본 논문은 레이블되지 않은 데이터를 최적화하여 딥러닝 학습의 효율성과 지속 가능성을 높이는 새로운 데이터 중심 패러다임을 제시한다. 기존 모델 중심 접근 방식의 한계를 지적하고, 데이터 자체에 지식을 인코딩하는 효율적인 병렬 프레임워크인 CoOpt를 제안한다. CoOpt는 레이블되지 않은 데이터를 분산하고 공개적으로 사용 가능한 task-agnostic 모델을 활용하여 확장 가능하고 재사용 가능한 지속 가능한 학습 파이프라인을 가능하게 한다. Tiny-ImageNet 및 ImageNet-1K에서 각각 13.6% 및 6.8%의 성능 향상과 $1.94 \times $ 및 $1.2 \times$의 학습 속도 향상을 달성했다.
