基于动态软提示的少样本主动学习框架PromptAL：优化决策边界与目标分布对齐

本文提出创新性混合主动学习（AL）框架PromptAL，通过样本感知动态软提示（Sample-Aware Dynamic Soft Prompts）调整预测分布，结合不确定性估计与全局/局部多样性（Global/Local Diversity）策略，显著提升少样本场景下目标分布拟合效率。实验表明其在6个域内和3个域外（OOD）任务中超越9种基线方法，为AL领域提供新范式。

　　

亮点
本研究首次将软提示机制整合至主动学习（AL）范式，提出PromptAL框架通过动态调整预测分布优化决策边界，突破少样本场景下分布偏差的瓶颈。

方法学
PromptAL包含四阶段：(1) 基于未标记数据构建样本感知动态软提示，调整预训练语言模型（PLMs）预测分布；(2) 计算熵值得分量化不确定性；(3) 在知识特征空间聚类实现全局多样性；(4) 联合加权评分筛选兼具不确定性和局部多样性的高质量样本。

实验验证

• •核心实验：少样本场景下PromptAL准确率显著优于基线
• •域外测试：在3个OOD任务中展现卓越泛化能力
• •消融研究：动态软提示对性能提升贡献度达32.7%
• •样本分析：所选样本在类别平衡性/代表性等维度最优

讨论
与Llama 3等大语言模型（LLMs）对比实验表明，RoBERTa-Base基础的PromptAL在少样本分类任务中保持竞争优势，验证其在资源受限场景的应用价值。

结论
PromptAL通过动态软提示机制有效弥合经验分布与目标分布差距，为AL领域提供可扩展的新型研究框架。代码已开源。

（注：严格遵循生命科学领域术语规范，保留原文技术符号如PLMs/OOD，未包含文献/图示标识）