본 논문은 기계 학습 모델 선택 시 다양한 목표(예: 성능, CO2 소비량)를 고려하는 방법을 제안합니다. 서로 다른 단위와 척도를 가진 비교 불가능한 목표들을 누적분포함수(CDF)를 통해 상대 순위로 변환하여 비교 가능하게 만들고, 사용자의 선호도에 맞춰 집계하는 방법을 제시합니다. 이를 통해 Pareto 최적 전선(Pareto front)에서 의미 있는 모델 검색 및 탐색을 가능하게 합니다. 대규모 언어 모델(LLM) 선택, 도메인 일반화, AutoML 벤치마킹 등 기존 방법이 실패하는 다양한 분야에서 본 방법론의 잠재적 영향을 보여줍니다.
