과제와 독립적인 선택
VAAL은 목표 과제의 성능에 의존하지 않는 자료 선택을 지향한다. 표기된 집합과 미표기 집합을 함께 이용해 선택에 필요한 표현을 학습한다.
잠재 공간의 구별
변분 오토인코더는 자료를 잠재 공간에 표현한다. 적대적 신경망은 그 공간에서 표기 자료와 미표기 자료를 구별하도록 학습된다.
서로 다른 학습 목표
오토인코더는 모든 자료가 표기된 집합에서 온 것처럼 판별기를 속이려 하고 판별기는 집합 사이의 차이를 구별하려 한다. 이 적대적 구성을 자료 선택에 사용한다.
과제 정보를 더한 확장
TA-VAAL은 목표 과제의 정보를 더한 후속 접근이다. 손실 예측을 순위 손실 예측으로 바꾸고 정규화한 순위 정보를 조건부 적대적 구성에 포함한다. 표기 자료의 균형이 다른 분류와 의미 분할에서 평가했다.
관련 문서
손실 예측 능동 학습 / BADGE 능동 학습 / BAIT 능동 학습 / 코어셋 기반 능동 학습 / GLISTER / Dataset Cartography