문서 둘러보기
TabDDPM
TabDDPM은 연속형과 범주형 특징이 섞인 표 자료를 생성하는 확산 모델이다. 서로 다른 특징 유형에 맞춘 확산 과정을 결합해 이질적인 입력을 다룬다.
TabM
TabM은 여러 MLP의 예측을 하나의 모델 안에서 효율적으로 결합하는 표 자료 모델이다. 대부분의 모수를 공유하는 암묵적 앙상블로 예측 성능과 계산 비용의 균형을 다룬다.
TabR
TabR은 학습 자료에서 가까운 예시를 찾아 그 특징과 표지를 예측에 활용하는 표 자료 모델이다. 순전파 신경망의 중간에 최근접 이웃과 유사한 검색 요소를 결합한다.
표 자료의 수치 특징 임베딩
표 자료의 수치 특징 임베딩은 스칼라 입력을 벡터 표현으로 바꿔 신경망에 전달하는 설계다. 수치 입력의 표현 방식을 예측 본체와 별개의 중요한 선택으로 다룬다.
SAINT 표 자료 모델
SAINT는 표 자료의 행과 열 양쪽에 어텐션을 적용하는 신경망 모델이다. 특징 임베딩과 대조적 자기 지도 사전 학습을 함께 다룬다.
TabPFN
TabPFN은 합성 자료로 사전 학습한 뒤 입력으로 주어진 예시를 문맥 삼아 표 자료를 분류하는 모델이다. 2022년 공개한 초기 연구는 작은 수치형 표 자료의 분류를 다뤘다.
FT-Transformer
FT-Transformer는 수치형과 범주형 특징을 토큰 임베딩으로 바꿔 트랜스포머로 처리하는 표 자료 모델이다. 표 자료 심층 학습의 비교와 기준선 연구에서 제안됐다.
TabTransformer
TabTransformer는 범주형 특징의 임베딩을 자기 어텐션으로 문맥화하는 표 자료 모델이다. 지도 학습과 반지도 학습을 위한 구조로 제안됐다.
NODE 표 자료 모델
NODE는 결정 트리 앙상블을 신경망의 미분 가능한 계층 구조로 일반화한 표 자료 학습 모델이다. 트리 기반 예측과 종단 간 기울기 학습을 결합한다.
TabNet
TabNet은 순차적 어텐션으로 단계마다 사용할 특징을 선택하는 표 자료 학습 모델이다. 특징 선택을 예측 과정에 포함해 학습 효율과 해석 가능성을 함께 다룬다.
GAMI-Net
GAMI-Net은 개별 특징의 주효과와 특징 쌍의 상호작용을 가산적인 부분 신경망으로 표현하는 모델이다. 예측 정확도와 해석 가능한 효과의 구성을 함께 고려한다.
신경 기저 모델
신경 기저 모델은 특징별 비선형 함수를 소수의 공유 기저로 표현하는 해석 가능한 가산 모델이다. 특징마다 별도 함수를 크게 구성할 때의 학습 비용과 규모 문제를 다룬다.
NODE-GAM
NODE-GAM은 미분 가능한 트리 기반 구조를 일반화 가산 모델로 제한해 해석 가능성을 확보하는 신경 모델이다. 같은 연구의 NODE-GA2M은 특징 쌍의 상호작용도 포함한다.
신경 가산 모델
신경 가산 모델은 입력 특징 하나씩을 처리하는 신경망의 출력을 선형 결합하는 예측 모델이다. 신경망의 표현력과 일반화 가산 모델의 해석 가능한 구조를 결합한다.
Branches 결정 트리 탐색
Branches는 최적 희소 결정 트리를 AND/OR 그래프 탐색 문제로 구성하는 알고리즘이다. AO* 계열의 탐색으로 트리 최적화와 계산 효율을 다룬다.
GOSDT
GOSDT는 다양한 평가 목적과 연속 변수를 다루도록 일반화한 최적 희소 결정 트리 알고리즘이다. 불균형 자료와 연속 특징을 최적화 문제에 포함하는 것을 주요 과제로 삼는다.
