注成本高、网络架构搜索计算开销大的问题，将基于样本池的主动学习（AL）嵌入双层可微拓扑搜索，使架构发现与标注样本选择联合进行。 每轮查询使用 Entropy、Variance 或 Standard Deviation 对未标注 MRI 体积的不确定性排序，仅将排名靠前的体积送交标注者。新增标签用于两个相互耦合的阶段：按摘要描述，外循环更新网络权重，内循环优化 U-Net 风格骨干的宏观与微观拓扑。作者设置 weights-only、topology-only 和 joint 三种 AL 模式，以考察搜索速度与分割精度的权衡；具体损失、排序聚合方式及双层优化的数据使用规则尚未验证。 作者报告，在 Medical Segmentation Decathlon（MSD）Task01 BrainTumour 上，Active-DiNTS 的 Dice 优于 DiNTS、C2FNAS 和 nnU-Net，其中 Edema 约提升 10 个百分点、Non-Enhancing core 约提升 5 个百分点，并在单 GPU、仅使用部分已标注体积的条件下完成评估。摘要未明确这些增益各自对应的基线、标注比例和数据划分。作者还报告，最快搜索变体耗时低于 0.25 GPU-days，相比八 GPU 的 DiNTS 搜索快超过 27 倍；该比较仍需核对硬件、预算及计时口径。 搜索所得架构更稠密、FLOPs 更高，但作者称其可训练参数量与峰值内存仍具竞争力。因此，搜索成本降低不能直接等同于部署推理成本降低。实验协议、消融及统计信息尚未验证，复现还需核对初始化标注池、查询预算、随机种子及实现条件。 平台推测（待验证）：假设将不确定性驱动的数据获取与可微拓扑搜索结合，可能有助于缓解 EEG 标注稀缺及架构选择困难，但 MRI 体积分割的输入结构与密集监督不能直接迁移。需改造为 EEG 时序与通道建模及相应任务损失；低信噪比、跨被试差异和小数据可能使查询偏向伪迹或异常样本。可在固定跨被试划分与相同标注、搜索预算下，对比随机查询和不确定性查询，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其主动标注与拓扑搜索耦合机制，以及单 GPU 条件下标注预算、搜索成本和分割 Dice 的权衡；摘要所述收益仍需结合完整划分与基线协议验证。