困難案例，錯誤標籤：在有限標籤噪聲下檢驗不確定性取樣的錯誤暴露與錯誤位置
這項 arXiv 研究檢驗了主動學習中不確定性取樣在標籤噪聲下失效的原因，究竟是獲取了更多錯誤標籤，還是錯誤集中在困難區域本身帶來額外危害。實驗對比了邊緣不確定性取樣與隨機取樣，在三個公開二分類表格資料集上發現：不確定性取樣在乾淨標籤下能提升學習效率，但其穩健性高度依賴資料集、預算、噪聲結構和評估指標。
主動學習（active learning）旨在透過選擇資訊量最大的樣本降低人工標註成本，但一個長期存在的隱患是：模型最不確定的樣本，往往也是人類最難以給出正確標籤的困難樣本。由 John Myron Uy 撰寫、2026年8月5日提交至 arXiv 的論文（編號 2608.13601）系統探討了不確定性取樣（uncertainty sampling）在標籤噪聲下的表現，並試圖區分兩種可能的失敗機制：第一，不確定性取樣是否因為獲取了更多被汙染的標籤而失效；第二，錯誤是否集中在難以分類的區域，從而造成附加的建模風險。
為了回答這一問題，研究採用了基於間隔（margin）的不確定性取樣，並與隨機取樣進行對比。實驗覆蓋三個公開的二分類表格資料集：Breast Cancer Wisconsin、Banknote Authentication 和 MAGIC Gamma Telescope。實驗設計包含100組配對隨機種子、從0到0.30共九種期望噪聲率、20到120的標註預算，並使用邏輯迴歸在每個預算下透過交叉驗證重新選擇正則化引數。研究還設定了暴露匹配的隨機分類噪聲（RCN）對照，使最終獲取的平均汙染程度對齊；此外，在乾淨標籤條件下將預算擴充套件到400，以觀察更長的學習曲線。
結果顯示，在無標籤噪聲的乾淨條件下，不確定性取樣在所有資料集上都把歸一化平衡準確率的曲線下面積提升了1.09到1.77個百分點，說明其確實具有標籤效率優勢。然而，當引入難度依賴噪聲後，這一優勢的下降程度在不同資料集之間差異明顯。在Breast Cancer Wisconsin上，八種噪聲率中有六種顯示難度依賴噪聲比隨機分類噪聲更嚴重地削弱了不確定性取樣的優勢；但在Banknote Authentication和MAGIC Gamma Telescope上，沒有一種測試噪聲率出現這種區別。暴露匹配分析沒有發現修正後的證據支援普遍存在由結構化錯誤位置帶來的額外懲罰。
論文還揭示了一個容易被忽略的評估指標問題。在乾淨的MAGIC資料上，不確定性取樣在提升平衡準確率的同時，反而降低了平均精確率以及固定假陽性率下的真陽性率。這意味著僅憑單一指標可能得出片面的結論。作者總結道，不確定性取樣確實可以節省標註預算，但其穩健性高度依賴資料集、預算、噪聲結構以及評估指標的選擇。該論文共14頁，包含5張圖和4張表，作者已公開程式碼與復現材料，這為後續研究和工程應用提供了可驗證的基礎。