CORELS 최적 규칙 목록
CORELS는 범주형 특징 공간에서 최적성을 증명할 수 있는 규칙 목록을 학습하는 알고리즘이다. 정규화한 경험 위험을 기준으로 학습 성능을 최적화한다.
OSDT 최적 희소 결정 트리
OSDT는 이진 특징으로 구성한 결정 트리의 정확도와 간결함을 함께 최적화하는 알고리즘이다. 탐욕적으로 분할하는 대신 정규화 손실을 기준으로 트리를 탐색한다.
LORE 국소 규칙 설명
LORE는 개별 입력에 대한 블랙박스 모델의 결정을 규칙으로 설명하는 방법이다. 현재 결정을 설명하는 규칙과 다른 결과로 이어지는 반사실 규칙을 함께 만든다.
SBRL 베이즈 규칙 목록
SBRL은 순서가 있는 조건 규칙으로 확률적 분류기를 만드는 베이즈 규칙 목록 알고리즘이다. 규칙 목록의 해석 가능성과 계산 효율을 함께 다룬다.
선형 분류의 실행 가능한 구제
선형 분류의 실행 가능한 구제는 개인이 바꿀 수 있는 입력 변수를 조정해 모델의 결정을 바꿀 수 있는지 다루는 연구다. 변경 가능한 변수와 그렇지 않은 변수를 구분한다.
실행 가능한 구제를 위한 모델 학습
실행 가능한 구제를 위한 모델 학습은 예측 모델을 만든 뒤 대안을 찾는 것과 함께, 대안이 존재할 가능성을 높이는 학습 자체를 다루는 접근이다. 허용되는 입력 변화의 범위를 학습 문제에 포함한다.
ROAR 알고리즘 구제
ROAR 알고리즘 구제는 모델이 갱신된 뒤에도 유효한 행동 대안을 찾는 강건한 구제 프레임워크다. 설명 시점의 예측 모델이 그대로 유지된다는 가정을 완화한다.
인과적 알고리즘 구제의 강건성
인과적 알고리즘 구제의 강건성 연구는 개인의 입력 특징에 작은 불확실성이 있을 때도 행동 권고가 효과를 유지하는지 다룬다. 가장 비용이 적은 행동과 불확실성에 안정적인 행동을 구분한다.
불완전한 인과 지식의 알고리즘 구제
불완전한 인과 지식의 알고리즘 구제는 변수의 인과 구조를 일부만 알 때 결과를 바꾸는 행동을 확률적으로 선택하는 연구다. 참인 구조 방정식을 모른다는 불확실성을 문제에 포함한다.
최소 개입 기반 알고리즘 구제
최소 개입 기반 알고리즘 구제는 더 나은 예측을 얻는 가까운 입력을 제시하는 데서 나아가, 어떤 행동으로 결과를 바꿀 수 있는지 인과적으로 다루는 접근이다.
CARLA 반사실 평가 도구
CARLA는 반사실 설명과 알고리즘적 구제 방법을 같은 평가 틀에서 비교하기 위한 파이썬 라이브러리다. 서로 다른 자료와 모델에 설명 방법을 적용해 비교할 수 있도록 구성됐다.
CEM 대조 설명
CEM은 예측을 유지하는 데 충분한 특징과 현재 예측을 유지하려면 없어야 하는 특징을 함께 찾는 대조 설명 방법이다. 무엇이 존재하는지와 무엇이 부재하는지를 분리해 설명한다.
Growing Spheres
Growing Spheres는 예측 결과가 다른 가까운 입력을 찾아 분류기의 결정을 설명하는 방법이다. 가까움의 기준에 희소성 제약을 포함해 결과를 바꾸는 입력 변화를 탐색한다.
FACE 반사실 설명
FACE는 다른 예측을 얻는 입력뿐 아니라 그 입력에 도달하는 변화의 경로를 고려하는 반사실 설명 방법이다. 단순히 가까운 대안이 실제로 가능한 대안인지 묻는 데서 출발한다.
