本研究提出了一种主动学习方法ActPRM，旨在解决大规模语言模型训练中过程奖励模型标注数据获取困难的问题。ActPRM能够有效选择不确定样本，减少50%的标注成本，同时提升模型性能，取得了新的效果。

本研究提出了一种基于不确定性和多样性的主动学习框架，旨在高效选择未标注样本进行标注。该方法在低标注成本下显著提升了室内3D物体检测性能，实现了85%的全监督效果，仅需10%的标注预算。

本研究提出了一种主动标注方法，有效解决长期测试中的错误积累问题。通过选择边界样本和动态权重平衡，实验结果表明该方法显著优于现有技术，并降低了标注成本。

本研究提出MetaOcc框架，解决自主驾驶中3D占用预测的特征融合与标注成本问题。通过自注意模块与局部-全局融合，实现4D雷达与摄像头的环境感知，仅需50%标注数据，树立新基准。

本研究探讨了通过合成训练数据、主动学习和混合标注等策略，降低机器学习模型训练中的人工标注成本和时间。研究表明，混合标注设置能有效提高标注效率和数据集质量。

本研究提出了一种多图像增强直接偏好优化（MIA-DPO）方法，旨在解决多图像任务中的数据稀缺和高标注成本问题。该方法通过构建选择/拒绝对，降低了标注成本，并在基准测试中提升了3.0%-4.3%的性能，同时改善了复杂场景的表现。

本文研究了一种半监督分割方法，提出在低标注预算下优于以往技术的方案。通过结合弱监督和半监督方法，公平比较不同技术。实验结果表明，该方法在多个数据集上实现了最佳性能，并显著降低了标注成本。

本研究提出了MODEL SELECTOR框架，用于高效选择预训练模型。通过从未标记数据中采样信息丰富的示例，该框架显著降低了94.15%的标注成本，同时确保选择出最佳或近似最佳的模型。

本文介绍了一种新的人像抠图算法（WSSHM），通过结合少量精细标签和大量分割标签，降低了标注成本并解决了领域泛化问题。该方法显著提高了抠图模型的鲁棒性，适用于实时应用，具备快速推理速度和竞争力的准确性。此外，建立了最大的通用抠图数据集（Real-19k），在合成和真实图像上表现优异。

本文提出了一种公平比较不同任务和领域中算法的主动学习框架，评估了六种算法在多个数据集上的表现。研究发现，传统的单域策略在多域场景中效果较差，强调了未来研究的必要性。提出的复合主动学习方法在处理领域间相似性和数据分布变化方面表现优越，降低了标注成本，并在多个领域中取得了先进性能。

本文提出了一种基于弱监督和增量学习的语义分割框架，利用图像级标签和辅助分类器，显著降低标注成本。实验结果表明，该方法在多个数据集上表现优异，有效解决了灾难性遗忘和预测冲突的问题。

本文探讨了主动学习中的标注成本和采样效率，提出了基于多样性原则的查询策略和自适应聚类算法D-CALM，显著提高了标注效率和模型性能。研究表明，结合大型语言模型（LLMs）与主动学习能够有效降低人工成本并提升决策效果。

本研究提出了一种新的实用人像抠图训练方法，通过像素级人体区域识别和大量标注来实现。引入弱半监督人像抠图（WSSHM）学习范式，节省标注成本和解决领域泛化问题。通过抠图标签融合（MLB）训练方法，显著提高抠图模型的鲁棒性。实现代码可在https://github.com/clovaai/WSSHM获取。

该文综述了利用弱监督、远程监督和预训练方法降低遥感图像分割标注成本的研究，涵盖道路分割、超高分辨率无人机图像、卫星地图生成和点云理解等任务，通过图像级标签、查询点、OpenStreetMap数据等弱标签，结合全卷积网络和SAM模型，在减少标注工作量的同时达到接近全监督的性能。

该文综述主动学习在三维目标检测与点云分割中的应用，提出基于Crb框架、信息熵查询、不确定度度量及半监督等方法，筛选高信息量样本以降低标注成本、缓解类别不平衡，并在nuScenes、KITTI等数据集上验证有效。

该文综述基于点标注的弱监督视觉方法，涵盖目标检测、实例分割、点云语义分割、三维目标检测、抓取检测和视觉定位。核心是用粗点或稀疏标注降低标注成本，并通过多实例学习、上下文建模、概率图等提升性能，部分方法接近全监督效果。

本文综述隐私政策自然语言处理研究：构建首个中文隐私政策数据集CA4P-483，支持序列标记与合规识别；提出基于Polisis的自动化查询框架；利用大模型高精度注释GKC-CI参数；通过检索与数据增强在PrivacyQA上提升10% F1；并探讨主动学习、选择性标注、人在回路等降低标注成本的方法。

本研究提出了一种新的活动学习方法，通过学习的代理模型选择批次的未标记实例来进行数据获取，从而减少标注成本。该方法克服了现有活动学习方法的局限性。

本研究提出了一种半监督三维物体检测算法，通过自学习的框架解决了在三维室内场景中标注成本高的问题，实现了单阶段运作和稠密训练信号，解决了多阶段流水线和离散化误差等问题。

该文介绍了一种将普通分类转化为蕴含问题的重新训练文本分类器的方法，实验证明其有效性，可在少样本学习中取得显著的F1绝对增益，同时节省标注成本。