想象你是一名高三学生，离高考还有三个月。一对一的名师辅导每节课都贵得吓人——这就是人工标注数据的成本；但隔壁的自习室里堆着十万本练习册，全是未标注数据，不要钱，却没人告诉你每道题的正确答案。 聪明的小明没有傻傻地刷完十万本，也没有把钱烧光问遍所有题。他的策略是：先挑自己最没把握的题目去问老师，再用老师的思路对照题库自我批改。问老师，就是主动学习；自己批改，就是半监督学习。把两者编排成一套循环打法，小明用比别人少得多的辅导费，换来了更高的模考分数。 这就是本篇要讲的——主动学习与半监督学习的融合方案。它们一个负责“精挑细选地问人”，一个负责“大量地自学”，合在一起，能用更少的标注成本训练出更好的模型，是数据高效机器学习最热门的实操方向之一。

岗位关联

对 AI 从业者而言，掌握这套融合思路意味着在标注预算受限的工业场景中，你依然能交付高精度模型——这是简历上实打实的数据效能硬技能。

目录
  1. 可视化演示
  2. 融合动机
  3. 核心思想
  4. 经典策略
  5. 伪标签技术
  6. 效果评估
  7. 噪声防范
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示主动学习与半监督学习融合方案的核心机制，通过总览/传输/转换/输出四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

主动学习与半监督学习融合方案：主动学习 主动学习与半监督学习的互补性与 标注数据与未标注数据的协同训练 核心机制可视化 主动学习与半监督学习融合方案整体架构与关键组件

融合动机

小明拿到一张月历，上面只有 30 格可以预约名师辅导——这就是他的标注预算。隔壁自习室里有十万本无人批改的练习册——这就是未标注数据。只问老师，辅导费飙升到家里承受不起；只刷练习册，没人告诉他答案对错，容易把错的解法练成习惯。两个方案单打独斗都别扭，何不联手？

在机器学习里也是一样的。主动学习擅长“定向狙击”：模型挑出自己最不确定的样本，去请人类标注，把每一份标注预算花在刀刃上。半监督学习擅长“广撒网”：它假设数据分布本身有结构，大量未标注样本能帮助模型更平滑地理解特征空间，相当于十万本练习册里藏着的共性规律。两者一个管“问”，一个管“读”，恰好互补。

技术实现上，融合方案把两股信息流汇入同一个损失函数：人工标注计算监督损失，未标注数据的伪标签（模型自己给的预测标签）计算半监督损失，再加一个权重系数调节两者的信任比例：

想象小明的月历：30 次辅导是 $L_{labeled}$，十万本练习册是 $L_{unlabeled}$，而 $\lambda$ 就是妈妈定下的规矩——“练习册每天可以刷，但老师讲的每道错题必须整理进错题本”。两者缺一不可，融合的第一步，就是承认彼此的价值。

Ltotal=Llabeled+λ Lunlabeled\displaystyle L_{total} = L_{labeled} + \lambda\, L_{unlabeled}
$L_{total}$ 是总训练损失，$\lambda$ 控制“自己批改的练习册”在整体学习中的话语权。
  1. 监督损失项衡量模型对人工标注样本的预测与真实标签之间的差距，是“老师亲自点拨”的得分反馈。
    LlabeledL_{labeled}
  2. 半监督损失项衡量模型对未标注样本的预测与其伪标签之间的差距，是“自己批改”后的自我纠错信号。
    LunlabeledL_{unlabeled}
  3. 平衡权重$\lambda$ 决定自学内容占多少分量。太大会让伪标签噪声反客为主，太小则浪费自习资源。
    λ\lambda

核心思想

小明把问老师和刷题编成一张时间表：周一，挑出本周最没把握的三道题去问老师；周二，用老师的解题思路去刷相关的十道同类题，并尝试自己给它们归类；周三检验，发现归类模糊的题目记下来，下周再去问老师。这张循环时间表，就是融合方案的统一闭环框架。