프로토타입 기반 반사실 설명
프로토타입 기반 반사실 설명은 클래스의 대표점을 이용해 다른 예측을 만드는 입력을 찾는 방법이다. 대표점으로 탐색을 안내해 해석하기 쉬운 대안을 빠르게 찾는 것을 목표로 한다.
DiCE 반사실 설명
DiCE는 서로 다른 대안을 함께 제시하는 반사실 설명 프레임워크다. 결과를 바꾸는 가상 입력 하나를 찾는 데서 나아가 사용자의 제약과 대안 사이의 다양성을 고려한다.
반사실 설명
반사실 설명은 현재 입력에서 무엇을 바꾸면 모델이 다른 결과를 내는지 가상의 입력으로 보여 주는 설명 방식이다. 모델 내부 구조의 해설 대신 예측이 바뀌는 조건에 초점을 맞춘다.
설명 충실도와 사용자 신뢰
설명 충실도와 사용자 신뢰 연구는 예측의 정확성과 설명의 진실성이 사람의 신뢰에 어떻게 연결되는지 조사한다. 모델을 설명한다는 사실과 사용자가 실제로 의존하는 행동은 구분해서 측정한다.
정의 기반 설명 평가
정의 기반 설명 평가는 설명이 무엇을 나타내야 하는지 먼저 정하고 그 정의에 맞춰 충실도를 검사하는 관점이다. 서로 다른 설명 방법의 일치도를 곧바로 정답 여부로 해석하는 문제를 다룬다.
LIME과 SHAP의 적대적 설명 교란
LIME과 SHAP의 적대적 설명 교란 연구는 사후 설명이 모델의 편향을 감출 수 있는 조건을 조사한다. 2019년 연구는 실제 입력에서의 행동을 유지하면서 설명을 다르게 보이게 하는 모델 구성을 분석했다.
영상 분류의 과잉 해석
영상 분류의 과잉 해석은 사람이 의미 있는 근거를 알아보기 어려운 입력 패턴만으로 모델이 높은 확신의 결정을 내리는 현상이다. 높은 시험 정확도만으로는 드러나지 않는 모델 행동을 분석하는 관점이다.
ERASER
ERASER는 자연어 모델이 제시하는 근거를 평가하는 벤치마크다. 사람의 근거 주석과의 일치도 및 그 근거가 모델 예측에 실제로 영향을 주는 정도를 함께 다룬다.
어텐션 설명의 평가 논쟁
어텐션 설명의 평가 논쟁은 어텐션 가중치를 예측 근거로 해석할 수 있는지를 둘러싼 연구 논의다. 2019년 두 연구는 가중치와 예측의 관계 및 설명의 정의와 실험 설계를 서로 다른 관점에서 검토했다.
신경 예측의 근거 추출
신경 예측의 근거 추출은 같은 예측을 내기에 충분하면서 짧고 일관된 입력 구절을 학습하는 접근이다. 생성기와 인코더를 함께 학습해 텍스트의 설명 근거를 선택한다.
충분 입력 부분 집합
충분 입력 부분 집합은 나머지 입력을 보지 않아도 같은 모델 결정을 유지하기에 충분한 특징 집합이다. 개별 예시에서 불필요한 특징을 줄여 예측의 근거를 분석하는 방법으로 제안됐다.
VIBI
VIBI는 정보 병목 원리로 간결하면서도 예측 정보를 충분히 담는 특징 설명을 찾는 방법이다. 예시별로 입력 정보를 압축하면서 블랙박스 모델의 결정에 유용한 핵심 특징을 선택한다.
L2X
L2X는 예시마다 예측에 유용한 특징 부분 집합을 선택하는 설명 방법이다. 선택한 특징과 설명 대상 모델의 응답 사이의 상호 정보를 크게 만드는 선택 함수를 학습한다.
