Ein neuer Beitrag mit dem Titel "AL-FaMoUS: Enhancing Pool-based Deep Active Learning on Imbalanced Datasets" von Zhixin Huang, Yujiang He, Marek Herde, Denis Huseljic, und Bernhard Sick wurde auf dem "Workshop on Interactive Adapative Learning (IAL), ECML PKDD" vorgestellt. Diese Forschungsarbeit befasst sich mit den Herausforderungen beim poolbasierten tiefen aktiven Lernen auf unausgewogenen Datensätzen. AL-FaMoUS, die vorgeschlagene Lösung, kombiniert schnelle Modellaktualisierungen und eine klassenbalancierte Minibatch-Auswahl, um abnehmende Leistung und fehlende Stichprobenvielfalt zu bewältigen. Experimentelle Auswertungen auf verschiedenen unausgewogenen Datensätzen zeigen die Überlegenheit von AL-FaMoUS gegenüber anderen aktiven Lernstrategien und verdeutlichen sein Potenzial zur Minimierung der abgefragten Stichproben für ein effizientes Modelltraining.