"Randomly selected samples were used to create subsets with different sizes, which were then utilized to train the model."
"Our results demonstrate that the DAAL algorithm can achieve strong generalization ability with fewer data resources."
"By employing these two methods, the model can effectively enhance its generalization abilities."
DAAL(Domain Adversarial Active Learning)アルゴリズムが50%トレーニングサンプルスケールで最も効果的だった理由は、いくつかの要因によるものです。まず第一に、このアルゴリズムはドメイン間の汎化能力を向上させるために適切なサンプルを選択する方法を組み合わせています。特に品質ではなく量に焦点を当てており、異なるサンプルがモデル全体の汎化能力向上に異なる役割を果たすことを認識しています。
また、50%トレーニングサンプルスケールでは十分なデータ数が確保されつつも、余分なデータコストやラベリング作業量が削減されます。これは実践的観点から非常に重要であり、限られたリソース内で高い性能を発揮することが可能となります。さらに、他の比較手法と同等以上の精度や安定性を維持しつつ、少ないデータセットでも優れた結果を示したことが50%トレーニングサンプルスケールで効果的だった理由です。