자료 풀의 그래프
각 영상의 특징을 노드로 두고 예시 사이의 유사성을 간선으로 표현한다. 소수의 무작위 표기 예시로 시작해 표기 여부를 구별하도록 그래프를 학습한다.
메시지 전달과 표현
GCN의 메시지 전달은 강하게 연결된 노드에 비슷한 표현을 만든다. 노드 임베딩과 신뢰도를 사용해 이미 표기된 집합과 충분히 다른 예시를 찾는다.
선택과 재학습
코어셋과 불확실성 기반 표본 선택을 그래프에 적용한다. 새로 질의한 노드를 표기된 상태로 바꾸고 목표 과제 모델과 그래프를 다시 학습하는 과정을 예산 안에서 반복한다.
여러 과제의 평가
실제 영상 분류 네 종류와 깊이 기반 손 자세 추정, 합성 RGB 영상 분류를 포함한 여섯 벤치마크에서 평가했다. 자료 간 관계를 선택에 반영하는 접근이다.
관련 문서
VAAL / 손실 예측 능동 학습 / 코어셋 기반 능동 학습 / BADGE 능동 학습 / BAIT 능동 학습 / 전이형 그래프 능동 학습 정책