Kwangmin Kim - DL 학습 데이터가 거의 없을 때: 도메인 분류기 증강 전략

1 배경: 하이브리드 엔진 안의 DL 모델

데이터 표준화 도우미 Agent의 하이브리드 엔진은 3개 레이어로 구성된다.

입력 용어
  ↓
Rule-Based Layer   — 약어 사전 기반 물리명 후보 생성
  ↓
DL Layer           — 도메인 그룹 분류 모델 (이 글의 주제)
  ↓
RAG Layer          — LLM + Vector DB 기반 최종 메타데이터 추천
  ↓
출력 (물리명, 도메인 그룹, 데이터 타입)

DL Layer가 하는 일은 하나다: 입력 용어에서 도메인 그룹을 분류한다.

Input: 분류단어(도메인)가 포함된 표준 용어 (예: 실험시작일시, 시약농도비율, 양성대조군여부)
Output: 14개 도메인 그룹 중 하나 (예: 날짜, 율, 분류)

표준화 원칙에서 정의하는 14개 도메인 그룹은 다음과 같다.

도메인 그룹	대표 분류단어 예시
날짜	일시, 일자, 년월, 년도, 타임스탬프
명	명, 성명, 제품명, 주소
내용	내용
값	값, 측정값, 항목값, 계산값
수	수, 건수, 개수, 횟수, 연령, 수량
율	율, 비율, 이율, 세율, 환율
번호	번호, 일련번호, 전화번호, 계좌번호
식별	UUID, 업무식별자, 해시ID, 사용자ID
코드	코드, 부서코드, 제품코드
분류	여부, 유무
보안	비밀번호, 인증토큰, API키
단위	길이단위, 무게단위, 온도단위, 농도단위
집합	JSON, 배열, XML, 집합
일반단어	(위 13개에 속하지 않는 나머지)

2 핵심 문제: 극단적 데이터 불균형

실제 표준 용어 사전에서 가져온 학습 데이터의 분포가 다음과 같다.

도메인 그룹	샘플 수
코드	많음
식별	많음
내용	1개
보안	극소
번호	극소
단위	극소
…	…

내용 그룹은 분류단어가 사실상 “내용” 하나뿐이고, 실제 등록된 용어도 1개다. DL 학습이 불가능한 수준이다.

목표: 3가지 증강 방법으로 학습 데이터를 생성하여 DL 분류 모델을 훈련할 수 있는 수준으로 만든다.

3 데이터 증강 방법 3가지

3.1 방법 1: 규칙 기반 스크립트 (기계적 합성)

표준단어사전과 도메인사전을 재료로, 용어 구성 규칙에 따라 단어를 기계적으로 조합한다.

용어 구성 규칙: [수식어] + [주제어] + [도메인 분류단어]

도메인 분류단어는 도메인 그룹을 결정하므로, 그룹별로 해당하는 분류단어를 고정하고 앞의 수식어·주제어를 교체하면 된다.

# 예시: '날짜' 그룹 데이터 생성
modifiers = ["시작", "종료", "등록", "수정", "최초", "최종", "승인"]
subjects   = ["실험", "과제", "검사", "시약", "장비", "플레이트"]
domains    = ["일시", "일자", "년월", "년도"]  # 날짜 그룹 분류단어

generated = []
for mod in modifiers:
    for sub in subjects:
        for dom in domains:
            term = mod + sub + dom          # 예: "시작실험일시"
            generated.append((term, "날짜"))

장점: 대량 생성 가능, 레이블 정확도 100% 단점: 의미적 다양성 낮음, 실제로 쓰이지 않는 조합 포함 가능

3.2 방법 2: LLM 멀티턴 생성

LLM에게 도메인 그룹 정의와 예시를 컨텍스트로 제공하고, 멀티턴 대화로 다양한 용어를 생성한다.

system_prompt = """
당신은 데이터 표준화 전문가입니다.
다음 '내용' 도메인 그룹의 정의와 예시를 참고하여,
이 그룹에 속하는 새로운 표준 용어 20개를 생성하세요.

