라벨링 비용 최소화를 위한 최적 정지와 능동 학습 전략

본 논문은 라벨링 비용이 높은 상황에서 모델 성능과 라벨 비용을 동시에 고려한 비용 함수 기반 최적 정지 전략을 제안한다. 라벨 획득 여부를 비용 최소화 관점에서 판단하고, 이를 통해 능동 학습과 결합한 효율적인 데이터 수집 방식을 설계한다.

저자: Christos Dimitrakakis, Christian Savu-Krohn

본 논문은 라벨링 비용이 높은 상황에서 머신러닝 모델을 효율적으로 학습시키기 위한 새로운 비용 최소화 프레임워크를 제시한다. 전통적인 능동 학습(Active Learning)은 “어떤 샘플을 라벨링하면 모델 성능이 가장 크게 향상되는가”에 초점을 맞추어, 일반적으로 라벨링 비용을 일정하거나 무시한다. 그러나 실제 산업 현장에서는 라벨을 얻는 데 드는 인건비, 시간, 장비 비용 등이 크게 차이날 수 있다. 이러한 현실을 반영하기 위해 저자들은 **비용 함수** C = E