机器学习有个尴尬现实：标注数据太贵，模型却贪得无厌。主动学习想解决这个矛盾——让算法自己挑样本，减少人工标注量。

但传统方法有个盲区：它假设查询和标注是分开的两步。实际上，人可以边被问边教。比如教孩子认动物，你指一张图问"这是猫吗"，孩子答"不对，是老虎"——一次交互就完成纠错。

打开网易新闻 查看精彩图片

这篇论文把这种"即问即学"模式形式化了。核心设计叫"单轮主动学习"：模型提出一个查询，人类给标签，模型立即更新，然后进入下一轮。关键是查询策略要兼顾"信息量"和"可回答性"——太难的问题人类也懵。

打开网易新闻 查看精彩图片

实验在MNIST上跑通，但真正的野心在视觉问答和交互式系统。让模型学会"问对问题"，比让它"答对问题"更难，也更接近人类的学习方式。

一个细节：作者用信息增益来选查询，但加了约束——查询必须落在人类能可靠标注的区域。这避免了模型钻牛角尖，问些模棱两可的边界案例。

打开网易新闻 查看精彩图片

思路不新，但框架干净。后续跟进的人不少，说明这个方向确实卡在了痛点上：数据效率的尽头，是交互效率。