[내용 도메인 그룹 정의]
자유 형식의 상세 내용을 서술 형식의 텍스트로 표현.
분류단어: '내용' (예: 사고내용, 평가자의견내용, 운영비고내용)

[규칙]
- 반드시 '내용'으로 끝나야 함
- [수식어] + [주제어] + 내용 구조
- PCR, 분자진단, 시약, 실험 도메인 맥락 선호
"""

# 멀티턴: 첫 번째 생성 후 "더 다양한 맥락으로 20개 추가" 요청
# → 생물정보학, 품질관리, 임상시험 등 맥락 다양화

장점: 의미적으로 자연스러운 용어, 도메인 특화 가능 단점: 생성 비용(토큰), 속도, 품질 편차

3.3 방법 3: RAG 기반 생성

표준화 원칙 문서, 도메인 사전 등을 Vector DB에 인덱싱하고, 도메인 그룹별로 관련 문서를 검색하여 그 맥락 기반으로 용어를 생성한다.

# 검색 → 생성 파이프라인
query = "내용 도메인그룹에 속하는 용어 예시"
retrieved_chunks = vector_store.search(query, k=5)

prompt = f"""
[검색된 원칙 문서]
{retrieved_chunks}

위 문서를 참고하여 '내용' 도메인 그룹에 해당하는
실제 업무에서 사용할 법한 표준 용어 20개를 생성하세요.
"""

장점: 실제 원칙 문서 기반 → 규칙 준수도 높음, 다양한 맥락 커버 단점: RAG 파이프라인 구축 필요, 검색 품질에 의존

4 클래스당 몇 개를 만들어야 하는가

4.1 추정 가능한 부분

모델 아키텍처가 먼저 결정되어야 한다. Fine-tuning에 필요한 샘플 수는 모델에 따라 크게 달라진다.

모델 유형	클래스당 필요 샘플 수 (경험치)
TF-IDF + SVM / Logistic Regression	수백 ~ 1,000개
KoBERT / KLUE-RoBERTa fine-tuning	200 ~ 500개
fastText / 경량 임베딩	500 ~ 2,000개

이 태스크에서는 Pre-trained 한국어 모델 fine-tuning이 가장 현실적이므로, 클래스당 최소 300 ~ 500개가 기준점이 된다.

4.2 이 태스크의 고유 특성으로 추정 범위가 좁혀진다

용어에서 도메인 그룹을 결정하는 핵심 신호는 마지막 분류단어(suffix)에 집중되어 있다.

실험시작  일시  → 날짜 그룹
시약농도  비율  → 율 그룹
완료      여부  → 분류 그룹

모델이 학습해야 하는 패턴이 비교적 단순하다 → 일반 텍스트 분류보다 샘플 효율이 높다 → 하한선을 조금 낮게 잡을 수 있다.

단, 미등록 분류단어(신규 용어)가 등장하거나 분류단어가 그룹 간 겹치는 경우를 커버하려면 다양성이 중요하다. 같은 분류단어에 수식어만 바꾼 샘플 500개는 진짜 500개만큼의 가치가 없다.

4.3 현재 정보로 낼 수 있는 추정치

1차 목표 추정

클래스당 500개
14개 그룹 × 500 = 총 7,000개

이 숫자는 “클래스 불균형 해소 + KoBERT fine-tuning 수렴 시작” 두 조건을 동시에 만족하는 최소 목표다.

4.4 아직 결정할 수 없는 부분

미확정 요소	이유
현재 클래스별 실제 데이터 수	term_dictionary 내부 분포 미확인
그룹당 분류단어 어휘 수	domain_dictionary 내용 미확인
목표 분류 정확도	아직 정의되지 않음
최종 모델 아키텍처	확정 전

현재 실제 데이터 분포를 확인하면 부족분만 생성하면 되므로, 다음 단계로 term_dictionary와 domain_dictionary의 그룹별 분포를 파악하는 것이 먼저다.

5 증강 방법별 역할 분담 (안)

3가지 방법을 무작정 병렬로 돌리기보다, 각 방법의 장단점에 맞게 역할을 나눈다.

방법	역할	목표 비율
규칙 기반 스크립트	대량의 기본 커버리지 확보	~60%
LLM 멀티턴	의미적 다양성 확보 (특히 희소 클래스)	~30%
RAG 기반 생성	원칙 문서 기반 정합성 높은 샘플 보완	~10%

단, 내용, 보안, 번호, 단위처럼 분류단어 어휘 수 자체가 적은 그룹은 규칙 기반으로 만들 수 있는 조합이 제한적이다. 이 그룹들은 LLM 멀티턴 비중을 높이는 것이 현실적이다.

