AI요약

실제 산업 현장의 데이터셋은 특정 레이블이 부족한 불균형 문제가 흔하며 이로 인해 저빈도 레이블의 분류 정확도가 크게 떨어지는 한계가 있습니다. 본 기술은 동적 샘플링 스케줄러를 활용하여 모델의 학습 상태에 따라 샘플링 전략을 최적화하는 원리를 제안합니다. 전체 레이블을 고르게 추출하는 방식과 저빈도 샘플의 추출 확률을 높인 역수 확률 기반 방식을 검증 성능 지표에 따라 유연하게 전환하여 학습 데이터를 구성합니다. 이를 통해 추가적인 데이터 수집 없이도 학습 편향을 효과적으로 억제하며 분류 성능을 개선할 수 있습니다. 특히 의료 진단이나 금융 이상 탐지처럼 데이터 불균형이 심한 분야에서 모델의 신뢰도를 높이는 데 기여합니다.