도메인이 다른 자료의 선택
새로운 대상 도메인의 일부 자료에 레이블을 붙일 수 있는 상황을 다룬다. 원 연구는 불확실성이나 다양성 하나에만 의존하는 선택이 도메인 변화 아래에서 덜 효과적일 수 있음을 조사했다.
불확실성 가중 군집화
대상 자료의 임베딩을 불확실성으로 가중해 군집화한다. 모델이 불확실하게 보는 예시와 특징 공간에서의 다양성을 함께 반영해 레이블 요청 대상을 찾는다.
여러 도메인 이동의 평가
영상 분류의 여섯 도메인 이동과 여러 학습 설정에서 다른 획득 전략과 비교했다. 목표 도메인에 주석 비용을 쓸 때 어떤 예시를 고를지에 초점을 맞춘 접근이다.
관련 문서
LFTL / BADGE 능동 학습 / BAIT 능동 학습 / Cluster-Margin / TypiClust / S3VAADA