본 논문은 의료 진단과 같이 누락된 검출이 심각한 결과를 초래할 수 있는 안전 중요 분야에서 0회의 누락 검출과 최소한의 오탐을 달성하는 것을 목표로 하는 혁신적인 동적 분류 알고리즘을 제안합니다. 알고리즘은 자기 지도 학습으로 생성된 방식으로 데이터를 분할하여 모델이 데이터 분포를 이해하도록 학습하고, 훈련 세트와 테스트 세트를 N개의 서로 다른 하위 영역으로 나눕니다. 각 하위 영역에는 선형 또는 랜덤 포레스트 모델과 같은 동일한 유형의 모델이 있어 해당 하위 영역의 결과를 예측합니다. 또한, 하위 영역 경계를 사용하여 예측 결과를 개선하고 추가 모델 없이 부적합한 결과를 걸러냅니다. 이를 통해 각 모델은 더 작은 데이터 범위 내에서 작동하고 부정확한 예측 결과를 제거하여 전반적인 정확도를 향상시킵니다. 실험 결과에 따르면, 최소한의 데이터 분할 오류로 알고리즘은 0회의 누락 검출과 최소한의 오탐으로 뛰어난 성능을 달성하며, XGBoost나 LGBM 모델과 같은 기존 앙상블보다 성능이 우수합니다. 분류 오류가 더 커도 최첨단 모델과 비교할 만한 수준을 유지합니다. 주요 혁신에는 자기 지도 분류 학습, 소규모 하위 집합 예측, 추가 모델 지원 없이 예측 결과를 최적화하고 부적합한 결과를 제거하는 것이 포함됩니다.
