主要包含了主动学习的一些经典论文和目前比较新的主动学习的文章，比较适合主动学习的初学者进行入门

行业分类-物理装置-基于多标准主动学习的乳腺电子病历实体识别系统.zip

行业分类-物理装置-基于迁移学习和主动学习的SAR图像变化检测方法.zip

主动学习的白细胞图像自动分割

贝叶斯超参数优化matlab代码主动 GP 超参数学习 这是 MATLAB 中描述的主动学习 GP 超参数方法的 MATLAB 实现 Garnett, R.、Osborne, M. 和 Hennig, P. 高斯过程线性嵌入的主动学习。 (2014)。 第 30 届人工智能不确定性会议（UAI 2014）。 给定函数f上的 GP 模型： 该例程依次选择一系列位置X = { x i } 进行观察，目的是尽快学习 GP 超参数θ 。 这是通过保持概率信念p ( θ | D ) 并通过最大化贝叶斯主动学习差异 (BALD) 标准来选择每个观察位置来完成的 N. Houlsby、F. Huszar、Z. Ghahramani 和 M. Lengyel。 用于分类和偏好学习的贝叶斯主动学习。 (2011)。 arXiv 预印本 arXiv:1112.5745 [stat.ML]。 此实现使用 Garnett 等人中描述的对 BALD 的近似。 上面的论文，它依赖于近似 GP 超参数边缘化的“边缘 GP”（MGP）方法。 主要入口点是learn_gp_hyperparameters.m 。 有关简

ALiPy 提供了一个基于模块的主动学习框架实现，允许用户方便地评估、比较和分析主动学习方法的性能。它实现了 20 多种算法，还支持用户在不同设置下轻松实现自己的方法。

主动学习试图在具有尽可能少标注样本的同时最大化模型的性能增益。深度学习(Deep learning, DL)需要大量标注数据，如果模型要学习如何提取高质量的特征，就需要大量的数据供应来优化大量的参数。

常见的主动学习方法分为三类，分别是基于membership的主动学习，基于流的主动学习和基于池的主动学习。本文针对基于池的主动学习方法研究，通过对无标记的数据进行价值评价，然后价值高低的排序，从而得到最佳无标签数据，并且进行对最佳的无标签数据打标，并入到训练集合中，最后进行模型和分类器的训练，以便得到最佳效果。 具体来说，使用基于熵的不确定性方法和基于margin策略的不确定性度量方法进行价值评价，在无标签数据中，找到奇异样本点，也就是最有价值的样本点，然后进行打标，进入到训练样本中。最后进行支持向量机，贝叶斯分类器和最近邻三种分类器训练，并且在UCI的三个数据集合上进行实验，相比随机样本，基于熵的不确定方法和基于margin策略的不确定主动学习方法，其分类准确率更高。

主动学习算法综述

基于伪平行语料库的双语主动学习关系分类