본 논문은 실제 응용 분야에서 소수 클래스에 대한 기계 학습 성능에 심각한 영향을 미치는 클래스 불균형 문제를 해결하기 위해 능동 학습 기법을 제시합니다. DIRECT 알고리즘은 클래스 분리 경계를 식별하고, 가장 불확실한 근접 샘플을 주석 작업을 위해 선택합니다. 문제를 1차원 능동 학습으로 축소하여 기존 이론을 활용함으로써 배치 라벨링 및 라벨 노이즈(데이터 주석에서 흔히 발생하는 문제, 특히 능동 학습 방법에 영향을 미침)를 처리합니다. 클래스 불균형과 라벨 노이즈 모두를 고려한 최초의 종합적인 능동 학습 연구를 제시하며, 불균형 데이터셋에 대한 광범위한 실험을 통해 기존 최고 성능의 능동 학습 방법보다 주석 비용을 60% 이상, 무작위 샘플링보다 80% 이상 절감하면서 라벨 노이즈에 대한 강건성을 유지함을 보여줍니다.
