본 논문은 다양한 목표(정확도, 견고성, 공정성, 확장성 등)를 기반으로 수많은 훈련된 머신러닝 모델 중 하나를 선택해야 하는 머신러닝 실무자의 어려움을 해결하는 방법을 제시합니다. 서로 다른 단위나 척도로 측정되는 여러 목표들을 효율적으로 비교, 집계 및 절충하는 것은 전문 지식이 필요하고 시간이 오래 걸리는 작업입니다. 본 연구에서는 누적 분포 함수(CDF)를 이용하여 비교 불가능한 목표들을 상대적인 순위를 통해 비교 가능하게 만들고, 사용자의 특정 선호도에 맞춰 목표들을 집계하여 파레토 최적 전선을 체계적으로 탐색하는 방법을 제시합니다. COPA라는 접근 방식을 통해 공정한 ML, 도메인 일반화, AutoML 및 기반 모델과 같은 다양한 ML 영역에서 기존의 정규화 및 집계 방법의 한계를 극복하고 모델 선택 및 벤치마킹 작업의 효율성을 높일 수 있음을 보여줍니다.
