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。