主动学习

主动学习是主动学习的概括，旨在放宽不现实的假设，从而达到实际应用。主动学习试图选择信息量xxx的无标签实例，并向一个全知全能的神谕者询问它们的标签，以便重新训练一个学习算法，使其准确性最大化。然而，神谕被认为是无懈可击的（永远不会错），不屈不挠的（总是回答），个别的（只有一个神谕），并且对成本不敏感（总是免费或总是收费相同）。在现实生活中，有可能而且更普遍的是有多个具有不同可靠性或专业领域的信息来源。主动学习还假设单一的神谕是完美的，在被要求时总是提供一个正确的答案。

但在现实中，一个神谕（如果我们把这个词概括为任何专家信息的来源）可能是不正确的（易错的），其概率应该是问题难度的函数。此外，神谕可能是不情愿的--如果它太不确定或太忙，它可能拒绝回答。最后，主动学习假定甲骨文是免费的，或者在标签诱导中收取统一的费用。这种假设是天真的，因为费用很可能受难度（制定答案所需的工作量）或其他因素的影响。主动学习放宽了所有这四个假设，依靠决策理论的方法来共同选择最佳的信使和实例，将问题设定为一个受预算约束的效用优化问题。