Core Concepts
활성 학습을 통해 데이터 부족 상황에서의 효과적인 데이터 확보 방법을 연구하고, BALD가 다른 획득 함수보다 우수함을 입증함.
Abstract
딥러닝의 중요성과 의료 분야에서의 데이터 부족 문제 강조
활성 학습의 개념과 목적 설명
획득 함수(BALD, MeanSTD, MaxEntropy)에 대한 비교 연구 결과
데이터셋과 작업 설명
구현 세부사항 및 실험 결과 보고
결과 및 토의: 불확실성의 중요성, BALD의 우수성, 획득 함수의 특징
추가 실험 결과: 획득 함수의 동작 방식에 대한 분석
쿼리 크기의 영향 평가
결론 및 향후 연구 방향
Stats
활성 학습은 상대적으로 적은 초기 훈련 샘플을 사용하여 모델 성능을 향상시키는 반지도 학습 알고리즘입니다.
ISIC 2016 데이터셋에 대한 연구에서 BALD가 다른 획득 함수보다 우수한 성능을 보였습니다.
Quotes
"불확실성은 Melanoma 감지 작업에 유용하며, BALD가 다른 획득 함수보다 우수함을 입증합니다."
"모델이 가장 불확실한 지점을 선택하도록 하는 BALD는 모델의 성능을 향상시키고 데이터 불균형을 처리하는 데 중요합니다."