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.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Denis Huselj... às arxiv.org 04-16-2024
https://arxiv.org/pdf/2404.08981.pdfPerguntas Mais Profundas