통신 분야에서 인공지능의 활용이 증가하면서 데이터 양과 학습 요구 사항이 급증했다. 통신 데이터는 잡음이 많고 차원이 높으며 저장, 처리 및 레이블링에 비용이 많이 든다. 이 논문은 기존 학습 방식에서 모든 훈련 샘플이 동일한 중요성을 가진다는 가정을 재고하며, 개별 샘플의 역할을 분석하고 계산 및 에너지 사용을 최적화하는 모델을 제안한다. 샘플별 그래디언트 분석을 통해 학습 패턴을 파악하고, 영향력 있는 데이터를 선택적으로 우선순위로 지정하여 정확도를 유지하면서 데이터 요구 사항과 계산 오버헤드를 줄이는 샘플 중요도 프레임워크를 제시한다. 실제 통신 데이터셋에 대한 실험 결과, 성능을 유지하면서 데이터 요구량과 계산 비용을 줄이고 지속 가능한 인공지능 개발에 기여함을 입증했다.
