연구진이 데이터 불변성을 고려한 능동 학습 방법 GRINCO를 제안했어요. 그룹 불변 코어셋 프레임워크를 통해 변환 그룹에 의해 유도된 몫 공간에서 샘플을 선택해 동일 인스턴스의 변환 버전을 중복 선택하는 문제를 해결해요. 몫 공간에서의 k-center 선택과 궤도 평균 손실을 통해 불변 학습을 결합하여 성능을 개선했어요.
GRINCO는 궤도 대표 또는 궤도 분리 불변 임베딩을 사용하여 실용적인 몫 공간 메트릭을 정의하고 궤도 커버리지와 라벨 불확실성을 분석했어요. 합성 데이터와 이미지 벤치마크 실험에서 기존 방법보다 더 나은 효율성을 보여줬어요.
그룹으로 유도된 중복성이 상당할 때 GRINCO는 궤도 커버리지를 개선하고 더 강력한 라벨 효율성을 달성했어요.