원천 자료 없는 적응
원천 모델은 있지만 적응할 때 원천 자료를 볼 수 없는 상황을 다룬다. 대상 도메인에 적은 주석 예산만 있어 유용한 표본 선택과 분포 정렬을 함께 해결해야 한다.
이전 가설의 활용
대조적 능동 표본 선택은 앞선 모델의 가설을 활용한다. 현재 모델에 유용하면서도 학습 과정에서 계속 어려웠던 대상 예시를 레이블 요청 대상으로 찾는다.
시각적 지속성의 활용
적응 과정에서는 이전 중간 모델에서 얻은 능동 선택 앵커의 특징을 활용한다. 이 정보를 이용해 특징 분포 정렬과 선택한 표본의 활용을 돕는 구성을 제안했다.
주석 예산의 변화
세 벤치마크에서 주석 예산을 늘리며 적응 성능과 계산 효율을 평가했다. 원천 모델과 반복 적응 모델의 지식을 자료 선택에 연결하는 접근이다.
관련 문서
SHOT / NRC / DVRL / CAL 대조 능동 학습 / BADGE 능동 학습 / BAIT 능동 학습