본 논문은 다양한 질적 특성(이미지 품질, 라벨 정확성 등)을 가진 의료 이미지를 이용한 범용 병변 탐지(ULD)에서 딥러닝 모델 학습의 효율성을 높이는 새로운 방법을 제시합니다. 기존의 자기주도 커리큘럼 학습(SCL)이나 온라인 어려운 예제 마이닝(OHEM)과 같은 방법들은 손실 값 기반으로 이미지 가중치를 조정하지만, 손실 값만으로는 다양한 상황을 최적으로 처리하기 어렵고, 어려운 예제의 과소 또는 과다 활용 문제가 있습니다. 본 논문에서는 미니배치 샘플링(MBS)에 주목하여, 미니배치 내 샘플 간의 상호 작용을 고려한 새로운 방법인 혼합 순서 미니배치 샘플링(MoMBS)을 제안합니다. MoMBS는 손실과 불확실성을 모두 고려하여 고손실 샘플을 정확하게 분류하고, 특히 과소표현된 샘플을 우선적으로 활용하여 학습 효율을 높입니다. 잘못 라벨링된 샘플이나 과적합된 샘플의 부정적 영향을 최소화하기 위해 혼합 순서 미니배치 샘플링 설계를 적용합니다.
