机器学习需要大量的有标记数据,而标注数据通常需要人工参与,耗时耗力代价昂贵。如何降低训练满足精度要求的机器学习模型所需的标注代价是机器学习领域中的研究热点。主动学习通过询问最具信息量的数据标记,能够用尽可能少的有标记数据得到尽可能好的模型,从而降低标注代价。这些需要主动学习询问标记的数据如果采用人工标注,标注代价仍然很高。众包是一种廉价的数据标注方式,但由于雇员水平参差不齐,标记质量较低,需要利用专家验证进一步提高标记质量。本文围绕能够降低标注代价的主动学习与专家验证方法进行研究,取得了以下进展:1.提出了一种基于局部与全局信息的主动学习方法。该方法基于样本与其近邻的模型输出差异估计样本的局部信息,通过将数据划分为不同的聚簇利用样本的全局信息,并根据模型在不同聚簇上的表现动态分配标注预算。实验结果表明该方法能够有效地减少模型训练所需的有标记数据。2.提出了一种基于协同标注的专家验证方法。该方法结合标记推断与模型学习构建协同标注框架,通过标记推断为模型提供伪标记数据,同时利用模型预测更新标记推断的结果,进而利用专家验证标记推断与模型预测不一致样本的标记。实验结果表明该方法能够降低需要专家验证的标记数目。