工程上，这个闭环由两个动作交替驱动：样本价值排序和未标注自我学习。每次迭代，模型都要回答两个问题：未标注池子里哪个样本最值得占用人力的标注份额？哪些未标注样本我可以自信地自己拍板？前者是主动学习的查询策略，后者是半监督的自训练机制。

综合评分函数将两者纳入同一个框架。当我们决定下一个查询哪个样本 $x$ 时，既要看重它的“不懂程度”（不确定性），也要看重它在整体数据中的“代表地位”（代表性）：

这个闭环的精髓，是让“人工标注”和“自我学习”互相喂数据：主动学习选出的高质量标注让模型更可靠，模型更可靠后，半监督产出的伪标签也更值得信赖。像小明的循环：问过的题让解题能力变强，能力变强后自己批改的练习册也更准确，进而敢挑战更难的题——螺旋上升。

S(x)=U(x)+β R(x)\displaystyle S(x) = U(x) + \beta\, R(x)
$S(x)$ 是样本的综合价值分，$U(x)$ 是模型对它的不确定性，$R(x)$ 是它在数据分布中的代表性，$\beta$ 是两者的相对权重。
  1. 不确定性项$U(x)$ 大代表模型对这个样本很“心虚”，这类样本最值得占用人工标注。
    U(x)U(x)
  2. 代表性项$R(x)$ 大代表这个样本周围还有很多同类，标注它能“连锁启蒙”一大片未标注样本。
    R(x)R(x)
  3. 合成价值$\beta$ 平衡“最需要问”和“最该问”之间的矛盾，综合分最高的样本优先进入标注队列。
    S(x)=U(x)+β R(x)S(x) = U(x) + \beta\, R(x)

经典策略

同样是问老师，不同学生的问法差异很大。小明发现同桌小刚只看分数，专挑自己考得最差的科目问——这是不确定性采样；班长小红则每章挑一题代表问，把各章脉络先摸清——这是代表性覆盖；而小明自己采取折中：优先问最差的科目，同时确保每个章节至少问一道——这是混合组合策略。

在主动学习里，不确定性采样是最经典的做法。模型对样本的“心虚程度”常用信息熵量化：熵越大，说明模型对各类别都拿不准，这种样本就是最值得问的。信息熵公式如下：

小刚问最差科目，相当于只在熵最高的样本里选；如果只问一门课，那其他章节的盲区就全被忽视了。所以成熟的融合方案常用混合策略：先用熵筛出“最不会的”，再用多样性约束保证它们来自不同区域——像小明那样，既补短板，又防偏科。

H(x)=−∑cp(c∣x) log⁡p(c∣x)\displaystyle H(x) = -\sum_{c} p(c|x)\,\log p(c|x)
$H(x)$ 是样本 $x$ 的熵，$c$ 遍历所有类别，$p(c|x)$ 是模型预测 $x$ 属于类别 $c$ 的概率。熵越大，模型越摇摆。
  1. 类别概率模型输出 $p(c|x)$，相当于小明给每道题的答案按“可能程度”打分，比如“A 选项 50%，B 选项 40%”。
    p(c∣x)p(c|x)
  2. 取对数与求和把所有类别的概率对数加权求和，得到一个数值。若各概率越接近，熵越大，代表模型越拿不准。
    −∑cp(c∣x) log⁡p(c∣x)-\sum_{c} p(c|x)\,\log p(c|x)
  3. 熵值决策遍历未标注池，选 $H(x)$ 最大的样本去问人，标注预算就给了最摇摆不定的题目。
    x∗=arg⁡max⁡x∈UH(x)x^* = \arg\max_{x \in U} H(x)

