面向杂乱数据池的基于任务驱动表示的主动学习
机器学习
2026-02-16 v2
摘要
主动学习在处理数据点在目标任务相关性方面存在差异的杂乱、未筛选的数据池时具有潜在优势。然而，当前针对这一问题的最新方法依赖于固定的、无监督的数据池表示，侧重于修改获取函数，从而可能削弱其处理杂乱数据池的效果，因为此类表示可能未能捕获与任务相关的重要信息。为此，我们提出使用在主动学习过程中通过先前收集的标签定期更新的任务驱动表示。我们引入两种具体的表示学习策略：一种基于直接学习半监督表示，另一种基于对初始无监督表示的监督微调。我们发现，两种方法均显著优于使用无监督或预训练表示，在实证性能上均有所提升。
引用
@article{arxiv.2510.25926,
title = {Active Learning with Task-Driven Representations for Messy Pools},
author = {Kianoosh Ashouritaklimi and Tom Rainforth},
journal= {arXiv preprint arXiv:2510.25926},
year = {2026}
}