초록
많은 머신러닝 응용 분야에서 데이터셋에 레이블을 붙이는 작업은 번거롭고 시간이 많이 소요되는 과정이다. 컴퓨터 비전 분야에서 반감독 학습 기법이 매우 적은 수의 레이블로도 높은 정확도를 달성할 수 있다는 연구 결과가 있었음에도 불구하고, 데이터셋 내 이미지 중 어떤 이미지를 레이블링할지 선택하는 방법에 대해서는 별다른 주목이 이루어지지 않았다. 본 논문에서는 기존에 잘 정립된 자기지도 학습(self-supervised learning), 군집화(clustering), 다각형 다양체 학습(manifold learning) 기법을 기반으로 한 새로운 접근법을 제안한다. 이는 초기 단계에서 정보량이 풍부한 이미지 하위 집합을 선택하여 레이블링해야 하는 문제, 즉 콜드스타트(cold-start) 또는 비지도 선택적 레이블링 문제를 해결하는 데 목적이 있다. 제안된 방법은 CIFAR10, Imagenette, DeepWeeds, EuroSAT 등 여러 공개 데이터셋을 대상으로 검증되었으며, 무작위 샘플링 대비 감독 학습 및 반감독 학습 전략 모두에서 성능 향상을 관찰할 수 있었다. 또한, 기존 문헌에서 제안된 다른 방법들에 비해 훨씬 간단한 접근 방식으로도 고려된 데이터셋들에 대해 우수한 성능을 달성하였다.