Active Learning이란?

모델이 가장 유용한 샘플을 선택하여 사람에게 레이블링 요청

핵심: 적은 레이블로 높은 성능

---

샘플링 전략

1. Uncertainty Sampling

가장 불확실한 샘플 선택

---

2. Query by Committee

여러 모델의 의견이 다른 샘플 선택

---

3. Expected Model Change

레이블링 시 모델이 가장 많이 바뀔 샘플 선택

(계산 비용이 높아 실무에서 드뭄)

---

Active Learning 루프

---

Entity Resolution에서 Active Learning

---

주의사항

1. Cold Start

• 초기 모델이 너무 약하면 불확실성 샘플링이 효과 없음
• 초기 레이블은 다양하게 (Match/Non-Match 균형)

2. Sampling Bias

• 불확실한 샘플만 보면 전체 분포를 놓칠 수 있음
• 가끔 랜덤 샘플도 포함

3. Human Fatigue

• 레이블링은 지루한 작업
• UI/UX가 중요