伪标签技术

小明自学的核心动作，是用红笔给练习册上的题目打钩或打叉。但他有一条铁律：只有答案非常确定的题才敢标。一道题瞎猜对错，标进错题本只会越练越乱；而十拿九稳的题，标进去就能巩固正确解法。这个“红笔批改”流程，对应算法里的伪标签技术。

伪标签的生成很直接：让模型预测未标注样本的类别，取概率最高的那个作为“准标签”，但加一道闸门——模型预测的置信度必须超过阈值 $\tau$，这个伪标签才被写入训练集。公式如下：

阈值的艺术在于分寸：太严，十万本练习册只批改了十本，自学效果微弱；太松，红笔乱挥，把错题当例题背，模型会越训越歪。这就是为什么融合方案总把伪标签技术当成“高置信度优先的课程”，让模型从简单题练起，再慢慢加大难度。

y′=arg⁡max⁡cp(c∣x),若 p(y′∣x)>τ\displaystyle y' = \arg\max_{c} p(c|x), \quad \text{若 } p(y'|x) > \tau
$y'$ 是模型给样本 $x$ 打的伪标签，$\tau$ 是置信度闸门。只有模型足够自信时才放行，避免把噪声标签灌进训练集。
  1. 预测候选标签模型在每个类别上的概率分布里取最大值对应的类别，作为伪标签候选 $y'$。
    y′=arg⁡max⁡cp(c∣x)y' = \arg\max_{c} p(c|x)
  2. 置信度检验候选标签对应的概率值必须超过阈值 $\tau$，否则弃标——就像小明只在百分之九十确信时才下红笔。
    p(y′∣x)>τp(y'|x) > \tau
  3. 逐步开放训练初期阈值定得高，只收“送分题”；轮次推进后逐渐放宽，让更多中高置信度样本参与训练——这叫课程式学习，先易后难。
    τt+1=τt−δ\tau_{t+1} = \tau_t - \delta

效果评估

小明的融合学习法到底有没有用？光看某个周末的模拟考分数不够——也许那周考题恰好简单。张老师给了个更科学的方法：把成绩画成一条“学习天数-模考分数”的曲线，和小刚、小红的方法放在同一张图里对比。谁的曲线爬得又高又快，谁的方法更优。

机器学习里，这条曲线叫标注预算曲线：横轴是已消耗的人工标注样本数，纵轴是模型在验证集上的精度。融合方案的价值不在于终点精度多高，而在于曲线的上升速度——用同样数量的标注，谁先逼近高精度。更定量的衡量，可以计算融合方案相对纯主动学习的增益：

除增益外，消融实验同样关键：把融合方案拆开，只跑主动学习、只跑半监督、两者都跑，对比三条曲线。如果拆掉半监督后曲线爬得明显更慢，就证明“自己刷题”确有贡献——像张老师把小明的错题本收走，让他单靠问老师，看他模拟考成绩会不会掉队。

Gain=AccAL+SSL−AccALAccAL×100%\displaystyle Gain = \frac{Acc_{AL+SSL} - Acc_{AL}}{Acc_{AL}} \times 100\%
$Acc_{AL+SSL}$ 是主动学习叠加半监督后的精度，$Acc_{AL}$ 是只用主动学习的精度。增益为正且越大，说明融合的“自学部分”贡献越多。
  1. 绝对提升先算融合方案与纯主动学习的精度差，这是“自学”带来多少额外好东西。
    AccAL+SSL−AccALAcc_{AL+SSL} - Acc_{AL}
  2. 归一化用差值除以纯主动学习的精度，得到相对提升比例，保证不同难度任务之间可比较。
    AccAL+SSL−AccALAccAL\frac{Acc_{AL+SSL} - Acc_{AL}}{Acc_{AL}}
  3. 换算百分比乘以 $100\%$，让人一眼看懂提升了几个百分点。
    Gain=AccAL+SSL−AccALAccAL×100%Gain = \frac{Acc_{AL+SSL} - Acc_{AL}}{Acc_{AL}} \times 100\%

