BoSS：能動学習の「理想的な選び方」を大規模に近似するオラクル

TL;DR（結論）

• 能動学習では「どのサンプルを次にラベル付けするか」が性能を大きく左右しますが、既存戦略は条件ごとの当たり外れが大きく、理想的な上限を測る基準も大規模条件では回しにくいままでした。
• BoSS は複数の既存選択戦略から候補バッチを作り、その中で実際に最も性能改善をもたらすものを選ぶことで、大規模深層能動学習でも動くオラクル近似を作ります。
• その結果、既存オラクルより強く、現行の最先端戦略とも大きな差が残ることが示され、単独戦略の競争より「複数戦略を束ねて選ぶ」方向に研究余地があると分かります。

なぜこの問題か

深層学習や基盤モデルの普及で特徴表現は強くなりましたが、限られた予算でどのサンプルにラベルを付けるべきかという問題は残り続けています。むしろ、ImageNet 級の大規模データやクラス数の多い設定では、選択の失敗コストがより重くなります。最初の数サイクルで探索を外せば、その後の学習曲線全体が鈍りますし、終盤で有効な改善サンプルを拾えなければ、モデルは早く頭打ちになります。

核心：何を提案したのか

BoSS は Best-of-Strategies Selector の略で、複数の既存 AL 戦略を束ね、その中から最も高い性能改善を生む候補バッチを選ぶオラクル戦略です。理論上の最適バッチを総当たりで探すのではなく、まず既存戦略群に候補を出させ、その候補集合の中からベストを選ぶことで、組み合わせ爆発を避けつつ強い参照点を作ります。

続きはログイン/プランで閲覧できます。