基于聚合获取函数的主动学习：精度与可持续性分析
机器学习
2026-03-25 v1
摘要
主动学习（AL）是一种机器学习（ML）方法，通过战略性地选择最具信息性的样本进行标注，以最小化标注成本。该策略不仅减少了标注费用，还在神经网络训练期间实现能源节省，从而提升数据和能源效率。本文实现和评估了各种最新获取函数，分析其精度和计算成本，并讨论了各方法的优缺点。我们的发现表明，基于代表性的获取函数有效地探索数据集，但未优先考虑边界决策；而基于不确定性的获取函数专注于细化神经网络已识别的边界决策。这一权衡被称为探索-开发矛盾。为解决这一矛盾，我们引入六种聚合结构：串行、并行、混合、自适应反馈、随机探索和退火探索。我们的聚合获取函数缓解了常见的AL病理现象，如批处理模式低效和冷启动问题。此外，我们关注精度与能耗之间的平衡，为开发更可持续的人工智能（AI）系统贡献了重要工作。我们在各种模型和数据集上对所提结构进行评估。结果表明，这些结构在保持或甚至提升精度的同时，能够降低计算成本。诸如在BALD和BADGE之间交替使用的创新聚合方法表现稳健。顺序运行如K-Centers随后是BALD的函数，虽然只需少量样本（最高可减少12%），但将获取成本降低近一半。
引用
@article{arxiv.2602.07440,
title = {Active Learning Using Aggregated Acquisition Functions: Accuracy and Sustainability Analysis},
author = {Cédric Jung and Shirin Salehi and Anke Schmeink},
journal= {arXiv preprint arXiv:2602.07440},
year = {2026}
}