강건성 기반 설명 평가
강건성 기반 설명 평가는 작은 적대적 입력 변화를 이용해 특징 설명을 평가하는 접근이다. 특징 제거 방식을 먼저 정하는 평가에서 생길 수 있는 편향과 인공적인 효과를 줄이려 한다.
설명의 비충실도와 민감도
설명의 비충실도와 민감도는 설명이 모델의 출력 변화를 얼마나 잘 반영하고 작은 입력 변화에 얼마나 달라지는지 평가하는 기준이다. 두 기준을 함께 다뤄 안정성과 설명력을 구분한다.
Sensitivity-n
Sensitivity-n은 n개 특징의 귀속값 합과 그 특징들을 제거했을 때의 출력 변화를 비교하는 설명 평가 기준이다. 특징을 함께 바꾸는 효과를 설명이 얼마나 반영하는지 조사한다.
귀속 방법의 공정 평가
귀속 방법의 공정 평가 연구는 설명의 충실성과 비교 조건, 시각적 검토를 함께 다룬다. 출력에 영향을 줄 수 있는 입력을 통제하고 같은 층에서 설명을 비교하는 평가 구성을 제안했다.
설명 지도의 기하적 민감도
설명 지도의 기하적 민감도 연구는 모델 출력이 거의 같아도 설명은 작은 입력 변화에 크게 달라질 수 있음을 분석한다. 신경망의 기하적 성질과 설명의 강건성 사이의 관계를 조사했다.
입력 기울기 설명 정규화
입력 기울기 설명 정규화는 모델의 설명을 제약해 학습 행동을 조절하는 접근이다. 입력 기울기를 선택적으로 벌점화해 모델이 부적절한 근거에 의존하는 문제를 다룬다.
영상 표현 역변환
영상 표현 역변환은 영상의 부호화 결과에서 원래 영상을 얼마나 복원할 수 있는지 조사하는 분석 방법이다. 특징 표현에 남아 있는 시각 정보와 불변성을 살펴보는 데 사용한다.
클래스 점수 기울기 시각화
클래스 점수 기울기 시각화는 분류 점수를 입력 영상으로 미분한 정보를 이용해 신경망을 분석하는 접근이다. 클래스를 대표하는 영상의 합성과 특정 영상의 현저성 지도라는 두 관점을 제시했다.
GAN Dissection
GAN Dissection은 생성적 적대 신경망의 내부 유닛과 물체 및 장면의 관계를 분석하는 프레임워크다. 의미 있는 유닛을 찾고 그 유닛에 대한 개입이 생성 결과를 어떻게 바꾸는지 조사한다.
Network Dissection
Network Dissection은 합성곱 신경망의 숨은 유닛과 의미 개념 사이의 정렬을 측정하는 해석 프레임워크다. 중간 층의 유닛이 어떤 시각 개념과 연결되는지 정량화한다.
계층적 중요도 귀속
계층적 중요도 귀속 연구는 단어와 구절의 의미 조합을 계층적으로 설명하는 방법을 다룬다. 비가산성과 문맥 독립적인 중요도라는 성질을 검토하고 SCD와 SOC 알고리즘을 제안했다.
뉴런 적분 기울기
뉴런 적분 기울기는 신경망의 내부 뉴런 중요도를 효율적으로 계산하는 접근이다. 총 전도도와 은닉 층에서 계산한 경로 적분 기울기의 수학적 동등성을 활용한다.
문맥 분해
문맥 분해는 LSTM의 출력을 분해해 단어나 변수 조합의 기여를 분석하는 해석 알고리즘이다. 기본 모델을 바꾸지 않고 개별 예측에서 조합의 역할을 살펴본다.
신경망 가중치의 상호작용 탐지
신경망 가중치의 상호작용 탐지는 학습된 가중치를 직접 해석해 입력 특징 사이의 통계적 상호작용을 찾는 접근이다. 순방향 다층 신경망에 인코딩된 상호작용 경로를 분석한다.
의미 있는 섭동 설명
의미 있는 섭동 설명은 입력 영상에 해석 가능한 변화를 주고 모델의 반응을 살펴보는 설명 프레임워크다. 분류 결정에 중요한 영상 부분을 찾는 방식으로 구체화됐다.
