Os autores propõem o NeuFS, um framework de Aprendizado Ativo com Poucas Amostras Consciente de Neurônios que desloca a seleção de amostras de proxies de nível de saída para a dinâmica interna do modelo. Ao utilizar padrões de ativação de neurônios, o método visa identificar lacunas específicas de conhecimento e reduzir os custos de anotação humana.
- O NeuFS representa as amostras diretamente usando padrões de ativação de neurônios, em vez de embeddings externos ou entropia preditiva.
- Ele emprega uma estratégia de duplo critério que garante diversidade por meio de padrões neuronais e prioriza amostras informativas quantificando o consenso neuronal.
- Experimentos em três conjuntos de dados mostram que o NeuFS supera as linhas de base existentes de Aprendizado Ativo com Poucas Amostras em tarefas de raciocínio e classificação de texto.
- Estudos de ablação validam que as ativações neuronais internas fornecem um sinal de seleção mais fundamentado do que embeddings externos.
O framework oferece uma abordagem mais eficaz para selecionar demonstrações com poucas amostras, aproveitando o estado interno do modelo para identificar exemplos desafiadores.