6 샘플 수 추정 근거: 모델별 상세 분석

6.1 핵심 개념: 모델이 “사전에 얼마나 알고 있는가”

샘플 수 추정의 핵심은 모델이 학습 시작 전에 이미 알고 있는 지식의 양이다.

사전 지식 많음 ──────────────────────→ 사전 지식 없음
KoBERT / ALBERT    fastText / BiLSTM    TF-IDF + SVM
(문맥까지 앎)      (통계 패턴만 앎)      (아무것도 모름)
필요 샘플 ↓              ↓                    ↑

데이터가 하는 역할은 “모델이 모르는 부분을 채우는 것”이다. 이미 많이 아는 모델일수록 적은 데이터로 충분하다.

6.2 KoBERT / ALBERT: 왜 200~500인가

6.2.1 Fine-tuning에서 실제로 학습되는 것

KoBERT를 fine-tuning할 때 일어나는 일:

[KoBERT 사전학습 완료 상태]
  - 한국어 형태소 패턴 학습 완료
  - "일시", "비율", "여부" 같은 단어의 의미 이미 표현 가능
  - 문맥에 따른 의미 변화 이미 학습됨

[Fine-tuning 시 새로 학습해야 하는 것]
  - Classification head만 새로 추가
  - 파라미터 수: 14 × hidden_size(768) = 10,752개
  - Transformer body는 "약간 조정" 수준

10,752개 파라미터를 안정적으로 추정하려면 이론상 그 몇 배의 샘플이 필요하다. 클래스당 200개 × 14 = 2,800개 샘플이면 파라미터 대비 샘플 비율이 약 0.26이다. 이것이 다른 모델이었다면 턱없이 부족하지만, Transformer body가 고품질 표현을 이미 제공하므로 classification head의 학습이 매우 쉬운 문제가 된다.

6.2.2 BERT 원 논문에서 나온 실증

Devlin et al. (2018) BERT 논문의 fine-tuning 실험:

태스크	전체 샘플 수	클래스 수	클래스당 샘플 수
RTE	2,490	2	~1,245
MRPC	3,668	2	~1,834
CoLA	8,551	2	~4,275

2-class 기준이므로, 14-class로 확장하면 클래스당 200~500 수준에서 의미있는 학습이 가능하다는 경험적 기준이 된다.

6.2.3 이 태스크는 더 유리하다

실험시작  일시  → 날짜 그룹
시약농도  비율  → 율 그룹
완료      여부  → 분류 그룹

KoBERT는 “일시”, “비율”, “여부”가 어떤 종류의 단어인지 이미 안다. 모델에게 필요한 것은 “이 표현이 14개 중 몇 번 레이블인지”를 맵핑하는 것뿐이다. 하한선을 200까지 낮게 잡을 수 있는 이유가 여기에 있다.

ALBERT는 KoBERT보다 파라미터를 더 효율적으로 쓰는 구조(parameter sharing)라서 같은 범위 안에 있다.

6.3 200~500은 수식으로 유도 가능한가

결론부터: 정확히 200~500을 수식으로 유도하는 것은 불가능하다.

다만 “왜 사전학습 모델이 적은 데이터로도 되는가”를 이론적으로 지지하는 프레임워크는 존재한다.

6.3.1 시도 1: PAC / VC 이론 — 실패

고전적 통계학습 이론은 다음 bound를 준다.

\[m \geq O\left(\frac{d_{VC} \cdot \log(1/\epsilon) + \log(1/\delta)}{\epsilon}\right)\]

BERT의 파라미터 수 ≈ 1억 1천만. VC dimension이 이와 비례한다고 보면 필요 샘플 수는 수십억 단위가 나온다. 실제 관찰(수백 개로 동작)과 10만 배 이상 차이가 난다. PAC bound는 딥러닝에 적용하면 실용적으로 무의미하다.

6.3.2 시도 2: 파라미터 수 휴리스틱 — 실패

통계학의 전통적 경험칙: “파라미터당 10~20개 샘플”

KoBERT classification head: \(14 \times 768 = 10{,}752\) 파라미터

\[m \geq 10 \times 10{,}752 = 107{,}520\]

실제 관찰(2,800~7,000개)과 10~40배 차이난다. 이 경험칙은 선형 모델 기준이라 사전학습의 효과를 전혀 반영하지 못한다.

