기존 차량 소유자의 미래 차량 구매 예측은 극심한 클래스 불균형(<0.5% 양성률)과 복잡한 행동 패턴으로 인해 어려운 과제입니다. 본 논문에서는 이러한 과제를 해결하기 위해 REMEDI(Relative feature Enhanced Meta-learning with Distillation for Imbalanced prediction)라는 새로운 다단계 프레임워크를 제안합니다. REMEDI는 먼저 다양한 기본 모델을 훈련하여 사용자 행동의 상호 보완적인 측면을 포착합니다. 두 번째로, 비교 최적화 기법에서 영감을 얻어 상대적 성능 메타 특징(앙상블 평균과의 편차, 동료들 사이의 순위)을 도입하여 하이브리드 전문가 아키텍처를 통해 효과적인 모델 융합을 수행합니다. 세 번째로, MSE 손실을 사용한 지도 미세 조정을 통해 앙상블의 지식을 단일 효율적인 모델로 증류하여 실제 배포를 가능하게 합니다. 약 800,000명의 차량 소유자를 대상으로 평가한 결과, REMEDI는 기준 접근 방식보다 훨씬 뛰어난 성능을 보였으며, 상위 60,000개 권장 사항 내에서 실제 구매자의 약 50%를 약 10%의 정밀도로 식별하는 비즈니스 목표를 달성했습니다. 증류된 모델은 앙상블의 예측력을 유지하면서 배포 효율성을 유지하여 산업 환경에서 불균형 예측에 대한 REMEDI의 효과를 입증합니다.
