본 연구는 실제 머신러닝에서 발생하는 누락 및 잡음 데이터와 같은 데이터 손상이 모델 성능에 미치는 영향을 조사하고, 자연어 처리(NLP) 감독 학습 및 교통 신호 최적화를 위한 심층 강화 학습(RL) 두 가지 실험 설정을 통해 이러한 영향을 완화하기 위한 전략을 탐구합니다. 데이터 손상 수준과 모델 성능 간의 관계를 분석하고, 데이터 대체 방법의 효과를 평가하며, 데이터 손상 문제 해결을 위한 데이터셋 확장의 유용성을 평가합니다. 연구 결과, 데이터 손상 하에서의 모델 성능은 지수 함수로 모델링되는 감소 수익 곡선을 따르며, 누락 데이터는 해로운 영향을 미치지만 잡음 데이터보다 피해가 적고, 잡음 데이터는 특히 Signal-RL과 같은 순차적 의사결정 작업에서 심각한 성능 저하와 훈련 불안정성을 유발합니다. 대체 전략은 정보를 복구하지만 잡음을 도입할 수 있는 절충안을 포함하며, 그 효과는 대체 정확도와 손상 비율에 따라 달라집니다. 또한, 데이터셋 크기를 늘리면 데이터 손상의 영향을 완화할 수 있지만 완전히 극복할 수는 없으며, 손상이 증가함에 따라 추가 데이터의 한계 효용이 감소한다는 것을 발견했습니다. 대략 30%의 데이터가 성능 결정에 중요하고 나머지 70%는 최소한의 영향을 미친다는 경험적 규칙이 나타났습니다. 이러한 결과는 잡음이 많은 환경에서 강력한 머신러닝 시스템 개발을 위한 데이터 전처리, 대체 전략 및 데이터 수집 관행에 대한 실행 가능한 통찰력을 제공합니다.
