基于池的采样 (Pool based Sampling) 是一种流行的主动学习方法，它选择信息丰富的示例进行标记。创建未标记的数据池，模型选择信息最丰富的示例进行人工注释。这些标记的示例用于重新训练模型，并重复该过程。
优点
- 降低标记成本：与传统的监督学习方法相比，基于池的采样降低了总体标记成本，因为它只需要标记信息最丰富的样本。这可以显着节省成本，特别是在处理大型数据集时。
- 有效利用专家时间：由于专家只需要标记信息量最大的样本，因此该策略可以有效利用专家时间，节省时间和资源。
- 提高模型精度：所选样本更有可能提供数据信息并具有代表性，因此基于池的采样可以提高模型的精度。
缺点
- 未标记数据池的选择：所选数据的质量会影响模型的性能，因此仔细选择未标记数据池至关重要。这可能具有挑战性，尤其是对于大型且复杂的数据集。
- 选择方法的质量：用于选择信息最丰富的样本的选择方法的质量会影响模型的准确性。如果选择方法不适合数据或设计不当，模型的准确性可能会受到影响。
- 不适合所有数据类型：基于池的采样可能不适合所有类型的数据，例如非结构化数据或噪声数据。在这些情况下，其他主动学习方法可能更合适。
参考来源
【1】https://encord.com/glossary/pool-based-sampling/