본 논문은 기존 연구에서 심층 학습(DL) 모델이 이상치 데이터에서 그레이디언트 부스팅 의사결정 트리(GBDT)보다 성능이 떨어지는 현상을 확인하고, 이러한 현상이 이상적인 설정에 국한된다는 점을 지적합니다. 실제 시나리오의 복잡성을 고려하여, 레이블이 부족한 표 형식 학습-순위 매기기(LTR) 문제 설정에서 DL 모델이 GBDT를 능가할 수 있음을 보여줍니다. 특히, 검색 및 추천과 같은 표 형식 LTR 응용 프로그램은 레이블이 부족하지만, 레이블이 없는 데이터가 풍부한 경우가 많습니다. 본 논문은 DL 순위 매기기 모델이 비지도 사전 학습을 통해 이러한 레이블이 없는 데이터를 활용할 수 있음을 보이고, 공개 및 독점 데이터 세트에 대한 광범위한 실험을 통해 사전 학습된 DL 순위 매기기 모델이 GBDT 순위 매기기 모델보다 순위 지표에서 일관되게 우수한 성능을 보임을 증명합니다(최대 38% 향상).
