집합 단위의 선택
예시를 독립적으로 평가하면 같은 배치에 중복된 정보가 모일 수 있다. S3VAADA는 다른 선택 예시도 고려하는 부분 집합 점수로 이 문제에 접근한다.
작은 변화에 대한 민감도
가상 적대적 쌍별 점수인 VAP는 작은 적대적 섭동에 대한 모델의 민감도를 활용한다. 이 불확실성 신호를 거리 기반 다양성과 대표성 점수에 결합한다.
자료를 활용하는 적응
선택해 표기한 대상 자료와 미표기 자료를 VAADA 적응 절차에 사용한다. 원 연구는 군집 기반 도메인 적응을 개선해 추가 대상 레이블을 효과적으로 활용하도록 구성했다.
반복되는 주석과 학습
정해진 예산에 이를 때까지 부분 집합 선택과 적응을 반복한다. 서로 다른 정도의 도메인 이동을 가진 자료에서 다른 방법과 비교했다.
관련 문서
CLUE 능동 적응 / LFTL / PRISM 부분 집합 선택 / GRAD-MATCH / BADGE 능동 학습 / BAIT 능동 학습