{“status”：“ok”，“messagetype”：“work”，”message-version“：“1.0.0”，“消息”：{“indexed”:{“date-parts”：[[2022,12,12]]，“date-time”：”2022-12-12T09:49:52Z“，”timestamp“：1670838592373}，“publisher-location”：“California”，“reference-count”：0，“publish”：“International Joint Conferences on Artificial Intelligence Organization”，“content-domain”：{domain“[]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2021,8]]}，”抽象“：”为了用较少的训练示例学习一个有效的模型，现有的主动学习方法通常假设存在一个给定的目标模型，并尝试通过选择信息量最大的示例来适应它。然而，它不太可能在之前确定最佳目标模型，因此即使数据被完全选择，也可能获得次优性能。为了应对这一实际挑战，本文提出了一种新的双主动学习框架，用于同时执行模型搜索和数据选择。具体而言，针对组合算法选择和超参数优化（CASH），提出了一种具有截断重要性采样的有效方法，该方法减轻了模型对标记数据的评估偏差。此外，我们还提出了一种主动查询策略来标记最有价值的示例。该策略一方面倾向于使用有区别的数据来帮助CASH搜索最佳模型，另一方面更倾向于使用信息丰富的示例来加速优胜者模型的收敛。在12个openML数据集上进行了大量实验。结果表明，该方法可以有效地学习到具有较少标记示例的优秀模型<\/jats:p>“，”DOI“：”10.24963\/ijcai.2021\/420“，”type“：”proceedings-article“，”created“：{”date-parts“：[[2021,8,11]]，”date-time“：”2021-08-11T11:00:49Z“，”timestamp“：1628679649000}，”source“：“Crossref”，”is-referenced-by-count“：2，”title“：[”模型和数据选择的双重主动学习“]，”前缀“：”10.24963“，”author“：[{”给定“：”英鹏“，”家族“：”Tang”，“sequence”：“first”，“affiliation”：[{“name”：“南京航空航天大学计算机科学与技术学院”}，{“name”：“新型软件技术与产业化协同创新中心”}给定“：”盛俊“，”家族“：”黄“，”序列“：”附加“，”隶属“：[{名称“：”南京航空航天大学计算机科学与技术学院“}，{名称”：“新型软件技术与产业化协同创新中心”}工信部模式分析与机器智能重点实验室，中国南京211106“}]}]，“成员”：“10584”，“事件”：{“名称”：“第三十届国际人工智能联合会议{IJCAI-21}”，“主题”：“人工智能”，“位置”：“加拿大蒙特利尔”，“缩写”：“IJCAI-20 21”，“数字”：“30”，“赞助商”：[”国际人工智能联合会议（IJCAI）“]，”start“：{“date-parts”：[[2021,8,19]]}，”end“：{“date-parts”：[[2021,8,27]]}}，“container-title”：[“第三十届国际人工智能联席会议论文集”]，”original-title“：[]，”deposed“{”date-part“：[2021,8,11]]，”date-time“：”2021-08-11T11:03:11Z“，”timestamp“：1628679791000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/www.ijcai.org\/crocesses\/2021\/420”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2021,8]]}，《references-count》：0，“URL”:“http://\/dx.doi.org\/10.24963\/ijcai.2021 \/420“，”关系“：{}，”主题“：[]，”发布“：{”日期部分“：[[2021,8]]}}}