噪声防范

伪标签最大的隐患，藏在“自己批改”的失误里。小明偶尔会把一道错题标成正确，如果没发现，这道错误的红笔标记会混进错题本；下次他按照错误解法刷同类题，又会产生更多错误标记——错误就这样像滚雪球一样，一传十、十传百，最终污染整个自学习系统。

算法界把这称为错误标签累积。要防止雪崩，融合方案通常从三处设防。其一，动态校准阈值：训练早期错误率高，阈值也定得高，只收极有把握的伪标签；后期模型更可靠，再逐步放宽。其二，噪声加权抑制：伪标签的损失权重 $\lambda$ 应随当前错误率估计下降，公式如下：

其三，早停监控：每轮扩充伪标签后都去验证集上测一下精度，如果发现性能不升反降，立刻停止本轮扩充并回溯清理可疑的伪标签。这就像小明每月末拿一套真题做自测，发现按照错题本复习后分数反而下降，就果断把最近两周的红笔标记全部擦掉重来。

λt=λmax e−α εt\displaystyle \lambda_t = \lambda_{max}\, e^{-\alpha\, \varepsilon_t}
$\lambda_t$ 是第 $t$ 轮的伪标签权重，$\varepsilon_t$ 是当前伪标签的错误率估计，$\alpha$ 是衰减速率的调节系数。错误越多，被允许的自学影响力就越小。
  1. 基准权重$\lambda_{max}$ 定义理想状况下自学内容的最大话语权，相当于“完全信任自己批改”时的权重上限。
    λmax\lambda_{max}
  2. 错误率指数衰减$e^{-\alpha \varepsilon_t}$ 让权重随错误率上升而指数下滑，错误越严重，红笔批改的权威性越被削弱。
    e−α εte^{-\alpha\, \varepsilon_t}
  3. 动态权重合成每轮训练根据最新错误率估计求新权重，实现“越错越低调，越准越自信”的自我调节。
    λt=λmax e−α εt\lambda_t = \lambda_{max}\, e^{-\alpha\, \varepsilon_t}

AI 应用场景

医学影像辅助标注

阶段：数据准备与标注

解决的问题：胸片数据海量，但资深放射科医生标注一张图需要数分钟且费用高昂。传统做法是随机抽样送去标注，导致大量正常胸片挤占预算，而真正危险的罕见病灶样本反而漏标。

具体案例：某三甲医院收集了 20 万张未标注胸片，由 AI 系统先做一轮预筛选：用不确定性采样挑出模型最拿不准的 2000 张高危胸片，请医生优先标注；同时模型对置信度超过 0.9 的正常胸片自动打上伪标签，扩充训练集。两个动作交替进行，医生只标注了全部数据的 2%，模型对病灶的检出率反而比随机标注 10% 时更高。

智能客服意图识别冷启动

阶段：训练数据构建与模型迭代

解决的问题：新业务上线时，历史对话记录达百万条但完全未标注；若全部人工打标，动辄数周工期。传统规则匹配效果差，又缺标注数据训练模型。

具体案例：电商平台搭建客服意图分类器，先用 300 条人工标注冷启动；每轮迭代用主动学习挑出模型置信度最低的用户提问，交给客服主管标注；同时对预测概率超过 0.92 的常见问答（如“快递到哪了”）自动生成伪标签。五轮循环后，模型在 20 个意图类别上的准确率达到 91%，而人工标注总量不足两千条。

工业质检缺陷样本发现

阶段：模型持续优化

解决的问题：流水线产品中次品率仅 1%，缺陷样本极其稀少，随机抽样标注一整天也见不到几个残次品，数据严重不平衡。

具体案例：质检相机拍到 5 万张零件图，其中缺陷图可能只有几百张。主动学习模块专门挑模型预测“有缺陷”但置信度仅为 0.5~0.7 的模糊样本送给质检员复核，精准捕捞边界案例；半监督模块则用高置信度的合格品被自动贴上“良品”伪标签，维持模型对绝大多数正常样本的判断力。两者协同，质检员标注效率提升八倍，漏检率下降 60%。

