본 논문은 기존 회귀 분석의 한계를 극복하기 위해 기울기 정렬 회귀(GAR, Gradient Aligned Regression) 방법을 제안합니다. 기존 회귀 분석은 개별 데이터 샘플에 대한 예측값과 실제값의 차이에만 집중하는 반면, GAR은 레이블 유사성을 고려하여 기울기 정렬을 위한 쌍별 레이블 차이 손실을 추가합니다. 이를 통해 기존 방법의 높은 계산 비용과 이론적 근거 부족 문제를 해결합니다. GAR은 기존 회귀 손실과 두 가지 쌍별 레이블 차이 손실(크기 및 방향)로 구성되며, 쌍별 손실의 계산 복잡도를 선형으로 줄여 기존 회귀 손실과 동일한 효율성을 제공합니다. 본 논문에서는 합성 데이터셋 두 개와 여섯 개 벤치마크 데이터셋의 여덟 개 실제 작업에 대한 실험을 통해 GAR의 효과를 입증하고, 경쟁력 있는 다른 여덟 가지 기준 모델과 비교 분석합니다. 현재 연구는 잡음, 이상치 또는 분포 변화가 없는 깨끗한 데이터 설정에 한정됩니다.
