본 논문은 분류를 위한 비용 효율적인 능동 학습(AL) 프레임워크를 소개하며, candidate set query라는 새로운 질의 설계를 특징으로 한다. 전통적인 AL 질의가 오라클(oracle)로 하여금 가능한 모든 클래스에 대해 검토하도록 요구하는 것과 달리, 본 방법은 정답(ground-truth) 클래스가 포함될 가능성이 높은 후보 클래스 집합으로 범위를 축소함으로써 탐색 공간과 라벨링 비용을 현저히 감소시킨다. 또한, 순차적인 AL 라운드에서 모델이 향상됨에 따라 적응하면서, small yet reliable 후보 집합을 동적으로 생성하기 위해 순응 예측(conformal prediction)을 활용한다. 이를 위해 본 논문은 낮은 비용에서 높은 정보 이득(information gain)을 제공하는 데이터 포인트를 우선시하도록 설계된 획득 함수(acquisition function)를 제안한다. CIFAR-10, CIFAR-100, ImageNet64x64에 대한 경험적 평가를 통해 본 프레임워크의 효율성과 확장성을 입증하였다. 특히 ImageNet64x64에서 라벨링 비용을 42% 감소시킨다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.