Python 演示

python95 行
"""主动学习 + 半监督（伪标签自训练）融合演示."""import numpy as np  class ActiveSemiLearner:    """同时使用人工标注与伪标签的KNN分类器."""     def __init__(self, X_labeled, y_labeled, X_pool, k=3):        self.X_labeled = X_labeled        self.y_labeled = y_labeled        self.X_pool = X_pool        self.k = k        self.pseudo_X = []        self.pseudo_y = []        self.gc_count = 0     def _all_train(self):        if self.pseudo_X:            X_all = np.vstack([self.X_labeled, np.array(self.pseudo_X)])            y_all = np.concatenate([self.y_labeled, np.array(self.pseudo_y)])            return X_all, y_all        return self.X_labeled, self.y_labeled     def predict_proba(self, x):        X_all, y_all = self._all_train()        dists = np.linalg.norm(X_all - x, axis=1)        k = min(self.k, len(dists))        idx = np.argsort(dists)[:k]        nb_labels = y_all[idx]        p1 = float(np.mean(nb_labels == 1))        return p1     def query(self, m):        scores = []        for x in self.X_pool:            p1 = self.predict_proba(x)            conf = max(p1, 1 - p1)            scores.append((conf, x))        scores.sort(key=lambda t: t[0])        return [s[1] for s in scores[:m]]     def pseudo_label(self, threshold):        keep = []        for x in self.X_pool:            p1 = self.predict_proba(x)            if max(p1, 1 - p1) >= threshold:                self.pseudo_X.append(x)                self.pseudo_y.append(1 if p1 >= 0.5 else 0)                self.gc_count += 1            else:                keep.append(x)        self.X_pool = np.array(keep)  def gen_data(n=400, seed=7):    rng = np.random.RandomState(seed)    X1 = rng.randn(n // 2, 2) + np.array([2.0, 2.0])    X0 = rng.randn(n // 2, 2) + np.array([-2.0, -2.0])    X = np.vstack([X1, X0])    y = np.array([1] * len(X1) + [0] * len(X0))    return X, y  def accuracy(model, X, y):    preds = []    for x in X:        p1 = model.predict_proba(x)        preds.append(1 if p1 >= 0.5 else 0)    return float(np.mean(np.array(preds) == y))  def main():    X, y = gen_data()    X_labeled, y_labeled = X[:12], y[:12]    X_pool = X[12:]    y_pool = y[12:]    model = ActiveSemiLearner(X_labeled, y_labeled, X_pool)     full_acc = accuracy(ActiveSemiLearner(X, y, np.empty((0, 2))), X, y)    print("全量监督上限精度: %.3f" % full_acc)     for rnd in range(1, 6):        for qx in model.query(2):            idx = np.where(np.all(X == qx, axis=1))[0][0]            X_labeled = np.vstack([X_labeled, qx])            y_labeled = np.concatenate([y_labeled, [y[idx]]])        model.X_labeled = X_labeled        model.y_labeled = y_labeled        model.pseudo_label(threshold=0.95 - rnd * 0.02)        acc = accuracy(model, X, y)        print("第 %d 轮: 精度=%.3f, 伪标签数=%d" % (rnd, acc, model.gc_count))  if __name__ == "__main__":    main()
目的：用 K 近邻实现一个极简的“主动学习 + 伪标签”融合器，在合成二分类数据上演示标注预算有限的条件下模型精度逐步攀升。
  1. model.query(m)按预测置信度从低到高选出 m 个样本，模拟主动学习“挑最没把握的问老师”。
  2. model.pseudo_label(threshold)给置信度超过阈值的未标注样本自动生成伪标签并纳入训练，模拟半监督自学。
  3. threshold=0.95 - rnd * 0.02阈值随轮次逐步放宽，实现课程式学习：先只收送分题，后期适度放手。
  4. self.gc_count += 1记录累计伪标签数量，观察“自己批改”的规模增长。
  5. accuracy(model, X, y)在全部数据上评估，直观看到每一轮融合循环带来的精度收益。
  6. X_labeled = X[:12]初始化仅 12 个人工标注样本，模拟真实场景中标注极度稀缺的冷启动。

