核心概念
深層アクティブ学習の計算効率と拡張性を向上させるための2つの近似手法を提案する。
要約
本論文では、深層アクティブ学習の主要手法の1つであるBAITの計算効率と拡張性を向上させるための2つの近似手法を提案している。
まず、BAITの計算時間の主な要因である期待値計算を、最も可能性の高いクラスのみに焦点を当てることで効率化する手法を提案した(Bait (Exp))。これにより、時間複雑度をO(K(KD)2)からO(c(KD)2)に改善できる。
次に、多クラス分類問題を二値分類問題に近似することで、クラス数に依存しない時間複雑度O(D2)を実現する手法を提案した(Bait (Binary))。これにより、大規模データセットでも効率的にBAITを適用できるようになる。
提案手法の有効性を、9つの画像データセットを用いた実験で検証した。その結果、提案手法はBAITの性能を維持しつつ、計算効率を大幅に向上させることができることが示された。特に、Bait (Binary)は他の最新手法と比べても優れた性能を発揮した。
統計
ランダムサンプリングと比較した精度向上率は、CIFAR-10で5.74%、STL-10で6.45%、Snacksで8.60%であった。