우리는 순차적 그래프 컨볼루션 네트워크(GCN) 기반의 새로운 풀 기반 활성 학습 프레임워크를 제안한다. 데이터 풀 내 각 이미지의 특징은 그래프의 노드로 표현되며, 엣지는 노드 간의 유사도를 인코딩한다. 무작위로 샘플링된 소량의 이미지를 초기 레이블링된 예시로 사용하여, 이진 크로스엔트로피 손실을 최소화함으로써 그래프의 파라미터를 학습함으로써 레이블링된 노드와 레이블링되지 않은 노드를 구분한다. GCN는 노드 간 메시지 전달 연산을 수행하므로, 강하게 연결된 노드들에 대해 유사한 표현을 유도한다. 이러한 GCN의 특성을 활용하여, 레이블링된 예시들과 충분히 다른 레이블링되지 않은 예시를 선택한다. 이를 위해 그래프 노드 임베딩과 그들의 신뢰도 점수를 활용하고, CoreSet 및 불확실성 기반 기법과 같은 샘플링 기법을 적용하여 노드를 질의한다. 새로 질의된 노드의 레이블을 '미레이블링'에서 '레이블링'으로 전환하고, 학습기를 재학습하여 하류 작업을 최적화하며, 그래프의 목적함수를 수정하여 최소화한다. 이 과정을 고정된 예산 내에서 반복한다. 제안한 방법은 6개의 다양한 벤치마크에서 평가되었으며, 실시간 이미지 분류 데이터셋 4개, 깊이 기반 손의 자세 추정 데이터셋 1개, 합성 RGB 이미지 분류 데이터셋 1개를 포함한다. 제안한 방법은 VAAL, Learning Loss, CoreSet 등과 같은 경쟁적 기준 모델들을 능가하며, 여러 응용 분야에서 새로운 최고 성능(SOTA)을 달성하였다. 구현 코드는 아래 링크에서 확인할 수 있다: https://github.com/razvancaramalau/Sequential-GCN-for-Active-Learning