적분 헤시안
적분 헤시안은 신경망 예측에서 두 입력 특징 사이의 상호작용을 설명하는 방법이다. 적분 기울기를 확장해 개별 특징의 중요도를 넘어 특징 쌍의 관계를 분석한다.
RISE 설명 지도
RISE는 영상을 무작위 마스크로 가린 뒤 모델 출력을 관찰해 픽셀의 중요도를 추정하는 방법이다. 내부 기울기에 접근하지 않고 블랙박스 모델의 예측을 설명하는 지도를 만든다.
극값 섭동 설명
극값 섭동 설명은 정해진 면적 안에서 모델 출력에 가장 큰 영향을 주는 입력 영역을 찾는 방법이다. 부드러운 마스크와 면적 제약으로 섭동의 크기와 효과를 구분해 분석한다.
All-CNN
All-CNN은 최대 풀링을 보폭이 큰 합성곱으로 대체하고 합성곱 층만으로 구성하는 신경망 구조다. 영상 인식에서 복잡한 구성 요소가 얼마나 필요한지 재검토한 연구에서 제안됐다.
FullGrad
FullGrad는 전체 기울기 표현의 성분을 모아 합성곱 신경망의 현저성 지도를 만드는 방법이다. 입력의 민감도와 뉴런별 민감도를 나누는 표현을 해석에 활용한다.
DeepLIFT
DeepLIFT는 뉴런의 활성값과 기준 활성값의 차이로 입력 특징의 기여를 계산하는 신경망 해석 방법이다. 특정 입력의 출력 예측을 각 입력 특징의 기여로 분해한다.
심층 테일러 분해
심층 테일러 분해는 다층 신경망의 분류 결정을 입력 요소들의 기여로 나누는 해석 방법이다. 신경망의 구조를 활용해 출력에서 입력 층으로 설명 정보를 전달한다.
Quantus
Quantus는 신경망 예측의 설명 방법을 평가하고 비교하는 파이썬 도구 모음이다. 설명을 만드는 것과 구분해 설명의 품질을 체계적으로 검토하는 지표와 안내를 제공한다.
Zennit 분석 도구
Zennit 분석 도구는 개별 예측의 귀속 결과에서 자료 집합 전체의 모델 행동 분석으로 이어지는 소프트웨어 구성이다. Zennit과 CoRelAy, ViRelAy를 통해 귀속 계산과 정량 분석 및 대화형 탐색을 연결한다.
Captum
Captum은 PyTorch 모델의 입력 특징과 뉴런 및 층의 중요도를 분석하는 공개 해석 라이브러리다. 기울기와 섭동 기반 귀속 방법 및 평가 지표를 공통 구성으로 제공한다.
dattri
dattri는 학습 예시가 모델 예측에 미치는 영향을 분석하는 데이터 귀속 라이브러리다. 2024년 소개 논문은 통합 인터페이스와 공통 계산 모듈, 벤치마크 구성을 제시했다.
In-Run 데이터 섀플리
In-Run 데이터 섀플리는 한 번의 학습 실행으로 얻는 특정 모델에 대해 자료의 기여를 추적하려는 방법이다. 여러 부분 집합에서 모델을 반복 학습하는 비용을 줄이는 확장 방향을 제시했다.
LESS 지시 자료 선택
LESS는 특정 능력을 키우는 지시 미세 조정에 유용한 자료를 기울기 유사도로 고르는 방법이다. 저차원 기울기 저장소와 소수의 목표 예시를 활용해 영향이 큰 학습 예시를 찾는다.
DataInf
DataInf는 대규모 생성 모델에서 학습 예시의 영향을 효율적으로 근사하는 방법이다. 계산하기 쉬운 닫힌 형태의 식을 사용하며 LoRA 같은 매개변수 효율적 미세 조정의 영향 분석을 다룬다.
