AutoML 通过自动执行迭代过程来支持主动学习，该迭代过程选择信息量最大的数据点进行标记，从而以最少的标记数据优化模型训练。 主动学习侧重于识别模型不确定或可能出错的实例，优先考虑人工注释。 AutoML 通过在统一的工作流程中处理模型训练、不确定性估计和数据选择等任务来集成这一点，从而减少人工工作。 例如，AutoML 管道可能会在小型标记数据集上训练初始模型，评估未标记数据的预测，然后请求置信度最低的样本的标签。 这个循环不断继续，每次迭代都改进模型，同时最大限度地降低标记成本。
AutoML 用于主动学习的一个关键方法是不确定性抽样。 在这里，系统识别模型预测最不确定的数据点，例如二元分类中概率接近 0.5 的实例。 像 Google 的 Vertex AI 这样的 AutoML 工具或像 H2O 这样的开源框架可以通过基于熵或边距分数等指标对未标记数据进行排序来自动化这个过程。 另一种方法是委员会查询，其中多个模型（例如，不同的架构或在不同的子集上训练的模型）对不确定样本进行投票。 AutoML 通过在幕后处理模型多样性、不确定性计算和数据选择，简化了这些策略的实施。 例如，在文本分类任务中，AutoML 系统可能会标记含糊不清的客户评论以供人工审核，确保模型有效地从边缘案例中学习。
将 AutoML 与主动学习相结合的主要好处是减少了对大型标记数据集的依赖，这在医学影像或罕见事件预测等领域至关重要。 例如，训练一个模型来检测 X 光片中的肿瘤可能从 1,000 张标记图像开始。 然后，AutoML 系统可以优先处理不明确的案例（例如，肿瘤大小处于临界值），以便放射科医生进行注释，从而在不需要完全标记 10,000 张图像的情况下提高准确性。 这种方法还可以通过关注代表性不足的类别来解决类不平衡问题。 开发人员可以利用像 scikit-learn 的 modAL 这样的库或云服务（例如，AWS SageMaker）以编程方式实现这些工作流程。 通过自动化数据选择和模型更新，AutoML 使主动学习具有可扩展性，使团队能够更快、更低成本地构建强大的模型。