본 논문은 자기지도 학습 기반의 복잡한 데이터 마이닝 알고리즘을 제안하고, 실험을 통해 그 효과를 검증합니다. AdamW optimizer와 0.002 학습률의 조합이 최적의 성능을 보였으며, 대조 학습, 변분 모듈, 데이터 증강 전략이 모델의 일반화 능력과 강건성에 중요한 역할을 한다는 것을 밝혔습니다. 손실 함수의 수렴 곡선 분석을 통해 안정적인 수렴과 과적합 방지를 확인하였고, 다양한 데이터셋과 분포 조건에서 높은 분류 정확도를 달성하여 복잡한 데이터 환경에서의 적용 가능성을 입증했습니다. 결론적으로, 제안된 방법은 비표지 데이터로부터 고품질 특징을 효과적으로 추출하고, 분류 성능을 향상시키며, 모델의 안정성을 높입니다.
