訓練更聰明而非更努力：主動學習中的訊號引導切換訓練策略
為何重要
- 此研究解決了主動學習中常被忽視的訓練時機成本問題，對於資料取樣成本高的產業應用（如金融分析、法律客服）具有降低營運支出的實質意義。 - 引入軌跡導向的切換機制，比固定時間切換更具彈性，有助於開發者在不犧牲模型品質的前提下縮短開發週期。 - 雖屬基礎最佳化研究，但隨著 AI 應用日趨複雜，能證明效率提升的技術路徑將更受重視，間接影響 AI 工具商業化的投資判斷。
- 研究分析了主動學習中重新訓練與微調的順序選擇，透過發現其結構特性提出了 HybridAL 自適應排程。
- 該方法監控「穩定訊號」（如譜指數變化 Δα 和準確率變化 ΔAcc）以決定切換時機。
- 在三種編碼器架構與六個文字分類任務（每個五個種子）的測試中，可節省最多 49% 的重新訓練時間。
- 端點效能不劣於傳統策略（相距 0.010 邊距），且在負對數似然（NLL）上優於預先約定的切換排程。