본 논문은 대규모 데이터셋에 의존하는 딥러닝의 높은 저장 및 훈련 비용 문제를 해결하기 위해, 중복된 데이터를 제거하는 데이터셋 가지치기(pruning) 기법을 제시합니다. 기존 방법들이 전체 데이터셋으로 모델을 여러 에포크 동안 훈련해야 하는 단점을 극복하고자, 예제의 난이도와 예측 불확실성을 고려하는 Difficulty and Uncertainty-Aware Lightweight (DUAL) 점수를 도입하여 초기 훈련 단계부터 중요한 샘플을 식별합니다. 또한, 과도한 가지치기로 인한 정확도 저하 문제를 해결하기 위해 Beta 분포를 이용한 비율 적응형 샘플링 기법을 제안합니다. 다양한 데이터셋과 학습 환경(라벨 노이즈, 이미지 손상, 모델 구조 일반화)에서 실험을 통해 기존 최첨단 기법보다 우수한 성능을 보임을 입증합니다. 특히 ImageNet-1k에서는 기존 방법 대비 가지치기 시간을 66% 단축하면서 90% 가지치기 비율에서 60%의 테스트 정확도를 달성했고, CIFAR 데이터셋에서는 시간 비용을 15%로 줄이면서 최첨단 성능을 유지했습니다.
