풀 기반 샘플링

풀 기반 샘플링은 라벨링을 위한 유익한 사례를 선택하는 인기 있는 능동 학습 방법입니다. 레이블이 지정되지 않은 데이터 풀이 생성되고, 모델은 사람이 주석을 달 수 있도록 가장 유익한 예를 선택합니다. 이렇게 레이블이 지정된 예제는 모델을 재학습하는 데 사용되며, 프로세스가 반복됩니다.

이점

• 라벨링 비용 절감:기존의 지도 학습 방법과 비교했을 때, 풀링 기반 샘플링은 가장 유익한 샘플에만 레이블을 지정하면 되므로 전반적인 레이블 지정 비용이 줄어듭니다. 특히 대규모 데이터 세트를 다루는 경우 이를 통해 상당한 비용 절감 효과를 얻을 수 있습니다. 
• 전문가 시간의 효과적인 활용:전문가는 가장 많은 정보가 있는 샘플에만 표시를 하면 되므로, 이 전략을 사용하면 전문가의 시간을 효과적으로 활용하고 시간과 리소스를 절약할 수 있습니다.
• 모델 정확도 향상:선택된 샘플은 데이터를 대표하고 정보를 제공할 가능성이 더 높으므로 풀 기반 샘플링을 통해 모델의 정확도를 높일 수 있습니다.

결점

• 레이블이 지정되지 않은 데이터 풀 선택:선택된 데이터의 품질은 모델의 성능에 영향을 미치므로, 레이블이 지정되지 않은 데이터 풀을 신중하게 선택하는 것이 중요합니다. 특히 대규모이고 복잡한 데이터 세트의 경우 이는 어려울 수 있습니다.
• 선택 방법의 질:가장 유익한 샘플을 선택하는 데 사용되는 선택 방법의 질은 모델의 정확도에 영향을 미칩니다. 선택 방법이 데이터에 적합하지 않거나 잘못 설계된 경우 모델의 정확도에 영향을 미칠 수 있습니다. 
• 모든 데이터 유형에 적합하지 않습니다.풀링 기반 샘플링은 비정형 데이터나 노이즈가 있는 데이터 등 모든 유형의 데이터에 적합하지 않을 수 있습니다. 이런 경우에는 다른 능동적 학습 방법이 더 적절할 수 있습니다.

참고문헌

【1】https://encord.com/glossary/pool-based-sampling/