EK-FAC 언어 모델 영향 분석
EK-FAC 언어 모델 영향 분석은 곡률 근사로 영향 함수 계산을 확장해 큰 언어 모델의 일반화를 조사하는 접근이다. 2023년 연구는 최대 520억 매개변수 모델에서 학습 예시와 출력 행동의 관계를 분석했다.
SAVA 데이터 가치 평가
SAVA는 자료를 배치로 나눠 최적 수송 문제를 계산하는 데이터 가치 평가 방법이다. 깨끗하게 선별한 검증 집합과의 관계를 바탕으로 대규모 학습 자료의 가치를 평가하려 한다.
LAVA 데이터 가치 평가
LAVA는 후속 학습 알고리즘을 미리 정하지 않고 학습 자료의 가치를 계산하려는 프레임워크다. 학습 집합과 검증 집합 사이의 클래스별 바서슈타인 거리 및 그 민감도를 활용한다.
복잡도 격차 데이터 점수
복잡도 격차 데이터 점수는 모델을 실제로 학습하지 않고 예시의 일반화 기여를 평가하려는 자료 중심 척도다. 이층 과매개변수 신경망을 대상으로 예시의 불규칙성과 학습 영향을 분석한다.
DeepCore
DeepCore는 심층 학습에서 코어셋 선택 방법을 구현하고 비교하기 위한 코드 라이브러리다. 2022년 연구는 CIFAR-10과 ImageNet에서 여러 선택 방법의 성능을 공통 관점으로 조사했다.
EADA
EADA는 자유 에너지 정보를 활용해 대상 도메인의 주석 예시를 선택하는 능동 도메인 적응 방법이다. 도메인의 특성과 개별 예시의 불확실성을 함께 반영하고 에너지 정렬로 적응을 돕는다.
CLUE 능동 적응
CLUE는 도메인이 바뀐 상황에서 불확실성으로 가중한 군집화를 사용해 주석 대상을 고르는 전략이다. 모델이 확신하지 못하면서 특징 공간에서 다양한 대상 예시를 선택한다.
S3VAADA
S3VAADA는 대상 도메인에서 주석할 부분 집합의 선택과 선택한 자료를 활용하는 적응을 함께 다루는 방법이다. 불확실성과 다양성, 대표성을 집합 단위의 정보 기준으로 조합한다.
LFTL
LFTL은 원천 자료에 접근할 수 없는 능동 도메인 적응에서 이전 모델의 지식을 활용하는 방법이다. 대상 자료의 일부만 표기하면서 대조적 표본 선택과 이전 특징을 통한 적응을 수행한다.
SCAL 능동 학습
SCAL은 지도 대조 손실을 활용해 다양한 특징 표현을 가진 유용한 예시를 고르는 능동 학습 방법이다. 자료 선택의 편향을 줄이고 분포 변화에 대한 강건성을 높이는 방향을 조사한다.
CAL 대조 능동 학습
CAL 대조 능동 학습은 모델 특징 공간에서는 가깝지만 예측 가능도가 크게 다른 예시를 고르는 획득 함수다. 어려운 자료와 다양한 자료를 함께 반영하는 선택을 목표로 한다.
VLPure-AL
VLPure-AL은 개방 집합 능동 학습에서 목표 분포에 속하는지와 학습에 유용한지를 차례로 평가하는 질의 전략이다. 사전 학습한 시각 언어 모델로 분포 밖 자료를 걸러 주석 비용의 낭비를 줄이려 한다.
DeepAL
DeepAL은 여러 능동 학습 전략을 공통된 구성으로 구현한 파이썬 라이브러리다. 2021년 소개 논문은 PyTorch 기반의 심층 능동 학습 프레임워크를 제시했다.
OpenAL 평가 프레임워크
OpenAL 평가 프레임워크는 능동 학습의 표본 선택 전략을 실행하고 비교하는 공개 벤치마크다. 통계 분석과 해석 지표를 통해 어떤 조건에서 특정 전략이 유리한지 조사한다.