6.3.3 이론적으로 지지 가능한 프레임워크: PAC-Bayes

완전한 유도는 아니지만, 방향을 설명하는 가장 정직한 이론 도구다.

\[\mathbb{E}_{h \sim Q}\left[L(h)\right] \leq \mathbb{E}_{h \sim Q}\left[\hat{L}(h)\right] + \sqrt{\frac{KL(Q \| P) + \ln\frac{2\sqrt{m}}{\delta}}{2m}}\]

\(P\): 사전학습 완료 후 가중치 분포 (prior)
\(Q\): fine-tuning 후 가중치 분포 (posterior)
\(KL(Q \| P)\): fine-tuning으로 가중치가 얼마나 이동했는가
\(m\): 학습 샘플 수

일반화 오차의 상한이 \(\sqrt{\frac{KL(Q \| P)}{2m}}\) 에 지배된다. 핵심:

\[KL(Q \| P) \text{ 이 작을수록, 같은 } m \text{ 으로 더 tight한 bound를 얻는다}\]

사전학습 모델은 fine-tuning 시 가중치가 크게 움직이지 않으므로 \(KL(Q \| P)\) 이 작다. 적은 \(m\) 으로도 일반화 bound가 tight해질 수 있다는 이론적 근거다. 그러나 실제 \(KL(Q \| P)\) 를 측정하지 않으면 200~500이라는 구체적 수는 여전히 나오지 않는다.

6.3.4 결론: 200~500은 경험적 관찰의 누적

이론 도구	결과	이유
PAC / VC bound	수십억 → 무의미	딥러닝의 inductive bias 미반영
파라미터 수 휴리스틱	~107,000 → 실제와 괴리	선형 모델 기준, 사전학습 효과 미반영
PAC-Bayes	방향만 설명 가능	\(KL(Q \\| P)\) 실측 없이 수 산출 불가

200~500은 BERT 원 논문 이후 수백 편의 fine-tuning 실험에서 누적된 커뮤니티 경험칙이다. PAC-Bayes로 “왜 적어도 되는가”의 방향은 설명 가능하지만, 정확한 숫자는 이론이 아닌 실험에서 나왔다.

6.4 BiLSTM: 동일 범위인가, 다른가

pre-trained embedding 사용 여부가 결정적이다.

6.4.1 Case 1: 랜덤 초기화 (embedding from scratch)

BiLSTM 파라미터 (hidden=256, 2layer 기준):
  Embedding layer: vocab_size × 256  (vocab에 따라 수십만)
  LSTM weights:    ~4 × (256 + 256) × 256 × 2 ≈ 1M+
  Classifier:      14 × 256 = 3,584

수백만 파라미터를 처음부터 학습해야 한다. 클래스당 200개로는 완전히 under-determined이다. 최소 500~1,000개 이상이 필요하다.

6.4.2 Case 2: Pre-trained embedding 사용 (KoBERT embedding or fastText)

KoBERT의 embedding layer만 가져와서 BiLSTM encoder에 연결하면:

Embedding weights는 freeze 또는 천천히 업데이트
LSTM과 classifier만 새로 학습
실질적으로 학습해야 하는 파라미터가 크게 줄어듦

이 경우 300~500 범위로 내려온다.

6.4.3 BiLSTM 조건별 필요 샘플 수

BiLSTM 조건	필요 샘플 수
랜덤 초기화	500 ~ 1,000+
fastText embedding 사용	400 ~ 800
KoBERT embedding frozen	300 ~ 500

6.5 전통 ML (TF-IDF + SVM/LogReg): 왜 더 많이 드나

전통 ML이 단순히 “더 많이 든다”고 말하기엔 이 태스크는 예외가 있어서 정확히 설명한다.

6.5.1 일반적으로 더 많이 드는 이유

TF-IDF는 단어/n-gram 빈도를 그대로 feature로 쓴다. 아무런 사전 의미 지식이 없다.

"실험시작일시"  →  TF-IDF  →  [실험:0.3, 시작:0.2, 일시:0.4, 시작일:0.3, ...]
"장비등록일시"  →  TF-IDF  →  [장비:0.3, 등록:0.2, 일시:0.4, 등록일:0.3, ...]

“일시”가 날짜 그룹임을 모델이 처음부터 직접 학습해야 한다. 이를 위해 다양한 수식어+주제어 조합이 충분히 들어와야 일반화된 결정경계를 만들 수 있다.

