ActiveDP：桥接主动学习与数据编程

现代机器学习模型需要大规模标注数据集以实现良好性能，但人工标注大规模数据集既昂贵又耗时。数据编程范式使用户能够高效地标注大规模数据集，但会产生噪声标签，从而降低下游模型的性能。另一方面，主动学习范式可以获取准确的标签，但仅适用于一小部分实例。在本文中，我们提出了 ActiveDP，这是一个交互式框架，将主动学习与数据编程相结合，以生成兼具高准确率和覆盖率的标签，融合了两种范式的优势。实验表明，ActiveDP 优于以往的弱监督和主动学习方法，并在不同的标注预算下 consistently 表现良好。