標(biāo)記分布學(xué)習(xí)是在以標(biāo)記分布標(biāo)注的示例上學(xué)習(xí)的新型學(xué)習(xí)范式，近年來(lái)已成功應(yīng)用于面部年齡估計(jì)、頭部姿勢(shì)估計(jì)和情感識(shí)別等實(shí)際場(chǎng)景中。在標(biāo)記分布學(xué)習(xí)中，需要足夠多的標(biāo)記分布數(shù)據(jù)才能訓(xùn)練岀預(yù)測(cè)性能好的模型。然而，標(biāo)記分布學(xué)習(xí)有時(shí)會(huì)面臨標(biāo)記數(shù)據(jù)不足和注釋成本太高的困境。基于邊際概率分布匹配的主動(dòng)標(biāo)記分布學(xué)習(xí)（ Active Label distributionLearning Based on Marginal Probability Distribution Matching， ALDL-MMD）算法是針對(duì)標(biāo)記分布學(xué)習(xí)注釋成本過(guò)高的問(wèn)題而設(shè)計(jì)的，以減少訓(xùn)練模型所需的標(biāo)注數(shù)據(jù)量，從而降低注釋成本。ALDL-Mw算法訓(xùn)練了一個(gè)線性回歸模型，在保證其訓(xùn)練誤差最小的同時(shí)，學(xué)習(xí)一個(gè)反映未標(biāo)記數(shù)據(jù)上選點(diǎn)需求的稀疏向量，使選點(diǎn)后的訓(xùn)練集和未標(biāo)記集的數(shù)據(jù)分布盡量相似，并對(duì)這個(gè)向量做松弛化處理，以簡(jiǎn)計(jì)算。在多個(gè)標(biāo)記分布數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，在“ Canberra metric”和¨ Intersection”這兩個(gè)衡量標(biāo)記分布的指標(biāo)上， ALDL-MMD算法優(yōu)于已有的主動(dòng)示例選擇方法，體現(xiàn)了其在降低注釋成本方面的有效性。