6.5.2 그러나 이 태스크에서는 상황이 다르다

character n-gram TF-IDF를 쓰면, suffix를 직접 feature로 잡는다:

# character 2-gram, 3-gram
"실험시작일시"  →  ["실험", "험시", "시작", "작일", "일시"]  ← "일시"가 feature로 직접 등장

SVM은 “일시” feature가 날짜 그룹에만 나타남을 빠르게 학습할 수 있다. 이 태스크에서는 500개 이하로도 SVM이 잘 동작할 가능성이 있다.

6.5.3 그럼에도 더 많이 필요한 상황

분류단어 어휘가 그룹 간 겹치는 경우 (예: “코드”가 여러 그룹에 등장)
처음 보는 수식어+주제어 조합 (rare combination)
Semantic generalization이 필요한 경우

이런 상황에서 TF-IDF는 의미 기반 일반화가 안 되므로 충분한 커버리지가 필요하다. “수백 ~ 1,000개”는 이를 감안한 보수적 추정이다.

6.6 fastText / 경량 임베딩: 왜 더 많이 드나

fastText는 사전학습된 subword 임베딩을 사용한다. KoBERT처럼 적게 들어야 할 것 같은데, 왜 더 많이 드는가?

6.6.1 이유 1: Static embedding (문맥이 없다)

KoBERT: "시작일시"에서 "일시" → 문맥에 따라 다른 벡터 생성
fastText: "시작일시"에서 "일시" → 항상 동일한 벡터

Contextual representation이 없으면, 같은 분류단어라도 다양한 문맥에서 나타나는 패턴을 학습하려면 더 많은 샘플이 필요하다.

6.6.2 이유 2: Classifier가 단순하다

fastText 구조:
  input → subword n-gram 평균 벡터 (300d) → linear classifier (14 class)

KoBERT fine-tuning:
  input → 12-layer transformer (768d, contextual) → linear classifier

표현력이 훨씬 낮다. 낮은 표현력을 데이터로 보완해야 한다.

6.6.3 이유 3: Subword 평균이 정보를 희석시킨다

"실험시작일시" → ["실험", "시작", "일시", "실험시", "시작일"] → 평균 벡터

모든 subword의 평균이라 마지막 “일시”의 정보가 다른 성분들에 의해 희석된다. KoBERT의 attention mechanism은 “일시”에 집중할 수 있지만, fastText 평균은 그게 안 된다.

6.7 전체 비교 요약

모델	사전 지식	Contextual	표현력	클래스당 추정
KoBERT fine-tuning	높음	O	높음	200 ~ 500
ALBERT fine-tuning	높음	O	높음	200 ~ 500
BiLSTM (KoBERT embedding frozen)	중간	△	중간	300 ~ 500
BiLSTM (fastText embedding)	중간	X	중간	400 ~ 800
BiLSTM (랜덤 초기화)	없음	X	중간	500 ~ 1,000+
fastText	중간 (subword)	X	낮음	500 ~ 2,000
TF-IDF + SVM/LR	없음	X	낮음	수백 ~ 1,000

경고

위 추정은 전부 “일반 텍스트 분류 태스크 기준”이다. 이 태스크는 suffix 패턴이 매우 강한 신호이므로 전 모델에서 하한선을 낮게 볼 수 있다. 최종적으로 신뢰할 수 있는 숫자는 Learning Curve 실험을 통해 직접 확인해야 한다.

7 Learning Curve로 샘플 수 결정하기

이론적 추정이 200~500이라는 범위를 주었다면, Learning Curve 실험은 이 범위 안에서 실제로 몇 개면 충분한지를 데이터로 확인하는 과정이다.

7.1 실험 설계 원칙

Learning Curve 실험의 구조는 하나다: 샘플 수를 바꾸면서 동일 조건으로 학습하고, 고정된 test set에서 정확도를 비교한다.

SIZES_PER_GROUP = [50, 100, 200, 300]  # 실험할 그룹당 샘플 수

세 가지 원칙이 결과의 신뢰도를 결정한다.

원칙 1: Stratified sampling — 모든 클래스를 균등하게

sampled = pd.concat([
    g.sample(n=min(n, len(g)), random_state=42)
    for _, g in df_train.groupby('label')
])

그룹당 정확히 n개씩 샘플링한다. 단순 random sampling을 쓰면 희소 클래스가 누락되어 클래스 불균형 효과와 샘플 수 효과가 뒤섞인다. Stratified sampling은 두 효과를 분리한다.

