主动学习框架中不确定性、覆盖性与表征何时重要

基于摘要分析。该研究关注主动学习（AL）中不确定性、表征与覆盖性策略为何在不同标注预算下表现不同，提出一个将这些原则与泛化误差分解相联系的理论指导框架。其主要贡献是统一解释已有策略并指导设计，而非提出新的样本选择算法。 框架将 AL 的核心原则对应到经验风险、分布差异、模型复杂度和置信度等泛化误差组成项。摘要未给出各原则与误差项的具体数学对应、界的成立条件或可计算形式，仍需全文核对，不能据此认定该框架已提供可直接优化的采样目标。 作者报告，在使用自监督嵌入与预训练编码器的 CIFAR 和 ImageNet 子集实验中，表征在早期轮次对缓解冷启动尤为重要；覆盖性在中等标注预算下有助于保持多样性；当决策边界已部分学得后，不确定性策略更有效。作者还报告，单样本带来的模型复杂度降低较小，但跨采样轮次的累积效应较明显，并评估了理论对应程度与运行可扩展性之间的权衡。具体数据子集、标注预算、基线、指标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有未标注样本池、可查询标签及可用的预训练表征，该框架可能帮助分析低标注预算下应优先选择代表性样本还是高不确定性样本。可复用的是预算分阶段分析与采样原则，需改造的是 EEG 表征、距离度量及标签查询流程；低信噪比、被试与通道差异可能使距离反映伪迹或个体身份，小样本下不确定性也可能失准。一个可检验的小实验是在固定 EEG 分类任务、编码器、数据划分和查询预算下，对比随机、表征代表性、覆盖性与不确定性采样的多随机种子学习曲线，检验摘要所述阶段性规律是否成立。相关 EEG 主动学习工作尚未检索确认。