RADS: 강화학습 기반 샘플 선택으로 임상 환경 전이 학습 성능 향상

요약

본 논문은 데이터가 부족하고 클래스 불균형이 심한(low-resource, imbalanced) 임상 환경에서 전이 학습(Transfer Learning)의 성능을 개선하기 위한 새로운 샘플 선택 전략인 RADS (Reinforcement Adaptive Domain Sampling)를 제안합니다. 기존의 능동 학습(Active Learning) 방법들이 이상치(outliers)에 편향되어 정보력이 낮은 샘플을 선택하는 문제를 해결하고자, 강화학습(RL)을 활용하여 가장 정보력이 높은 샘플을 식별하고 모델의 전이 가능성(model'

핵심 포인트

• RADS는 강화학습 (RL)을 사용하여 데이터 부족 및 클래스 불균형 환경에서 최적의 샘플을 선택하는 방법론입니다.
• 기존 능동 학습 기법들이 이상치(outliers)에 편향되어 성능 저하를 초래했던 문제를 해결합니다.
• 실제 임상 데이터셋 실험 결과, RADS는 전통적인 방식 대비 모델 전이 가능성을 향상시키고 견고한 성능을 유지함을 입증했습니다.