LFaB：将低保真度作为化学配置空间中的主动学习偏置

主动学习承诺提供机器学习模型构建中的最优训练样本选择程序。它通常依赖于最小化模型的方差，这被假设为减少预测误差。然而，它常常比纯随机抽样更不有效。受偏差-方差分解的启发，我们提议最小化模型的偏差而非方差。如此一来，我们几乎可以精确匹配所有可能的贪心样本选择程序的最佳情况误差。我们的偏差近似基于使用$\Delta$-ML或多保真度机器学习中已知的低保真度数据。我们以量子化学中的更广泛应用类为例，包括预测激发能和初步势能面。本文提出的方法可减少最高达一个数量级的训练数据消耗，与标准主动学习相比。