다중 목표 모델을 위한 능동 학습

우리는 여러 목표 모델이 동시에 학습되는 능동 학습(AL)의 새로운 설정을 제시합니다. 이 설정은 기계 학습 시스템이 다양한 계산 자원을 가진 다양한 장치에 맞추기 위해 동일한 레이블이 있는 데이터 세트에서 여러 모델을 교육해야 하는 실제 응용 프로그램에서 발생합니다. 그러나 전통적인 AL 방법은 종종 모델 의존성과 비전이식성에 의해 제한됩니다. 본 논문에서는 여러 목표 모델을 위한 효과적인 AL 방법이 설계될 수 있는지의 질문을 다룹니다. 우리는 이 설정에서 능동 학습과 수동 학습의 쿼리 복잡성을 분석하고 AL이 개선된 쿼리 복잡성을 달성할 가능성을 보여줍니다. 이러한 통찰을 바탕으로, 우리는 서로 다른 목표 모델의 공동 불일치 영역에 위치한 예제를 선택하는 비판적 AL 샘플링 전략을 제안합니다. 분류 및 회귀 벤치마크에 대한 실험 평가를 통해 전통적인 AL 방법보다 우리의 접근 방식의 효과성을 검증합니다.