BADGE：基于多样性梯度嵌入的批量主动学习.
基于多样性梯度嵌入(diverse gradient embedding)的批量主动学习(batch active learning)旨在在梯度空间中同时捕捉模型的不确定性和数据样本的多样性。
不确定性通过网络最后一层参数的梯度量级衡量；而多样性通过梯度空间中的一组分散的样本来捕捉。具体计算如下：
- 不确定性：给定样本$x$，计算预测输出$\hat{y}$及损失函数，进一步计算网络最后一层参数的梯度$g_x$。梯度$g_x$的量级能够有效地估计样本对模型训练的影响，比如具有较高置信度的样本通常具有较小的梯度量级，而较大的梯度量级表明模型需要较大幅度地调整参数才能提高预测结果的置信度。
- 多样性：给定许多样本的梯度嵌入，通过$k$-means++算法选择样本点。
$k$-means++算法比$k$-means算法计算速度更快，主要流程如下：
- 从数据点中随机选择一个中心点；
- 对任意一个样本点$x$，计算该样本与已选择的中心点中最近的中心点的距离$D(x)$；
- 通过一个加权概率分布选择一个新的中心点，其中样本点$x$被选中的概率与$D^2(x)$成比例。
- 重复步骤2和3直至选出$k$个中心点。
作者对不同的多样性聚类算法进行消融实验：
在不同的分类数据集上不同模型的性能比较如下：
