미표기 예시의 정보
고차원 자료와 적은 자료 설정에서는 어떤 예시에 레이블을 붙일지 정하기 어렵다. ALFA-Mix는 예시의 표현을 바꿨을 때 생기는 예측 불일치를 선택 신호로 사용한다.
표현 사이의 보간
표기된 예시와 미표기 예시의 특징 표현을 보간하고 예측 레이블을 살펴본다. 이때의 불일치로 미표기 예시에서 모델이 인식하지 못하는 특징을 찾아내려 한다.
효율적인 계산
예측을 바꾸는 최적 보간에 대한 닫힌 형태의 해를 유도해 효율적인 구현을 제시했다. 여러 표현 변화를 무작정 시험하는 대신 이 분석을 활용한다.
여러 자료의 평가
영상과 비영상 자료를 포함한 12개 벤치마크의 30개 설정에서 평가했다. 낮은 자료 수와 자기 학습한 비전 트랜스포머 등 서로 다른 조건에서 선택의 효과를 조사했다.
관련 문서
BADGE 능동 학습 / BAIT 능동 학습 / TypiClust / ProbCover / Cluster-Margin / 손실 예측 능동 학습