本次查询：Active Learning
中文解释：主动学习
常见场景：数据标注成本高 / 标注样本稀缺或需要快速迭代模型的生产环境
一句话解释
主动学习是一种让机器学习模型主动挑选“最有疑问”的数据样本，并请求人工给出正确标签的训练方法。它就像学生只做自己最不懂的习题，而不是漫无目的地翻书，从而用最少的问题达到最好的学习效果。
为什么会被关注
现实世界中高质量标注数据通常昂贵且耗时，尤其医疗、金融、自动驾驶等领域，专家标注每张图或每条记录的成本可能高达数十元。主动学习通过让模型自主选择高价值样本，往往能减少70%以上的标注工作量，同时保持甚至提升模型精度，这直接降低了企业部署AI的门槛。
同时，主动学习也适合在线学习和模型迭代场景——当新数据源源不断到来时，模型只从中抽取真正需要人看的样本，大幅减少人工审核的疲劳度和延迟。这使得它在工业界迅速成为数据效率提升的关键技术之一。
核心逻辑
主动学习的循环通常包含四个步骤：初始模型使用少量标注数据训练；然后模型对大量未标注数据计算每个样本的“不确定性”或“信息量”（例如预测概率最接近0.5的样本）；选择最有价值的一个或多个样本交给人工标注；将新标注数据加入训练集，重新训练模型。重复这个过程直到满足停止条件（如标注预算用尽或模型性能达标）。
常用的查询策略包括不确定性采样（选取预测概率最低的样本）、委员会查询（多个模型投票最不一致的样本）、以及预期模型变化最大化（选取能让模型更新最大的样本）。这些策略的核心目标都是让每一次标注投入获得最大的模型收益。
常见场景
需要注意的是，主动学习并不适用于所有情况。当初始模型极差时，它可能反复挑选离群点或噪声样本，导致训练停滞。因此实践中常先使用少量随机样本预热模型，再启动主动学习策略。
容易混淆的点
主动学习与半监督学习常被混淆：半监督学习利用大量无标签数据通过自训练、一致性正则化等方式直接提升模型，不需要人工介入；而主动学习必须依赖人机交互，核心是“选择哪些样本让人标”。两者可以互补，但运作模式完全不同。
另一个常见误区是将主动学习等同于“主动采集新数据”。实际上主动学习只关注对已有未标注池的选择，并不生成新数据。它也不同于主动数据增强（如图像旋转、裁剪）——后者不涉及人工标注成本。