การเรียนรู้แบบแอคทีฟเป็นการเรียนรู้ภายใต้การดูแลแบบซ้ำๆ ซึ่งเกี่ยวข้องกับสถานการณ์ที่มีข้อมูลเพียงพอ แต่ป้ายกำกับชั้นเรียนนั้นหายากหรือมีค่าใช้จ่ายสูง อัลกอริธึมการเรียนรู้ใช้งานได้โดยสามารถสอบถามผู้ใช้ (เช่น oracle บุคคล) อย่างระมัดระวังสำหรับป้ายกำกับ ทูเพิลหลายตัวใช้เพื่อทำความเข้าใจแนวคิดของวิธีการนี้ ซึ่งน้อยกว่าจำนวนที่จำเป็นในการเรียนรู้ภายใต้การดูแลทั่วไป
ใช้เพื่อรักษาต้นทุนให้ต่ำลง วัตถุประสงค์ของผู้เรียนที่กระตือรือร้นเพื่อให้เกิดความแม่นยำสูงโดยใช้ตัวอย่างที่มีป้ายกำกับน้อยที่สุด ให้ D เป็นข้อมูลทั้งหมดที่อยู่ในการพิจารณา มีหลายวิธีสำหรับการเรียนรู้เชิงรุกใน D
พิจารณาว่าชุดย่อยเล็ก ๆ ของ D มีป้ายกำกับระดับ ชุดนี้ระบุโดย L. U คือชุดของข้อมูลที่ไม่มีป้ายกำกับใน D และยังกำหนดเป็นกลุ่มของข้อมูลที่ไม่มีป้ายกำกับอีกด้วย ผู้เรียนที่กระตือรือร้นเริ่มต้นด้วย L เป็นชุดฝึกอบรมดั้งเดิม สามารถใช้บริการสืบค้นข้อมูลเพื่อเลือกตัวอย่างข้อมูลอย่างน้อยหนึ่งตัวอย่างจาก U และขอป้ายกำกับจาก oracle (เช่น ผู้ใส่คำอธิบายประกอบ)
ตัวอย่างที่ติดฉลากใหม่จะถูกแทรกลงใน L ซึ่งผู้เรียนต้องการในวิธีการภายใต้การดูแลที่เป็นมาตรฐาน กระบวนการยังคงดำเนินต่อไป จุดมุ่งหมายในการเรียนรู้เชิงรุกคือการนำความแม่นยำสูงมาใช้โดยใช้สิ่งอันดับสองที่ติดป้ายกำกับตามความเหมาะสม อัลกอริธึมการเรียนรู้แบบแอ็คทีฟโดยทั่วไปจะคำนวณโดยใช้เส้นโค้งการเรียนรู้ ซึ่งพล็อตความถูกต้องเป็นฟังก์ชันของอินสแตนซ์หลายรายการที่มีการสืบค้น
การวิจัยการเรียนรู้เชิงรุกบางเป้าหมายเกี่ยวกับวิธีการเลือกทูเพิลข้อมูลที่จะสอบถาม มีการเสนอกรอบต่างๆ การสุ่มตัวอย่างความไม่แน่นอนเป็นเรื่องปกติ โดยผู้เรียนที่กระตือรือร้นจะเลือกค้นหาสิ่งอันดับซึ่งเป็นวิธีการติดป้ายกำกับที่เจาะจงน้อยที่สุด
มีหลายวิธีในการลดพื้นที่เวอร์ชัน นั่นคือ ชุดย่อยของสมมติฐานทั้งหมดที่เชื่อถือได้กับ tuples การฝึกที่สังเกตได้ สามารถทำตามวิธีทฤษฎีการตัดสินใจที่คำนวณการลดข้อผิดพลาดที่คาดหวังได้
สิ่งนี้จะเลือกทูเพิลที่อาจส่งผลให้จำนวนการคาดคะเนที่ไม่ถูกต้องทั้งหมดลดลง ซึ่งรวมถึงโดยการลดเอนโทรปีที่คาดไว้เหนือ U วิธีนี้ส่งผลให้มีการคำนวณสูงขึ้น
จุดมุ่งหมายของการถ่ายโอนการเรียนรู้คือการได้มาซึ่งความรู้จากฟังก์ชันต้นทางอย่างน้อยหนึ่งฟังก์ชัน และใช้ความรู้ไปยังงานเป้าหมาย วิธีการเรียนรู้แบบดั้งเดิมจะสร้างตัวแยกประเภทใหม่สำหรับงานจำแนกประเภทใหม่แต่ละงาน ขึ้นอยู่กับการฝึกอบรมและการทดสอบที่มีป้ายกำกับในชั้นเรียนที่มีอยู่
อัลกอริธึมการเรียนรู้การถ่ายโอนจะใช้ความรู้เกี่ยวกับบริการต้นทางเมื่อสร้างตัวแยกประเภทสำหรับงานใหม่ (เป้าหมาย) การพัฒนาลักษณนามผลลัพธ์ต้องการข้อมูลการฝึกอบรมน้อยลงและใช้เวลาฝึกอบรมน้อยลง อัลกอริธึมการเรียนรู้แบบดั้งเดิมพิจารณาว่าข้อมูลการฝึกอบรมและข้อมูลการทดสอบดึงมาจากการแจกแจงแบบเดียวกันและพื้นที่คุณลักษณะเดียวกัน ดังนั้น หากการกระจายมีการเปลี่ยนแปลง เทคนิคดังกล่าวจำเป็นต้องสร้างแบบจำลองใหม่ตั้งแต่ต้น