CAL 연속 능동 학습
CAL은 배치 능동 학습의 반복 학습 비용을 줄이기 위해 연속 학습 기법을 활용하는 접근이다. 이전에 표기한 자료를 재생하며 새 자료를 학습해 망각과 재학습 부담을 함께 다룬다.
신경망 능동 학습의 재현성
신경망 능동 학습의 재현성 연구는 자료 선택 알고리즘의 이득이 실험 조건을 바꿔도 유지되는지 조사한다. 2022년 CVPR 연구는 무작위 선택 기준선과의 비교에서 성능 변동과 정규화의 영향을 분석했다.
강화 학습 기반 능동 선택 정책
강화 학습 기반 능동 선택 정책은 레이블을 요청할 예시를 고르는 전략 자체를 학습하는 접근이다. 2017년 연구는 한 언어의 시뮬레이션에서 배운 선택 정책을 다른 언어로 이전했다.
회귀 기반 능동 학습 전략
회귀 기반 능동 학습 전략은 후보 예시에 레이블을 붙였을 때 기대되는 오류 감소를 예측해 질의를 고르는 접근이다. 이전 능동 학습의 결과에서 선택 전략을 배우는 문제로 구성한다.
순차 GCN 능동 학습
순차 GCN 능동 학습은 자료 풀을 그래프로 표현하고 표기된 예시와 다른 미표기 예시를 고르는 프레임워크다. 그래프 노드 표현과 신뢰도를 레이블 요청 대상의 선택에 활용한다.
전이형 그래프 능동 학습 정책
전이형 그래프 능동 학습 정책은 그래프의 어떤 노드에 레이블을 요청할지 결정하는 정책을 학습하는 접근이다. 레이블이 있는 여러 원천 그래프에서 배운 선택 전략을 대상 그래프로 옮긴다.
BAL 능동 학습
BAL은 다양한 자료와 불확실한 자료 사이의 균형을 조절하는 능동 학습 프레임워크다. 자기 지도 학습 특징과 적응적인 하위 후보 집합을 활용해 정해진 레이블 예산 안에서 자료를 선택한다.
BalEntAcq
BalEntAcq는 소프트맥스 확률의 불확실성과 레이블 변수 사이의 정보 균형을 활용하는 능동 학습 척도다. 베타 분포 근사로 닫힌 형태의 획득 점수를 구성한다.
EPIG 능동 학습
EPIG는 미래 예측에 대해 얻을 것으로 기대되는 정보를 기준으로 레이블 요청 대상을 고르는 능동 학습 획득 함수다. 모델 매개변수보다 예측 공간에서의 정보 이득에 초점을 맞춘다.
ALFA-Mix
ALFA-Mix는 표기된 자료와 미표기 자료의 특징을 섞었을 때 예측이 바뀌는지를 이용하는 배치 능동 학습 방법이다. 표현에 변화를 주어 모델이 충분히 인식하지 못한 특징을 가진 예시를 찾는다.
MaxHerding
MaxHerding은 낮은 레이블 예산의 능동 학습에서 일반화된 커버리지를 탐욕적으로 최적화하는 방법이다. 부드러운 커버리지 개념으로 설정값 선택에 대한 강건성을 높이려 한다.
ProbCover
ProbCover는 적은 레이블 예산에서 자료 분포의 확률적 커버리지를 크게 만드는 예시를 고르는 능동 학습 방법이다. 표현 공간에서 선택한 점의 주변을 얼마나 넓게 포괄하는지 활용한다.
TypiClust
TypiClust는 레이블 예산이 작은 상황에서 전형적이면서 다양한 예시를 고르는 능동 학습 전략이다. 자기 지도 표현과 군집화를 사용해 자료의 대표성을 선택에 반영한다.
Cluster-Margin
Cluster-Margin은 큰 배치의 레이블 요청에서 불확실성과 다양성을 함께 고려하는 능동 학습 알고리즘이다. 미표기 집합을 미리 군집화하고 확신이 낮은 예시를 군집별로 나눠 선택한다.