본 논문은 기존의 능동 학습 기반 준지도 학습 방법들이 예측 결과의 불확실성 추정을 고려하지 않는다는 문제점을 지적하고, 이를 해결하기 위해 증거 기반 심층 능동 학습 접근 방식(EDALSSC)을 제안합니다. EDALSSC는 준지도 학습 프레임워크를 구축하여 학습 과정 동안 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터의 불확실성 추정을 동시에 정량화합니다. 레이블이 지정된 데이터의 불확실성 추정은 증거 기반 심층 학습과 관련되며, 레이블이 지정되지 않은 데이터의 불확실성 추정은 T-conorm 연산자 관점에서 무지 정보와 증거의 상충 정보를 결합하여 모델링됩니다. 또한, 불확실성 추정에 대한 증거와 클래스 수의 영향을 동적으로 조절하는 휴리스틱 방법을 구성하여 EDALSSC에서 비직관적인 결과가 발생하지 않도록 합니다. 샘플 선택 전략으로는 학습 과정 후반부에 훈련 손실이 증가할 때 합의 형태로 계산된 가장 큰 불확실성 추정을 가진 샘플을 선택합니다. 실험 결과, EDALSSC는 이미지 분류 데이터셋에서 기존의 준지도 및 지도 능동 학습 접근 방식보다 우수한 성능을 보입니다.
