이 논문은 딥 액티브 러닝(Deep Active Learning, DAL)에서 BAIT 전략의 계산 효율성과 확장성을 높이기 위한 두 가지 근사화 방법을 제안한다.
BAIT는 최근 제안된 DAL 전략으로, 피셔 정보를 활용하여 우수한 성능을 보여주지만 높은 계산 복잡도와 메모리 요구사항으로 인해 대규모 분류 작업에 적용하기 어려운 문제가 있다.
첫 번째 근사화 방법인 Bait (Exp)는 기대값 계산 시 가장 높은 확률의 클래스들만 고려하도록 하여 시간 복잡도를 O(K^2D^2)로 낮추었다. 두 번째 근사화 방법인 Bait (Binary)는 다중 클래스 분류 문제를 이진 분류 문제로 변환하여 시간 복잡도를 O(D^2)로 크게 낮추었다.
저자들은 9개의 이미지 데이터셋에 걸쳐 실험을 수행하였으며, 제안한 두 가지 근사화 방법이 BAIT의 성능을 유지하면서도 계산 시간과 메모리 요구사항을 크게 줄일 수 있음을 보였다. 특히 Bait (Binary)는 다양한 데이터셋에서 기존 최신 DAL 전략들을 뛰어넘는 성능을 보였다.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問