데이터셋과 라벨

레이다 AI의 성능은 모델보다 데이터가 먼저 정한다. 대표 공개 데이터셋 다섯 개를 논문과 실제 공개 자료로 비교하면, 좋은 데이터셋이 무엇을 제공해야 하는지 알 수 있다. 데이터셋이 정한 분할, 클래스 불균형, 라벨 예산은 그대로 학습 전략이 된다. 라벨이 부족하거나 비싸면 라벨 없이 구조를 배우거나, 데이터에서 학습 신호를 만들거나, 꼭 필요한 샘플에만 라벨을 붙인다.

공개 데이터셋 논문부터 읽는 이유

공개 데이터셋을 쓰기 전에 무엇을 읽어야 하는가?

공개 데이터셋을 볼 때 가장 흔한 실수는 텐서 모양(shape), 클래스 수, 샘플 수만 적어 두고 끝내는 것이다. 실제 연구에서는 그 데이터셋이 어떤 문제를 풀려고 설계되었는지, 저자가 일반화(generalization)를 어떤 축으로 확보하려 했는지, 어떤 전처리와 표현(representation)을 이미 제공하는지, 후속 논문이 실제로 무엇을 다시 썼는지까지 알아야 한다.