표본 선택의 편향
능동 학습에서는 선택한 자료가 특정 영역에 치우칠 수 있다. 이 연구는 정보성이 있으면서 특징 표현이 다양한 예시를 고르는 질의 전략으로 접근했다.
지도 대조 학습
지도 설정의 능동 학습에 대조 손실을 활용하는 SCAL과 심층 특징 모델링인 DFM을 제안했다. 두 방법으로 선택 편향과 자료 표현의 다양성을 조사했다.
강건성과 계산 평가
원 연구는 정확도와 보정 성능, 질의 계산 비용을 비교했다. SCAL의 자료 이동 및 분포 밖 설정에 대한 강건성도 실험했으며 결과는 조사한 모델과 자료 조건에 관한 것이다.
관련 문서
CAL 대조 능동 학습 / BADGE 능동 학습 / ALFA-Mix / TypiClust / ProbCover / 신경망 능동 학습의 재현성