라벨이 부여된 데이터의 양이 증가함에 따라 심층 신경망의 성능은 대체로 향상된다. 그러나 대규모 데이터에 라벨을 부여하는 일은 비용이 많이 들 수 있다. 능동 학습(active learning)은 라벨이 없는 데이터를 선별적으로 라벨링함으로써 이러한 문제를 해결한다. 최근에는 능동 학습에 자기지도 학습(self-supervised learning)을 통합하려는 시도가 있었으나, 자기지도 학습의 결과를 활용하는 데에는 문제가 있다. 즉, 능동 학습의 맥락에서 이러한 결과를 어떻게 해석해야 하는지 불확실하다. 이 문제를 해결하기 위해, 우리는 능동 학습에서 자기지도 학습이 제공하는 정보를 처리하기 위한 다중 팔 밴딧(multi-armed bandit) 접근법을 제안한다. 또한 강화 학습이 효과적으로 수행될 수 있도록 데이터 샘플링 과정을 설계한다. 제안된 방법은 CIFAR-10, CIFAR-100, Caltech-101, SVHN, ImageNet을 포함한 다양한 이미지 분류 벤치마크에서 평가하였으며, 제안된 방법은 기존 접근법을 유의미하게 개선한다.

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