本文提出了一种基于多臂老虎机的池化主动学习算法，结合下限置信度和自协调正则化设计。该算法在每轮中从采样分布中选择样本并查询标签。实验结果显示，该算法在UCI数据集上的表现优于其他主动学习算法。此外，研究探讨了主动学习的理论框架及其在不平衡分类任务中的应用，提出了新的方法以提升性能和可扩展性。

本文介绍了Metric elicitation框架，用于选择反映用户偏好的性能评估指标。提出了激发分类性能指标的新策略，并探讨了在不平衡分类问题中对传统度量的修正。研究表明，数据组织结构对分类器性能有重要影响，强调了深入理解度量标准和有效特征选择的重要性。

该文提出了两个新的贡献，解决不平衡分类框架中的主要挑战，即类别尺寸微不足道，需要重新缩放风险函数。这些发现更清楚地了解了类别加权在实际情况下的好处，并为该领域的进一步研究开辟了新的途径。

该研究探索了受重尾分析和不平衡分类问题启发的损失函数，以解决交通预测中拥堵预测不准确的问题。实验结果表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE 时最佳。该研究增强了深度学习模型在预测拥堵引起的突发速度变化方面的能力，并强调了进一步研究的必要性。