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。

科学信息提取（SciIE）研究发布了新系统和基准，提出了半监督流程以实现跨模态信息提取，减轻标注成本。该流程注释文本和表格中的实体和关系，并提供了高质量基准、大型语料库和半监督注释流程。研究验证了半监督流程的有效性和效率，并探索了大型语言模型在任务中的潜在能力。

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标注来实现。引入了弱半监督人像抠图（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，在少量抠图数据和大量分割数据的情况下提高抠图模型的鲁棒性。实现代码可在https://github.com/clovaai/WSSHM获得。

本文介绍了一种基于Transformer框架的半监督方法TreeFormer，利用多尺度特征表示实现对树的数量统计和密度估计，降低了标注成本，并在实验中超越了当前半监督方法的最新水平。

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。

科学信息提取（SciIE）研究发布了多个新系统和基准，提出了半监督的注释流程以实现跨模态信息提取并减轻标注成本。该研究提供了高质量的基准、大型语料库和半监督的注释流程，并验证了其有效性和效率，同时讨论了其局限性。

科学信息提取（SciIE）研究发布了多个新系统和基准，提出了半监督的注释流程以实现跨模态信息提取并减轻标注成本。研究人员提供了高质量的基准、大型语料库和半监督的注释流程，验证了半监督流程的有效性和效率，并探索了大型语言模型在当前任务中的潜在能力。

科学信息提取（SciIE）研究发布了多个新系统和基准，提出了半监督流程用于跨模态信息提取，减轻标注成本。研究人员验证了半监督流程的有效性和效率，并探索了大型语言模型在当前任务中的潜在能力。

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。

本研究提出了一种简单的降低标注成本的方法，通过分层抽样和控制变量等技术，结合成员身份信息和自动评估指标，在固定标注预算下提高准确性。在测试集上，相比纯随机抽样，平均误差降低了20%。易于实现且适用于类似结构的问题。