QueryMarket: 데이터 마켓에서의 비용 인식 온라인 능동 학습
QueryMarket: Cost-Aware Online Active Learning in Data Markets
데이터 수집은 실시간 스트림 학습의 주요 병목 현상입니다: 분석가는 롤링 예산을 준수하면서 즉석에서 어떤 레이블을 구매할지 결정해야 합니다. 그러나 기존의 온라인 능동 학습은 개념 드리프트(concept drift) 하에서 가격 책정, 정보 이득, 롤링 예산 제약 조건을 거의 통합하지 않습니다. 우리는 모델에 대한 추정 효용과 가격을 기반으로 각 유입 데이터 포인트를 쿼리하는 시장에서 영감을 받은 프레임워크인 QueryMarket를 소개합니다. 이 프레임워크 내에서 우리는 OVBAL(online variance-based active learning)을 제안합니다. OVBAL은 지수적 망각(exponential forgetting)이 적용된 D-최적성(D-optimality) 기준을 통해 각 샘플의 한계 효용을 추정하고, 롤링 예산 제약 조건 하에서 비용 인식 구매를 실행하여 데이터 가격 책정과 정보 기반 선택을 통합합니다. OVBAL은 비정상 스트림과 이질적인 레이블 비용에 적응하는 간단하고 완전히 온라인인 의사 결정 규칙을 제공합니다. 합성 데이터와 실제 태양광 발전량 예측 작업에 대한 실험 결과, OVBAL은 판매자 중심 가격 책정 하에서 특히 효과적이며, 두 가지 가격 책정 방식 모두에서 실제 작업 시 더 유리한 장기적 오류-비용 트레이드오프를 보여줍니다.