BoSS：深度主动学习的最佳策略选择器
机器学习
2026-03-16 v1 人工智能
摘要
主动学习旨在通过迭代选择有价值实例，在保持模型性能的前提下降低标注成本。虽然基础模型简化了实例筛选，但现有选择策略在不同模型、标注预算和数据集间鲁棒性仍不足。为凸显现有策略的潏弱性并提供研究基准，我们探索所谓 oracle 策略——即获取实际场景中不可得地方法信息以逼近最优选择的策略。当前 oracle 策略难以有效扩展至大规模数据集和复杂深度神经网络。为此，我们引入最佳策略选择器（BoSS），面向大规模主动学习场景设计的可扩展 oracle 策略。BoSS 通过集成多种选择策略构建候选批次，然后选取能获得最高性能提升的批次。作为策略集合，BoSS 可轻松集成新出现的 SOTA 方法，确保未来成为可靠的 oracle 策略。我们的评估表明：（1）BoSS 超越现有 oracle 策略；（2）SOTA 主动学习策略在大规模数据集和多类别场景下仍显著低于 oracle 水平；（3）采用基于集成的方法进行选择可能是缓解主动学习策略性能不一致性的可行方案。
引用
@article{arxiv.2603.13109,
title = {BoSS: A Best-of-Strategies Selector as an Oracle for Deep Active Learning},
author = {Denis Huseljic and Paul Hahn and Marek Herde and Christoph Sandrock and Bernhard Sick},
journal= {arXiv preprint arXiv:2603.13109},
year = {2026}
}