머신 러닝(ML) 모델 선택 시, 정확도, 견고성, 공정성, 확장성 등 다양한 목표를 고려해야 하지만, 서로 다른 단위와 척도로 측정되어 비교, 집계, 상충 관계를 파악하기 어렵다. 본 연구에서는 사용자가 파레토 프론트를 체계적으로 탐색할 수 있도록 목표를 자동 정규화하고 집계하는 방법을 연구한다. 상대적 순위를 사용하여 누적 함수를 근사함으로써 비교할 수 없는 목표를 비교 가능하게 만들고, COPA라는 접근 방식을 제안한다. COPA는 사용자별 선호도에 맞춰 목표를 집계하여 실무자가 파레토 프론트에서 모델을 효과적으로 탐색하고 검색할 수 있도록 한다. COPA의 잠재적 영향력을 공정 ML, 도메인 일반화, AutoML, 파운데이션 모델 등 다양한 ML 분야의 모델 선택 및 벤치마킹 작업에서 보여준다.
