作者提出了NeuFS，一种感知神经元的主动少样本学习框架，将样本选择从输出级代理转移到内部模型动态。通过利用神经元激活模式，该方法旨在识别特定的知识空白并减少人工标注成本。

  • NeuFS直接使用神经元激活模式表示样本，而不是外部嵌入或预测熵。
  • 它采用双标准策略，通过神经元模式确保多样性，并通过量化神经元共识来优先选择信息丰富的样本。
  • 在三个数据集上的实验表明，NeuFS在推理和文本分类任务中优于现有的主动少样本学习基线。
  • 消融研究证实，内部神经元激活比外部嵌入提供更原则性的选择信号。

该框架通过利用模型的内部状态来定位具有挑战性的示例，为选择少样本演示提供了更有效的方法。