선택 규칙의 학습
능동 학습은 적은 예시만 주석 처리해 좋은 분류기를 얻으려 한다. 고정된 휴리스틱은 자료마다 효과가 달라질 수 있어 이 연구는 선택 규칙을 직접 학습하는 방향을 제안했다.
강화 학습으로 재구성
능동 학습 과정을 강화 학습 문제로 표현하고 자료 선택 정책을 명시적으로 학습한다. 이렇게 얻은 정책이 기존의 휴리스틱 선택 규칙 역할을 맡는다.
언어 사이의 전이
한 언어에서 시뮬레이션으로 학습한 선택 정책을 다른 언어로 옮기는 실험을 했다. 언어 간 개체명 인식에서 전통적인 능동 학습과 비교해 선택 정책의 이전 가능성을 조사했다.
관련 문서
전이형 그래프 능동 학습 정책 / 회귀 기반 능동 학습 전략 / 손실 예측 능동 학습 / GLISTER / BADGE 능동 학습 / 순차 GCN 능동 학습