능동학습을 위한 룩어헤드 데이터 취득·가상 증강 연구

Look-Ahead Data Acquisition and Virtual Augmentation for Active Learning

연구 내용

데이터 레이블이 제한된 상황에서 가상 증강을 포함한 룩어헤드 취득 전략으로 학습에 유익한 샘플을 선별하고, 증강 정책을 최적화하는 연구입니다.

능동학습에서 데이터 취득과 데이터 증강을 분리하지 않고 결합하는 프레임을 구축합니다. 비레이블 샘플의 취득뿐 아니라 증강으로 생성될 가상 샘플의 예측 기여도까지 사전에 고려해 취득 점수를 최대화하도록 선택을 수행합니다. 가상 샘플의 정보성 강화를 위해 증강 정책을 최적화하는 방식으로 InfoMixup, InfoSTN 계열의 전략을 구성합니다. 또한 이상치 분포 추정과 확률적 경계 설정을 통해 오픈셋 학습 성능을 높이기 위한 가상 데이터 생성 방법론을 연계해 활용합니다.

관련 프로젝트

1건

연구 흐름

초기에는 제한된 레이블 상황에서 능동학습의 데이터 취득 과정에 증강의 잠재 이득을 통합하는 문제를 설정하고, 룩어헤드 기반으로 취득과 가상 생성의 상호 영향을 반영하는 프레임을 제안합니다. 이후 증강 정책이 가상 샘플의 정보성에 미치는 영향을 분석하고, 예측 취득 점수를 기준으로 최적화하는 구성을 확장합니다. 최근에는 이상치 분포 추정과 확률적 경계 설정을 활용해 오픈셋 학습에서 가상 데이터가 미치는 영향을 설계함으로써, 정보성 기반 취득의 적용 범위를 넓히는 방향으로 연구를 수행합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

오픈셋 분류을 위한 가상 샘플 생성
에너지 기반 이상치 탐지 고도화
레이블 비용 절감 라벨링 파이프라인
정보성 기반 취득 함수 설계
증강 정책 최적화 기반 데이터 효율화
도메인 이동 환경의 학습 안정화
가상 데이터로 보강한 견고한 벤치마크
불확실성 반영 취득 전략
시드·마이닝 기반 데이터 확장
능동학습-증강 통합 워크플로우