DFAL：一种基于决策边界的对抗主动学习方法.
本文作者提出了一种基于决策边界的对抗主动学习策略，在采样时选择靠近决策边界的样本进行优先标注。衡量样本到决策边界的距离比较困难，因此引入对抗样本。对抗样本能够提供输入空间分布的信息，以近似到决策边界的距离。
下图给出了几种不同的基于决策边界的主动学习方法。
- 图a通过查询样本到决策边界的投影距离来决定是否对其标注，距离边界越近表明样本的不确定性越大；然而样本和边界之间的距离较难计算。
- 图b计算样本到与其具有不同预测类别的最近样本之间的距离，距离越小表明该样本的分类类别不确定性越大，则对其进行标注。
- 图c计算样本到其对抗样本之间的距离；对抗攻击的出发点便是寻找最小的扰动以跨越决策边界。
- 图d为作者提出的对抗主动学习方法，在寻找到标注样本后对原样本和对抗样本同时进行标注(共用标签)。
作者选用Deep-Fool方法作为对抗攻击方法，该方法不依赖样本标签，不需要指定额外的超参数，运行速度快，并且攻击效果较好。Deep-Fool方法采用迭代过程，在原样本附近的分类器的局部线性近似与该样本的更新之间交替，使其穿过局部线性决策区域。当更新后的样本称为原样本的有效对抗样本时，算法停止。
作者在三个图像分类数据集上进行实验，以体现方法的有效性：
