在监督学习中,为了获得高效的机器学习模型,需要大量的已标记样本进行训练,导致数据标注代价高昂。主动学习通过让模型有选择性地挑选未标记样本进行标注,能够以更低的标注代价学习出更高效的模型。目前已有大量的主动学习算法被提出,但大部分主动学习研究主要集中在单一任务、单一标记集合和单一模型的问题设定下。尽管这些方法在部分任务上取得了不错的效果,但是往往难以适用于多任务的实际应用场景。总结而言,现有多任务主动学习工作存在以下几个局限性:1)大多数算法都是针对单个任务目标启发式设计的,不能泛化到不同的其他任务上;2)未有效利用任务之间的关系,在选择未标记数据时仅考虑单一因素;3)现有主动学习实现未使用一个统一的形式进行整合,难以在多任务中布置使用。本文针对上述问题进行研究,主要工作包括:1.提出一种基于元学习的主动查询算法,提升主动学习在多任务中的泛化性。借鉴元学习的思想,通过设计一系列专门适用于主动学习的元特征,这些元特征不依赖与特定的学习任务和指定的基模型类别,可以实现跨任务和跨模型的主动采样功能。通过使用大量主动学习任务上的经验数据,学得一个在特定学习状态下元特征到未标记样本信息量的映射关系,将其作为选择未标记样本的指标。实验结果表明该方法相比传统方法能有在新任务上取得较好的效果。2.提出一种考虑标记之间相关性的多任务主动学习算法,有效利用标记之间关系,减少冗余标注。首先,将标记排序与阈值学习相结合,提出了一种有效的多标记分类模型。并在此模型的基础上,提出了不确定性和多样性的主动查询方法。实验结果显示该方法能够有效降低多标记学习的标注成本。3.设计并开发一款逻辑统一的主动学习工具包ALipy,降低主动学习实际应用的工程成本。该工具包根据主动学习任务之间的一致性,将主动学习拆解成独立的9个模块,不仅用统一的接口实现了主流20多种主动学习算法,还支持7种常见的主动学习问题设置,并提供了完整的试验流程工具。该工具包已在GitHub上开源并有详细的说明文档,可以使用PyPI快速安装。