금일 소개했던 논문은 active learning 기법을 활용해서 domain adaptation 문제를 다룬 기법을 소개한다. active learning은 레이블이 존재하지 않은 학습데이터에서 레이블을 확인하는 비용이 비싸거나 시간이 많이 걸리는 경우 학습모델의 변화를 가장 크게 꾀하는 샘플이 무엇인지 알려주는 기법이다. 선형회귀를 예로 들자면, 레이블(음성, 양성 등)를 확인해서 학습데이터에 포함시켜주었을 때 회귀모형의 beta들의 변화를 가장 크게 유발하는 관측치가 무엇인지 골라주는 방안이다. 최근 small labeled data problem의 문제의식이 계속 되면서 active learning 연구기법의 중요성이 부각되고 있다. domain adaptation은 다양한 문제상황이 존재하지만 기본적으로 다른 도메인에서 학습된 모델을타겟 도메인에 적합시키는 문제를 다룬다. 최근 연구실에서 다루고 있는 stain normalization에 적용할 수 있는 중요한 기법이 될 것이라 생각한다. 채윤이는 논문을 읽고 연구를 수행하며 재미를 느낄 줄 아는 도전의식이 탁월한 대학원생이다. 다양한 연구들을 접하며 흥미로운 부분이 무엇이고 자신이 관심있는 핵심이 무엇인지를 잘 찝어내는 것은 대학원생에게 요구되는 중요한 자격 중 하나이다. 하지만, 이 때 중요한 것은 본인 연구의 큰 그림을 그려서 한 걸음씩 앞으로 나아가야 하고, 쉬이 지치지 않으려면 연구의 쉼표, 마침표를 잘 찍어야 한다. 졸업전까지 채윤이만의 연구색을 찾아내고 흥미를 갖는 연구주제에서 의미있는 아이디어를 잘 도출해낼 수 있기를 바란다.