A Survey on Deep Active Learning: Recent Advances and New Frontiers

主动学习旨在通过较少的训练样本实现强大的性能。它通过迭代地以人为中心的方式请求一个oracle来标记新选择的样本来实现这一目标。由于其广泛的适用性，这种技术越来越受到欢迎，但是有关基于深度学习的主动学习（DAL）的调查论文仍然很少。因此，我们对DAL进行了先进和全面的调查。我们首先介绍了论文收集和过滤。其次，我们正式定义了DAL任务，并总结了最具影响力的基线和广泛使用的数据集。第三，我们从五个角度系统地提供了DAL方法的分类，包括注释类型、查询策略、深度模型架构、学习范式和训练过程，并客观地分析它们的优点和缺点。然后，我们全面总结了DAL在自然语言处理（NLP）、计算机视觉（CV）和数据挖掘（DM）等领域的主要应用。最后，在详细分析当前研究后，我们讨论了挑战和展望。这项工作旨在为研究人员克服DAL中的困难提供有用和快速的指南。我们希望这项调查将推动这个新兴领域的进一步发展。

该论文旨在对基于深度学习的主动学习（DAL）进行全面的调查和分类，并探讨其在自然语言处理（NLP）、计算机视觉（CV）和数据挖掘（DM）等领域的应用。主要解决的问题是如何通过人机交互的方式，用尽可能少的训练样本实现强大的性能。

该论文提出了一种基于深度学习的主动学习方法，通过迭代地向oracle询问标记样本来实现更少的训练样本，从而提高性能。该方法从五个方面对DAL方法进行分类：注释类型、查询策略、深度模型架构、学习范式和训练过程。

该论文系统地介绍了DAL的研究现状，并提供了有用的分类和分析，对DAL的应用进行了全面总结，包括自然语言处理、计算机视觉和数据挖掘等领域。该论文还讨论了DAL面临的挑战和未来研究方向。

在最近的相关研究中，还有一些关于DAL的论文，例如“An Overview of Deep Active Learning”和“Deep Active Learning for Named Entity Recognition”。