常见误区

误区反正都要标注，随机挑样本和用策略挑样本最后效果差不多，主动学习只是多了个排序步骤，没什么本质区别。

正解随机抽样像闭着眼睛从练习册里抽题去问老师，很可能抽到十道已经会的送分题；主动学习则挑模型最摇摆的样本，用信息熵筛选后，每一份标注预算都落在“最能让模型进步”的点上。大量实验表明，在相同标注数量下，不确定性采样的精度远高于随机采样，尤其在标注预算紧张时差距更悬殊。

为何常见：初学者往往只关注“标注这个动作本身”，忽略了“标哪个样本”才是决定数据效率的关键；随机抽样的低成本让它在小数据上显得够用，掩盖了预算放大后的差距。

误区半监督学习不就是充分利用未标注数据吗？那把低置信度的样本也加上，数据越多模型越强，全部打上伪标签总没错。

正解伪标签本质是模型自己的预测，置信度低的样本错误率极高。把这些错误标签灌进训练集，就像小明把瞎猜的答案也写进错题本——错误会随迭代累积放大，最终模型性能不升反降。正确做法是只选高置信度样本，并随着训练推进动态调节权重和阈值。

为何常见：直觉上“数据量增加总有益处”，却忽略了噪声数据的边际危害；尤其当模型过拟合到错误伪标签上时，数据越多错得越坚定。

误区两者都是利用少量标注数据的方法，名字也常一起出现，应该只是同一种思路的不同叫法。

正解两者的信息源完全不同。主动学习向人类专家要标签——挑样本、问人、拿答案；半监督学习向模型自己要标签——预测未标注数据、筛选高置信度预测、自训练。打个比方，主动学习是“花钱请老师补课”，半监督是“自己在家刷题”，路径不同，但可以组成一套组合拳。

为何常见：两者经常在同一篇论文、同一套系统里协同出现，初学者看到它们总是成对登场，就误以为是一个概念；实际上它们的训练循环、查询对象、误差来源都截然不同。

误区判断一个方案好不好，直接拿最终测试集精度比一下就行，谁高谁就赢，曲线过程无所谓。

正解融合方案的灵魂是“数据高效”。如果一个人用了 10 万条标注，另一个人只用 1 万条标注但最终精度相近，后者显然更优。正确评估方式是画“标注样本数—精度”曲线，并比较相同预算下的曲线高度；如果只看最终精度，就会忽略标注成本的天壤之别。

为何常见：人天生倾向于用单一数字快速做判断，而曲线对比需要多跑几组实验、多画几张图，工作量更大；但恰恰是这种对比才揭示了融合方案的真实价值。

面试题

Q1. 主动学习最主要的目标是什么？

单选题 · easy

  • A.减少模型参数量，加快推理速度
  • B.用尽量少的人工标注获得高精度模型← 正确答案
  • C.完全替代人类标注的所有环节
  • D.让模型自动生成所有训练数据

答案：B。主动学习的核心是“挑最有价值的样本去问人”，从而压缩标注预算。A 属于模型压缩的范畴，C 和 D 夸大了能力——主动学习依然需要人工参与，只是把每一条人工标注用在刀刃上。就像小明少花钱多办事，而不是完全不请老师。

Q2. 半监督学习最核心的价值是什么？

单选题 · easy

  • A.全自动生成高质量的人工标注
  • B.利用未标注数据改进模型泛化能力← 正确答案
  • C.显著降低模型的存储空间占用
  • D.完全不依赖任何已标注样本

