困难案例，错误标签：在有限标签噪声下检验不确定性采样的错误暴露与错误位置
这项 arXiv 研究检验了主动学习中不确定性采样在标签噪声下失效的原因，究竟是获取了更多错误标签，还是错误集中在困难区域本身带来额外危害。实验对比了边缘不确定性采样与随机采样，在三个公开二分类表格数据集上发现：不确定性采样在干净标签下能提升学习效率，但其稳健性高度依赖数据集、预算、噪声结构和评估指标。
主动学习（active learning）旨在通过选择信息量最大的样本降低人工标注成本，但一个长期存在的隐患是：模型最不确定的样本，往往也是人类最难以给出正确标签的困难样本。由 John Myron Uy 撰写、2026年8月5日提交至 arXiv 的论文（编号 2608.13601）系统探讨了不确定性采样（uncertainty sampling）在标签噪声下的表现，并试图区分两种可能的失败机制：第一，不确定性采样是否因为获取了更多被污染的标签而失效；第二，错误是否集中在难以分类的区域，从而造成附加的建模风险。
为了回答这一问题，研究采用了基于间隔（margin）的不确定性采样，并与随机采样进行对比。实验覆盖三个公开的二分类表格数据集：Breast Cancer Wisconsin、Banknote Authentication 和 MAGIC Gamma Telescope。实验设计包含100组配对随机种子、从0到0.30共九种期望噪声率、20到120的标注预算，并使用逻辑回归在每个预算下通过交叉验证重新选择正则化参数。研究还设置了暴露匹配的随机分类噪声（RCN）对照，使最终获取的平均污染程度对齐；此外，在干净标签条件下将预算扩展到400，以观察更长的学习曲线。
结果显示，在无标签噪声的干净条件下，不确定性采样在所有数据集上都把归一化平衡准确率的曲线下面积提升了1.09到1.77个百分点，说明其确实具有标签效率优势。然而，当引入难度依赖噪声后，这一优势的下降程度在不同数据集之间差异明显。在Breast Cancer Wisconsin上，八种噪声率中有六种显示难度依赖噪声比随机分类噪声更严重地削弱了不确定性采样的优势；但在Banknote Authentication和MAGIC Gamma Telescope上，没有一种测试噪声率出现这种区别。暴露匹配分析没有发现修正后的证据支持普遍存在由结构化错误位置带来的额外惩罚。
论文还揭示了一个容易被忽略的评估指标问题。在干净的MAGIC数据上，不确定性采样在提升平衡准确率的同时，反而降低了平均精确率以及固定假阳性率下的真阳性率。这意味着仅凭单一指标可能得出片面的结论。作者总结道，不确定性采样确实可以节省标注预算，但其稳健性高度依赖数据集、预算、噪声结构以及评估指标的选择。该论文共14页，包含5张图和4张表，作者已公开代码与复现材料，这为后续研究和工程应用提供了可验证的基础。