원칙 2: 매 실험마다 모델 재초기화 — 이전 학습 결과를 이어받지 않는다

def train_and_evaluate(X_tr, y_tr, X_te, y_te, epochs=5, ...):
    m = KoBertClassifier(MODEL_NAME, num_classes).to(device)  # 새 모델
    ...
    return acc

샘플 수가 늘어날 때 성능이 오르는 것이 “더 많은 데이터 덕분”인지 “더 많은 학습 스텝 덕분”인지 구분해야 한다. 매번 새 모델을 만들어 동일한 epoch 수로 학습하면 순수하게 데이터 양의 효과만 측정된다.

원칙 3: 고정된 test set — 모든 실험에 동일한 기준자

acc = train_and_evaluate(
    sampled['domain'].tolist(), sampled['label'].values,
    X_test, y_test,   # ← 항상 동일
    epochs=LC_EPOCHS
)

test set이 바뀌면 정확도 변화가 데이터 양의 효과인지 test set 구성의 차이인지 알 수 없다.

7.2 실험 결과

그룹당 샘플 수	전체 학습 데이터	Test Accuracy	구간 증가
50	700	59.1%	—
100	1,400	89.2%	+30.1%p
200	2,800	95.9%	+6.7%p
300	4,200	96.8%	+0.9%p
302 (전체)	4,501	97.4%	+0.6%p

50→100 구간의 +30.1%p가 압도적으로 크고, 200개부터 증가폭이 급격히 줄어든다. 300개 이후는 사실상 plateau다.

7.3 Plateau 판정 로직

accs = lc_df['accuracy'].values
last_gain = (accs[-1] - accs[-2]) * 100   # 마지막 구간 정확도 향상 (%p)

if abs(last_gain) < 1.0:
    print("→ 이미 plateau 도달. 현재 데이터 양이 충분합니다.")
elif last_gain > 0:
    print("→ 아직 상승 중. 데이터를 더 늘리면 개선 여지가 있습니다.")
else:
    print("→ 오히려 하락. 데이터 품질 문제일 수 있습니다.")

이 실험의 판정:

마지막 구간 정확도 향상: +0.62%p
→ 이미 plateau 도달. 현재 데이터 양이 충분합니다.

임계값 1.0%p는 절대적인 기준이 아니다. 목표 정확도와 업무 맥락에 따라 조정한다. 이 태스크에서는 97% 수준이 실용적으로 충분하므로 0.62%p 추가 이득을 위해 데이터를 더 수집할 필요가 없다.

하락(-) 케이스는 데이터 품질 문제를 시사한다. 샘플 수를 늘렸는데 성능이 떨어지면, 추가된 합성 데이터가 실제 분포를 왜곡하고 있다는 신호다.

7.4 이 실험이 이론 추정보다 신뢰할 수 있는 이유

비교 항목	이론 추정	Learning Curve
근거	커뮤니티 경험칙, PAC-Bayes 방향성	실제 데이터 + 실제 모델로 직접 측정
태스크 특성 반영	부분적 (suffix 신호 강도 등 미반영)	완전 반영
출력 형태	범위 (200~500)	구체적 숫자 (300개면 충분)
모델 아키텍처 의존성	높음 (모델마다 다시 추정)	낮음 (실험이 자동 반영)

이론 추정은 “어느 범위를 실험해야 하는가”를 정하는 데 유용하고, Learning Curve는 그 범위 안에서 실제 필요량을 확정하는 데 쓴다. 두 접근이 순서상 보완 관계다.

8 결론

요약

클래스당 500개, 총 7,000개를 1차 목표로 잡는 것이 합리적이다
양보다 다양성이 먼저다 — 같은 분류단어 + 수식어만 교체한 샘플의 중복을 피해야 한다
현재 데이터 분포 확인이 선행되어야 증강 목표량을 정확히 계산할 수 있다
최종 검증은 Learning Curve로 — 클래스당 100, 200, 400, 500개씩 늘려가며 validation accuracy가 plateau가 되는 지점을 실험으로 확인한다

9 관련 주제

선행 지식

관련 개념

Fine-tuning 샘플 수 추정 이론