본 논문은 레이블 없는 데이터의 활용도를 극대화하기 위한 새로운 데이터 중심적 패러다임을 제시합니다. 기존 모델 중심 접근 방식의 세 가지 주요 한계점(모델 파라미터에 데이터에서 추출된 지식이 고정되어 재사용성 및 확장성이 저해됨)을 지적하고, 이를 해결하기 위해 레이블 없는 데이터를 공동으로 최적화하는 고효율 병렬 프레임워크인 CoOpt를 제안합니다. CoOpt는 레이블 없는 데이터를 분산하고 공개적으로 이용 가능한 작업 비의존적 모델을 활용하여 확장 가능하고, 재사용 가능하며, 지속 가능한 학습 파이프라인을 가능하게 합니다. 다양한 데이터셋과 아키텍처에 대한 광범위한 실험을 통해 Tiny-ImageNet과 ImageNet-1K에서 각각 13.6%와 6.8%의 성능 향상과 1.94배 및 1.2배의 학습 속도 향상을 달성함을 보여줍니다.