使用相似性查询的主动度量学习与分类

基于摘要分析。本文研究如何在主动学习中统一表示学习与任务目标，提出基于相似性或最近邻（NN）查询的框架，并用于主动度量学习与主动分类，以减少所需查询次数。 其核心交互是给定一个参考对象及一组候选对象，由 oracle 选出与参考对象最相似的候选；算法依据信息论准则自适应选择查询。不同于分别围绕嵌入质量或分类性能设计查询策略，作者尝试以相似性表示为共同基础，并将主动选择类别标签重述为选择最有信息量的 NN 查询。摘要未给出信息准则的具体形式、嵌入模型、损失函数或优化过程。 作者报告，在多种合成与真实数据上的主动度量学习和主动分类任务中，该策略表现有效；其中，在深度度量学习设置下，主动选择的 NN 查询优于近期主动三元组选择方法。摘要未提供数据集名称、量化指标、查询预算及标注成本口径，因而尚不能判断优势幅度，或不同查询形式在等成本条件下的可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 标注稀缺时的样本选择问题，但依赖可解释、可重复的相似性判断，原领域结果不等于 BCI 有效性。可复用部分是查询选择框架，需改造的是 EEG 表示、候选集合构造及 oracle 定义；低信噪比、跨被试差异和通道配置变化可能使相似性主要反映个体或采集条件，而非任务类别。一个可证伪的小实验是：在固定 EEG 数据划分与嵌入模型下，以明确的类别规则模拟 oracle，按相同标注成本比较主动 NN、随机 NN 与主动三元组查询，观察度量质量和分类指标随预算的变化；该模拟不代表真实专家标注效果。相关 EEG 工作尚未检索确认。