搜尋意圖： 如果你在找「委員會查詢 是什麼」或「委員會查詢 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 在主動學習中訓練多個模型，選擇它們預測意見分歧最大的樣本進行標籤，以高效識別決策邊界。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
在主動學習中訓練多個模型，選擇它們預測意見分歧最大的樣本進行標籤，以高效識別決策邊界。
核心概念
委員會查詢的核心洞察是模型分歧 = 高價值樣本。當多個独立訓練的模型對同一樣本給出不同預測時，往往代表該樣本涉及多個模型都難以確定的特徵組合。與其依賴單一模型的信心度（容易被模型偏見影響），不如用委員會投票的一致性作為判斷，更加穩健。
委員會通常由 5-15 個模型組成，可以是：
- 同種模型、不同初始化：例如 10 個神經網絡，用同樣超參數但不同隨機種子訓練
- 不同模型架構：決策樹、支向量機、神經網絡等混用，捕捉不同視角
- 自助取樣：每次從訓練集有放回抽樣訓練一個模型（類似 bagging），但訓練時保持其他隨機性
- 特徵子集：每個模型用不同的特徵組合訓練，降低過擬合同時增加多樣性
運作原理
委員會查詢的流程包括六個步驟：
- 初始化：用少量標籤資料訓練委員會的所有成員
- 預測與計票：對每筆未標籤樣本，委員會所有成員進行預測
- 分歧量化：計算委員會意見的一致性，常用方法如投票熵、分類貢獻度、或變分率
- 樣本排序：選擇分歧最高的前 K 筆樣本
- 標籤與更新：將選中樣本標籤並加入訓練集，重新訓練委員會全體成員
- 反覆迭代：返回步驟 2 直到預算用盡
分歧量化是關鍵技術。最簡單的是投票分歧：如果 N 個模型都預測同一類別，分歧度為 0；若 N/2 預測 A、N/2 預測 B，分歧度最大。更精確的方法是投票熵，考慮各類別的投票比例分佈。對於概率輸出，可以計算委員會預測分佈的標準差或方差，方差越大表示分歧越多。
實際應用
在疾病診斷中，醫院訓練了 10 個深度學習模型，每個用不同神經網絡架構或訓練資料子集。對新病患的 CT 掃描，這 10 個模型進行診斷投票。若 8 個判定為「正常」、2 個判定為「異常」，說明該案例的判斷具有挑戰性，應優先提交給放射科醫生詳細評估。醫生的判定既標籤了該樣本，也改進了整個模型委員會的決策邊界。
在網路詐欺檢測中，平台訓練多個詐欺分類器（隨機森林、梯度提升、神經網絡等），對未知交易進行風險評估。當多個模型在某筆交易上意見不一致時（例如有 3 個判定詐欺、4 個判定正常），該交易進入人工審查隊列。審查員的判定幫助模型委員會更好地理解邊界交易的特徵。
在文件分類系統中，銀行需要分類進來的貸款申請書。訓練的多個分類器（樸素貝葉斯、SVM、XGBoost）對某些複雜申請書產生分歧，系統自動將這些申請書分配給信貸專員人工審核，審核結果反饋給模型。
常見誤區
誤區一：委員會越大越好。實際上，委員會規模需要平衡。太小的委員會（3-4 成員）難以可靠估計分歧；太大的委員會（50+ 成員）計算成本過高且邊際效益遞減。實驗表明 10-15 成員通常是最優區間。
誤區二：認為不同初始化就能產生足夠多樣性。實際上，用同一種模型架構和特徵集、僅改變隨機種子訓練的委員會往往缺乏多樣性，容易產生相關的預測。更好的做法是混合不同架構或使用特徵子集取樣，增加委員會的多樣性。
誤區三：投票分歧可以直接替代單模型預測概率。實際上，投票分歧衡量的是模型間的不一致，而非模型的校準品質。一個委員會可能投票一致但都錯，也可能投票分歧但投票結果正確。應該同時監控投票準確率和分歧率的關係。
與相關技術的比較
- 委員會查詢 vs. 不確定性抽樣：委員會用多模型投票估計不確定性，更穩健但計算成本高；不確定性抽樣只需單一模型，快速但容易受模型偏見影響。若計算資源充足，委員會通常效果更優。
- 委員會查詢 vs. 集成學習：集成學習（bagging、boosting）用多模型提高預測準確率，委員會查詢用委員會的分歧指導選樣。兩者可以結合，用集成模型作為委員會。
- 委員會查詢 vs. 期望梯度法：期望梯度直接計算標籤該樣本對參數梯度的期望改進，理論最優但計算複雜。委員會查詢更簡單直觀，實務中常見。
- 委員會查詢 vs. 強化學習主動學習：強化學習可學習何時查詢，委員會查詢是固定查詢策略。強化學習更靈活但需要大量訓練；委員會查詢開箱即用。
常見問題
如何在保持委員會多樣性和訓練成本間取得平衡？
多樣性是委員會查詢效果的關鍵，但多樣性高的委員會（如 5 種不同架構各 3 個模型）訓練成本也高。一個務實的方法是分層設計：第一層用 3-5 種不同模型架構（決策樹、SVM、XGBoost、神經網絡），每種架構只訓練 1-2 個成員；第二層用同一架構（如神經網絡）配不同初始化或特徵子集再訓練 5-10 個成員。這樣既確保架構多樣性，也控制成本。另外可以使用特徵子集取樣：每個模型訓練時只用原始特徵的 70%-90%，用同一架構就能產生多樣化的決策邊界。
委員會投票分歧大但全體預測都錯的情況如何處理？
這種情況通常表示委員會的訓練資料有系統性偏差或異常值。例如，訓練資料本身就包含這類樣本但標籤有誤，導致委員會學到了錯誤規律。應該在選樣前加入品質檢查：計算被選中樣本與訓練集分佈的相似性，如果相似性太低（分佈外樣本），應進行人工檢驗。此外，定期檢查委員會的整體性能，若發現準確率反而下降或停滯，說明選中的樣本存在問題，應調查這批樣本的標籤品質。可以引入對標委員會（只用原始訓練集訓練），對比兩個委員會的性能，分歧大的樣本標籤品質應被重點審查。
在有限計算預算下，應該選擇大委員會加小選樣池還是小委員會加大選樣池？
這取決於瓶頸所在。若標籤成本很高（每筆樣本標籤成本數百元），應優先確保選樣品質，傾向大委員會（15 成員）加小選樣池（每輪 10 樣本），因為精確的樣本選擇能極大降低浪費。若標籤成本低廉但模型訓練成本高，應傾向小委員會（5 成員）加大選樣池（每輪 50-100 樣本），減少重訓次數。實務中，常見的做法是動態委員會：初期用大委員會（15 成員）精確選樣，當模型逐漸成熟且選樣精度已穩定後，縮小委員會到 7-10 成員以降低訓練成本。