# 主动学习

EvoDiff把主动学习的选样改成“先生成、再检索”：在特征空间里用扩散采样生成合成探针，只把被探针检索到的真实未标注超声图像交给专家标注。在覆盖15个数据集、16,696张图像、6类器官任务的评测中，它在ResNet-50与USFM两种下游模型上多数设置优于随机采样和多种主动学习基线，并以模型估计的标注工作量指标给出相对随机采样24%至84%的削减。

EvoDiff把主动学习的选样改成“先生成、再检索”：在特征空间里用扩散采样生成合成探针，只把被探针检索到的真实未标注超声图像交给专家标注。在覆盖15个数据集、16,696张图像、6类器官任务的评测中，它在ResNet-50与USFM两种下游模型上多数设置优于随机采样和多种主动学习基线，并以模型估计的标注工作量指标给出相对随机采样24%至84%的削减。

药物化学的后期官能团化长期受制于反应数据稀缺，尤其难以预测多个相似C–H键中哪一个会被硼化。罗氏与ETH团队用XGBoost集成模型驱动的主动学习，从22,253个候选分子中分三轮挑出50个未报道底物做高通量实验，把C–H硼化数据扩到6,865条反应、568个底物。随后训练的几何图神经网络在随机、Butina聚类和Bemis–Murcko骨架三种划分上多数情况下优于XGBoost，并在10个含N-杂芳基的未见底物上前瞻验证中把最可能的预测位点全部对上实验。

药物化学的后期官能团化长期受制于反应数据稀缺，尤其难以预测多个相似C–H键中哪一个会被硼化。罗氏与ETH团队用XGBoost集成模型驱动的主动学习，从22,253个候选分子中分三轮挑出50个未报道底物做高通量实验，把C–H硼化数据扩到6,865条反应、568个底物。随后训练的几何图神经网络在随机、Butina聚类和Bemis–Murcko骨架三种划分上多数情况下优于XGBoost，并在10个含N-杂芳基的未见底物上前瞻验证中把最可能的预测位点全部对上实验。

UCB与Cradle宣布战略合作，把Cradle的AI蛋白质设计平台用于UCB选定的抗体发现项目，覆盖从命中生成、先导优化到临床前就绪的环节。此前UCB的数字抗体工程依托自有抗体发现平台，再结合计算科学与外部技术伙伴。合作中，实验数据会持续回灌到项目专属模型，形成“实验室在环”的累积学习循环，用于同时优化候选分子的多项性质。

UCB与Cradle宣布战略合作，把Cradle的AI蛋白质设计平台用于UCB选定的抗体发现项目，覆盖从命中生成、先导优化到临床前就绪的环节。此前UCB的数字抗体工程依托自有抗体发现平台，再结合计算科学与外部技术伙伴。合作中，实验数据会持续回灌到项目专属模型，形成“实验室在环”的累积学习循环，用于同时优化候选分子的多项性质。

主观类别（如“健康食品”）的边界因人、因文化而变，传统流程却要求用户一开始就给出稳定标签。Google Research 的 Agile Deliberation 把分类器构建拆成概念界定与概念迭代两步：先让用户把大概念拆成子类与明确排除项，再用视觉语言模型挑出语义上处于边界的图像请用户判断，反馈直接进入自动提示优化循环。在 18 场、每场 1.5 小时的真人会话中，参与者经此流程构建的分类器在最具挑战性的主观图像上明显优于所比较的标准基线，并报告更低的疲劳与焦虑。

主观类别（如“健康食品”）的边界因人、因文化而变，传统流程却要求用户一开始就给出稳定标签。Google Research 的 Agile Deliberation 把分类器构建拆成概念界定与概念迭代两步：先让用户把大概念拆成子类与明确排除项，再用视觉语言模型挑出语义上处于边界的图像请用户判断，反馈直接进入自动提示优化循环。在 18 场、每场 1.5 小时的真人会话中，参与者经此流程构建的分类器在最具挑战性的主观图像上明显优于所比较的标准基线，并报告更低的疲劳与焦虑。

三维空间转录组测序成本高，常规做法是按固定网格密集取样，在三维组织里容易重复测量、又漏掉信息集中的区域。STRATA把取样和预测放在同一个预算约束下联合优化：在融合H&E形态与单细胞先验的三维图上，用强化学习智能体挑选形态稀疏、转录组信息量高的位点，再由检索、回归与跨层插补三路预测器按位点自适应加权补全。在HER2、Breast、cSCC与私有Kidney队列上，STRATA的PCC最高、MSE最低；HER2上其PCC为0.361、MSE为0.356，正文所述最强基线数值与表格所列基线数值不一致，此处不引用该对比。

三维空间转录组测序成本高，常规做法是按固定网格密集取样，在三维组织里容易重复测量、又漏掉信息集中的区域。STRATA把取样和预测放在同一个预算约束下联合优化：在融合H&E形态与单细胞先验的三维图上，用强化学习智能体挑选形态稀疏、转录组信息量高的位点，再由检索、回归与跨层插补三路预测器按位点自适应加权补全。在HER2、Breast、cSCC与私有Kidney队列上，STRATA的PCC最高、MSE最低；HER2上其PCC为0.361、MSE为0.356，正文所述最强基线数值与表格所列基线数值不一致，此处不引用该对比。

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。

生物质烘焙的实验优化长期受制于实验成本与时间，传统单因素试验容易漏掉协同效应，全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型，交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869，优于随机森林、支持向量回归和神经网络。在此基础上，一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数，推荐出10组实验，温度覆盖200–315 °C、停留时间30–1089 s，全部落在常规烘焙区间内。

生物质烘焙的实验优化长期受制于实验成本与时间，传统单因素试验容易漏掉协同效应，全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型，交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869，优于随机森林、支持向量回归和神经网络。在此基础上，一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数，推荐出10组实验，温度覆盖200–315 °C、停留时间30–1089 s，全部落在常规烘焙区间内。