설정에 대한 민감도
원 연구는 ProbCover의 성능이 커버리지 반경에 매우 민감하고 기존의 반경 선택 휴리스틱이 자주 실패할 수 있다고 보고했다. 이를 개선할 목표를 제시한다.
일반화된 커버리지
기존 ProbCover 목적을 특수한 경우로 포함하는 커버리지 개념을 도입했다. 더 부드러운 형태도 허용해 하이퍼파라미터 선택에 덜 민감한 목적을 구성한다.
탐욕적 최적화
이 커버리지를 효율적으로 최적화하는 탐욕적 방법을 제안했다. 커널 허딩과의 가까운 관계에서 MaxHerding이라는 이름을 붙였고 k-medoids 변형으로 최적화하는 관점도 분석했다.
낮은 예산의 비교
여러 낮은 예산 영상 분류 벤치마크에서 정확도와 계산 비용을 비교했다. 커버리지 목표를 바꾸는 것이 선택의 안정성과 효율에 미치는 영향을 조사한 연구다.
관련 문서
ProbCover / TypiClust / 코어셋 기반 능동 학습 / Cluster-Margin / BADGE 능동 학습 / BAIT 능동 학습