概述
这很重要，因为标注数据非常昂贵，而智能选择可以用极少量的标注达到高准确率。
深入探讨
大多数监督学习假设您已经拥有大量标记数据。主动学习翻转了这一点：你从一个小的标记集和大量未标记的示例开始，然后反复要求人类（“预言家”）仅标记信息最丰富的示例。该模型经过训练，用于对未标记的池进行评分，并且发送最高值的示例进行标记 - 然后重复循环。常见的选择策略包括不确定性抽样（选择模型最不自信的示例）、委员会查询（选择整体不同意的地方）和多样性抽样（覆盖数据的不同区域）。如果做得好，主动学习可以使用更少的标签来匹配完整数据集的准确性，这就是它在医学成像、自然语言处理以及专家注释缓慢或昂贵的任何领域流行的原因。
现实世界的实施
放射学团队通过让模型标记最模糊的扫描供放射专家进行标记来训练肿瘤检测器，从而大大减少注释时间。
垃圾邮件或内容审核系统会显示人类审阅者最不确定的边界消息，在硬边界情况下改进得最快。
语音识别公司选择其模型最不确定的音频剪辑（口音、噪音）来发送转录，而不是标记随机剪辑。
电子商务目录使用委员会查询来挑选多个分类器不同意的产品图像，并优先考虑它们以进行手动类别标记。
主动学习的未来
主动学习越来越多地与大型预训练和基础模型相结合，其目标从标记所有内容转变为对一些高价值示例进行廉价的微调。预计与弱监督、自监督预训练和人机循环工具的更紧密集成，为审阅者提供标签以供确认而不是创建。由于标签成本在许多实际部署中占主导地位，因此自动选择加上高效的注释接口仍将是在医学和法律等数据稀缺的专业领域构建模型的核心。
付诸实践
为什么这很重要
- 更清晰的判决. 它可以帮助您将清晰的技术声明与营销语言分开。
- 成本与预算. 在花费金钱或时间之前，您可以提出更好的实施问题。
- 团队与工作流程. 具有共同理解的团队可以做出更好的产品、政策和学习决策。
留意
- 不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
- 基准测试可能看起来很强大，但实际性能却参差不齐。
- 忽视数据质量和评估计划通常会产生脆弱的结果。
后续步骤
- 从您需要的结果的简单语言定义开始。
- 在测试之前选择一种成功指标和一种失败条件。
- 使用代表性数据运行小型试点，而不是完善的演示集。
- 记录主动学习在哪些方面有帮助以及在哪些方面更简单的方法更好。
不断探索
常见问题
什么是主动学习？
主动学习是一种训练策略，模型本身会选择人类接下来应该标记哪些未标记的示例。这很重要，因为标记数据非常昂贵，而智能选择可以通过一小部分注释达到高精度。
一个团队拥有大量未标注的数据池，但专家时间有限。主动学习要求团队接下来标注什么？
该指南描述了向预言机（oracle）查询选定的信息量大的示例，然后将其标签用于训练。
在指南的主动学习循环中，什么是预言机（oracle）？
预言机提供选定示例的标签；它通常是人类标注员或专家。
两个产品分类器对某个类别存在严重分歧。哪种策略会优先考虑标注该示例？
委员会查询（Query-by-committee）会选择多个模型产生分歧的示例。
分类器为某个未标注项分配了几乎相等的概率。为什么不确定性采样（uncertainty sampling）会查询它？
领先类别分数之间的小差距是指南中描述的一种不确定性信号。
为什么批处理选择器（batch selector）会将多样性与不确定性结合起来？
该指南警告说，贪婪地追求不确定性可能会忽略数据的其他部分。