본 논문은 기존의 지도 학습 방식이 정답 레이블의 존재를 가정하고 주석자 간의 불일치를 노이즈로 간주하는 것에 대한 한계를 지적합니다. 특히 감정 분석이나 혐오 발언 탐지와 같이 주관적인 작업에서는 불일치가 자연스럽게 발생하기 때문에, 이러한 불일치를 완전히 제거하는 것은 어렵습니다. 따라서 본 논문은 데이터 관점론(data perspectivism)이라는 새로운 접근 방식을 제시합니다. 데이터 관점론은 주석자 간의 불일치를 활용하여 작업의 고유한 불확실성을 유지하는 모델을 학습하는 것을 목표로 합니다. 기존의 데이터 관점론 방법들이 불일치만을 불확실성의 원천으로 사용하는 것에 대한 한계를 극복하고자, 본 논문은 주석을 주석자의 의견으로 명시적으로 인코딩하는 유연한 프레임워크인 주관 논리 인코딩(Subjective Logic Encodings, SLEs)을 제안합니다. SLEs는 주관 논리 이론을 기반으로 레이블을 디리클레 분포로 인코딩하고, 주석자의 신뢰도, 신뢰성 및 불일치와 같은 다양한 유형의 주석 불확실성을 목표에 체계적으로 인코딩하고 집계하는 방법을 제공합니다. 또한 SLEs가 다른 유형의 레이블 인코딩의 일반화임을 보여주고, 분포 일치 목표를 사용하여 SLEs를 예측하는 모델을 추정하는 방법을 제시합니다.
