Los autores proponen NeuFS, un marco de Aprendizaje Activo con Pocas Muestras Consciente de Neuronas que desplaza la selección de muestras desde proxies a nivel de salida hacia la dinámica interna del modelo. Al utilizar patrones de activación neuronal, el método busca identificar brechas específicas de conocimiento y reducir los costos de anotación humana.
- NeuFS representa las muestras directamente mediante patrones de activación neuronal en lugar de embeddings externos o entropía predictiva.
- Emplea una estrategia de doble criterio que asegura diversidad a través de patrones neuronales y prioriza muestras informativas cuantificando el consenso neuronal.
- Los experimentos en tres conjuntos de datos muestran que NeuFS supera a las líneas base existentes de Aprendizaje Activo con Pocas Muestras en tareas de razonamiento y clasificación de texto.
- Los estudios de ablación validan que las activaciones neuronales internas proporcionan una señal de selección más fundamentada que los embeddings externos.
El marco ofrece un enfoque más efectivo para seleccionar demostraciones con pocas muestras aprovechando el estado interno del modelo para identificar ejemplos desafiantes.