答案：B。半监督学习通过挖掘未标注数据的分布结构来辅助训练，但这离不开少量标注样本的引导。A 把它当成自动标注工具是错的，C 与存储无关，D 是极端化的理解——没有种子标注，模型连方向都不知道。

Q3. 伪标签的典型来源是？

单选题 · easy

  • A.人工二次核验得到的标签
  • B.模型对高置信度未标注样本的预测结果← 正确答案
  • C.原始数据属性中自带的类别字段
  • D.随机初始化产生的噪声类别

答案：B。伪标签是模型对未标注数据的预测，并且必须经过置信度筛选才可信任。A 是人工标签，不是“伪”标签；C 属于已有标注；D 的随机噪声没有任何学习价值。类比小明自己用红笔批改练习册，批改结论来自已有解题能力，不是瞎猜。

Q4. 以下哪一项是典型的主动学习样本选择策略？

单选题 · mid

  • A.随机抽取一批未标注数据进行标注
  • B.选择模型预测置信度最低的样本进行标注← 正确答案
  • C.选择画质最清晰、噪声最少的样本
  • D.选择与已标注数据最相似的样本进行标注

答案：B。不确定性采样选“模型最心虚”的样本，这正是主动学习的基本策略。A 是随机基线，C 关注数据质量而非学习价值，D 选太相似的样本信息冗余。好比小明问老师专挑最没把握的题，而不是问已经会的题。

Q5. 伪标签的置信度阈值设置过低的直接后果是什么？

单选题 · mid

  • A.伪标签错误率上升，噪声在训练中累积放大← 正确答案
  • B.模型训练时间大幅缩短
  • C.模型参数量自动减少
  • D.人工标注预算自动增加

答案：A。阈值过低等于放行大量低置信度预测，错误标签混入训练集并随迭代扩散，性能会退化。B 与训练时间无关，C 与参数量无关，D 更是南辕北辙——伪标签的自由流入反而会减少人工标注需求，但这是以牺牲可靠性为代价的。

Q6. 正确衡量融合方案优势的方式是？

单选题 · mid

  • A.直接比较最终测试精度哪个更高
  • B.绘制“标注样本数—测试精度”曲线并对比← 正确答案
  • C.只看训练集损失是否降到零
  • D.对比模型文件大小与推理速度

答案：B。融合方案的价值在数据效率，必须固定标注预算比精度。A 忽略了成本差异，C 是过拟合信号而非能力指标，D 衡量的是工程性能而非学习效率。就像比较学习方法要控制学习时长才能看出谁效率高。

Q7. 主动学习与半监督结合时，哪些做法有助于防止噪声累积？

多选题 · hard

  • A.为伪标签设置动态调整的置信度阈值← 正确答案
  • B.随训练轮次逐步衰减伪标签的损失权重← 正确答案
  • C.每轮在验证集上评估，性能下降就停止扩充← 正确答案
  • D.把全部未标注样本一次性打伪标签加入训练

答案：ABC。A 用动态阈值过滤不可靠预测，B 用衰减权重抑制错误影响，C 是早停监控。D 是典型的错误示范——一次性全量灌入会让噪声集中爆发，如同小明把整本练习册不加分辨全标进错题本。

Q8. 关于主动学习与半监督融合方案，下列说法正确的是？

多选题 · hard

  • A.主动学习负责挑选最有价值的样本去请求标注← 正确答案
  • B.半监督学习不需要任何已标注数据就能工作
  • C.两者的共同目标是降低总标注预算← 正确答案
  • D.融合后模型精度一定无限提升

答案：AC。A 是主动学习的定义，C 是融合的出发点。B 错误，半监督需要少量标注种子冷启动；D 错误，任何模型都有精度上界，融合只是让曲线爬得更快更省，不会突破理论极限。