오픈셋 활성 학습의 혁신: 에너지 기반 접근법으로 최고 성능 달성

종천천, 황성준 연구팀이 개발한 에너지 기반 활성 오픈셋 주석(EAOA) 프레임워크는 에피스테믹 및 알레아토릭 불확실성을 통합하여 오픈셋 활성 학습의 성능을 획기적으로 향상시켰습니다. 높은 질의 정밀도와 낮은 훈련 오버헤드를 유지하면서 최첨단 성능을 달성하여, 활성 학습 분야의 새로운 이정표를 세웠습니다.

오픈셋 활성 학습의 새로운 지평을 열다: 에너지 기반 접근법

기존의 활성 학습(AL)은 알려지지 않은 데이터(오픈셋)에 대한 효과적인 처리에 어려움을 겪었습니다. 알려진 클래스에 속할 가능성이 높은 샘플(낮은 에피스테믹 불확실성, EU)이나 예측이 매우 불확실한 샘플(높은 알레아토릭 불확실성, AU)에만 집중하는 경향이 있었죠. 하지만 낮은 EU는 유용한 정보가 제한적이고, 알려지지 않은 클래스에 대한 AU 측정은 의미가 적다는 한계가 있었습니다.

종천천, 황성준 연구팀: 에너지 기반 활성 오픈셋 주석(EAOA) 프레임워크 제시

이러한 문제를 해결하기 위해, 종천천과 황성준 연구팀은 획기적인 에너지 기반 활성 오픈셋 주석(EAOA) 프레임워크를 개발했습니다. EAOA는 EU와 AU를 효과적으로 통합하여 최고의 성능을 달성합니다. 핵심은 다음과 같습니다.

• (C+1)-클래스 검출기와 목표 분류기: 에너지 기반 EU 측정 및 검출기를 위한 마진 기반 에너지 손실을 통합하고, 목표 분류기를 위한 에너지 기반 AU 측정을 도입했습니다.
• 목표 기반 적응형 샘플링 전략: 먼저 낮은 EU 점수를 가진 작은 후보 집합을 형성하여 폐쇄 집합 특성을 보장하고 AU 측정의 의미를 높였습니다. 그 후 높은 AU 점수를 가진 예제를 질의하여 최종 질의 집합을 구성하고, 후보 집합 크기를 적응적으로 조정합니다.

놀라운 성과: 최첨단 성능 달성 및 높은 질의 정밀도와 낮은 훈련 오버헤드 유지

EAOA는 광범위한 실험을 통해 최첨단 성능을 달성하면서 높은 질의 정밀도와 낮은 훈련 오버헤드를 유지함을 입증했습니다. 이는 기존 방법의 한계를 뛰어넘는 혁신적인 결과입니다. 더욱 놀라운 점은, 연구팀이 이 연구 코드를 GitHub (https://github.com/chenchenzong/EAOA)에 공개하여, 다른 연구자들의 활용과 발전을 돕고 있다는 것입니다.

이 연구는 활성 학습 분야, 특히 오픈셋 문제 해결에 새로운 가능성을 제시하며, 앞으로 AI 발전에 중요한 기여를 할 것으로 기대됩니다. EAOA의 등장은 오픈셋 활성 학습의 새로운 시대를 열었다고 평가할 수 있습니다.