选择更有意义的实例的主动学习策略。 版本 1.0 ->我。 Zliobaite、A. Bifet、B.Pfahringer、G. Holmes。 “积极学习Drifting Streaming Data”，IEEE Transactions on Neural Netowrks 和学习系统，第 25 卷 (1)，第 27-39 页，2014 年。

回购我们的硕士论文 阅读每个文件夹中的readme.md，以获取对论文不同部分的描述。

基于有监督的虚假评论检测方法受限于标注语料的规模，为了更好地利用未标注评论数据来提高分类器的正确率和泛化能力，本文提出一种基于半监督主动学习的虚假评论检测方法。首先，定义并提取评论内容特征以及评论者行为特征，结合这两类特征来对虚假评论进行检测。然后，采用基于熵的主动学习算法选择对学习最有帮助的评论样本，获得其类别标注，将其合并到基于Tri-training的半监督学习算法的训练集中，利用大量未标注评论数据进行学习，提升分类器性能。最后，在领域评论数据集上进行实验，结果表明，将半监督学习与主动学习相结合，能够更有效的利用未标注评论数据，从而有效地提高虚假评论检测的效果。

PyTorch中用于图像分类的深度主动学习工具包 这是用编写的用于图像分类的深度主动学习的代码库。 我想强调的是，该工具包只是最初由Prateek Munjal等人通过电子邮件与我共享的工具包的轻量级衍生产品。 论文“使用神经网络实现鲁棒和可再现的主动学习”的作者，请。 介绍 该存储库的目标是为深度主动学习提供一个简单而灵活的代码库。 它旨在支持快速实施和评估研究思路。 我们还提供了大量基准结果（即将推出）。 该代码库当前仅支持单机单gpu培训。 我们将很快将其扩展到由PyTorch分布式软件包提供支持的单机多GPU培训。 使用工具箱 有关简要的安装说明和基本用法示例，请参见 。 支持的主动学习方法 不确定性抽样 最不信任 最低保证金 最大熵 深度贝叶斯主动学习（DBAL）[1] 贝叶斯主动学习的分歧（BALD）[1] 多样性抽样 核心组（贪婪）[2] 变式对抗主动学习（VAAL）

matlab遥感分类代码CNN-AL-MRF 这就是《Hyperspectral Image Classification with Convolutional Neural Network and Active Learning》的代码。 如果您使用此代码，请在您的工作中引用以下论文。 [1] 曹向勇，姚敬，徐宗本，孟德宇。 具有卷积神经网络和主动学习的高光谱图像分类。 IEEE 地球科学与遥感学报，2020 年。() [2] H. Bi、F. Xu、Z. Wei、Y. Xue 和 Z. Xu，一种用于最小监督 polsar 图像分类的主动深度学习方法。 IEEE 地球科学与遥感学报，2019 年。 在 Windows 中安装 Matconvnet 请按照网站上的说明进行操作：。 再现结果 重现第四部分的实验结果。 D(1)，请跑 matlab CNN_AL_MRF_main.m 接触： 如果您有任何问题，欢迎与我联系（ / ）。

深度主动学习 以下主动学习算法的Python实现： 随机抽样 最不信任[1] 保证金抽样[1] 熵采样[1] 具有辍学估计的不确定性采样[2] 贝叶斯主动学习分歧[2] K均值采样[3] K中心贪婪[3] 核心套装[3] 对抗-基本的迭代方法 对抗性-DeepFool [4] 先决条件 numpy的1.14.3 scipy 1.1.0 火炬0.4.0 火炬视觉0.2.1 scikit学习0.19.1 ipdb 0.11 用法 $ python run.py 参考 [1]一种新的深度学习主动标记方法，IJCNN，2014年 [2]使用图像数据进行深度贝叶斯主动学习，ICML，2017年 [3]卷积神经网络的主动学习：核心集方法，ICLR，2018年 [4]深度网络的对抗式主动学习：基于边际的方法，arXiv，2018年

主动学习 以下两篇论文中成对约束和相对比较的主动学习代码： Sicheng Xiong、Javad Azimi 和 Xiaoli Z. Fern。 半监督聚类约束的主动学习，IEEE Transactions on Knowledge on Data Engineering 26(1): 43-54 (2014) Sicheng Xiong、Romer Rosales、Yuanli Pei 和 Xiaoli Z. Fern。 从相对比较中学习主动度量，arXiv:1409.4155 (2014)

加尔巴索 Wanging Wang，Yaochu Jin，John Doherty，基于委员会的主动学习，用于替代辅助粒子群算法的昂贵问题，IEEE控制论学报，第47卷，第9期，第2664-2677页，2017年。 重要说明：此代码需要安装SURROGATE TOOLBOX（ ）

Human-in-the-Loop Machine Learning lays out methods for humans and machines to work together effectively. Summary Most machine learning systems that are deployed in the world today learn from human feedback. However, most machine learning courses focus almost exclusively on the algorithms, not the human-computer interaction part of the systems. This can leave a big knowledge gap for data scientists working in real-world machine learning, where data scientists spend more time on data management than on building algorithms. Human-in-the-Loop Machine Learning is a practical guide to optimizing the entire machine learning process, including techniques for annotation, active learning, transfer learning, and using machine learning to optimize every step of the process. Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications. About the technology Machine learning applications perform better with human feedback. Keeping the right people in the loop improves the accuracy of models, reduces errors in data, lowers costs, and helps you ship models faster. About the book Human-in-the-Loop Machine Learning lays out methods for humans and machines to work together effectively. You'll find best practices on selecting sample data for human feedback, quality control for human annotations, and designing annotation interfaces. You'll learn to create training data for labeling, object detection, and semantic segmentation, sequence labeling, and more. The book starts with the basics and progresses to advanced techniques like transfer learning and self-supervision within annotation workflows. What's inside Identifying the right training and evaluation data Finding and managing people to annotate data Selecting annotation quality control strategies Designing interfaces to improve accuracy and efficiency About the author Robert (Munro) Monarch is a data scientist and engineer who has built machine learning data for companies such as

基于模糊核聚类和主动学习的异常检测方法.pdf