Les auteurs proposent NeuFS, un cadre d'apprentissage actif few-shot conscient des neurones qui déplace la sélection d'échantillons des proxies de niveau sortie vers la dynamique interne du modèle. En utilisant les motifs d'activation neuronale, la méthode vise à identifier des lacunes spécifiques dans les connaissances et à réduire les coûts d'annotation humaine.
- NeuFS représente directement les échantillons à l'aide de motifs d'activation neuronale plutôt que d'embeddings externes ou d'entropie prédictive.
- Il emploie une stratégie à double critère assurant la diversité par les motifs neuronaux et priorisant les échantillons informatifs en quantifiant le consensus neuronal.
- Les expériences sur trois jeux de données montrent que NeuFS surpasse les bases existantes d'apprentissage actif few-shot dans les tâches de raisonnement et de classification de texte.
- Les études d'ablation valident que les activations neuronales internes fournissent un signal de sélection plus fondé que les embeddings externes.
Le cadre offre une approche plus efficace pour sélectionner des démonstrations few-shot en exploitant l'état interne du modèle pour identifier les exemples difficiles.