QueryMarket: 데이터 시장에서의 비용 인식 온라인 능동 학습 (Cost-Aware Online Active Learning)

데이터 획득은 실시간 스트림 학습에서 주요한 병목 현상입니다. 분석가는 순환 예산 (rolling budget)을 준수하면서 어떤 레이블 (label)을 구매할지 즉석에서 결정해야 합니다. 그러나 기존의 온라인 능동 학습 (online active learning)은 개념 드리프트 (concept drift) 상황에서 가격 책정, 정보 이득 (information gain), 그리고 순환 예산 제약을 통합하는 경우가 드뭅니다. 우리는 모델에 대한 추정 유용성 (utility)과 가격을 기반으로 각 유입 데이터 포인트를 쿼리하는 시장 영감 프레임워크인 QueryMarket을 소개합니다. 이 프레임워크 내에서, 우리는 지수적 망각 (exponential forgetting)을 사용하는 D-최적성 기준 (D-optimality criterion)을 통해 각 샘플의 한계 유용성 (marginal utility)을 추정하고, 순환 예산 제약 하에서 비용 인식 구매 (cost-aware purchases)를 실행함으로써 데이터 가격 책정과 정보 중심 선택을 통합하는 OVBAL (online variance-based active learning)을 제안합니다. OVBAL은 비정상적 (nonstationary) 스트림과 이질적인 레이블 비용에 적응하는 단순하고 완전한 온라인 결정 규칙을 제공합니다. 합성 데이터와 실제 태양광 발전량 예측 작업에 대한 실험 결과, OVBAL은 판매자 중심 가격 책정 (seller-centric pricing) 하에서 특히 효과적이며, 두 가지 가격 책정 방식 모두에서 실제 작업 시 더 유리한 장기적 오차-비용 트레이드오프 (error-cost trade-off)를 생성함을 보여줍니다.