구조적 인과 모델(SCM) 기반의 반지도 도메인 적응(SSDA) 이론 프레임워크를 제시하며, 저차원 개입(intervention) 구조를 활용해 레이블된 타깃 샘플 복잡도가 전체 차원이 아닌 개입 차원에 비례하는 미니맥스 최적 성능을 달성함을 증명한다. 분포 변화가 불충분하게 특정될 경우 다중 적응적 시작점 파인튜닝(MASFT) 알고리즘을 통해 대수적 오버헤드만으로 최적 전략을 선택할 수 있음을 이론적·실험적으로 검증한다.
The VAMOS++ magnetic spectrometer is a multi-parametric system that integrates ion optical magnetic elements with a multi-detector stack. The magnetic elements, along with the tracking and timing detectors and the trajectory reconstruction method, provide the analysis of the magnetic rigidity, the trajectory length between the beam interaction point and the focal plane of the spectrometer, and the related velocity and mass-over-charge ratio. The segmented ionization chamber provides the energy measurements necessary to analyze the atomic charge state and atomic number. However, this analysis critically suffers from inherent limitations due to the variable thickness and non-uniformity of the entrance window of the ionization chamber and other detector imperfections. Conventionally, this meticulous, detailed analysis is exceptionally tedious, often requiring several months to complete. We present a novel method utilizing deep neural networks, trained on an experimental dataset with only a small fraction of precisely labeled events for the lowest and best-resolved atomic charge states or numbers. This innovative approach enables the networks to autonomously and accurately classify the remaining events. This method drastically accelerates the acquisition of high-resolution atomic charge state and atomic number spectra, reducing analysis time from months to mere hours. Crucially, by discarding human bias, this approach ensures standardized, optimal, and reproducible results with unprecedented efficiency.
적응형 예측-기반 추론(PPI++)의 점근적 공짜 점심 보장을 평균 추정 문제의 유한 표본 분석으로 재검토하여, PPI++가 골드 스탠다드 레이블만 사용한 추정보다 추정 오차가 더 큰 설정을 특성화하고 의사 레이블과 골드 스탠다드 레이블 간 상관관계가 표본 수 n에 의존한 임계값 이상일 때만 우위가 나타난다는 필요충분조건을 제시한다. 표본 분할 하 PPI++ 분산의 정확한 비점근적 표현을 제공하고, 가우시안 데이터에서는 상관관계가 1/√(n-2) 이상일 때만 개선되는 등 이론적 결과가 실제 데이터셋에서도 확인된다.
오픈셋 준지도 학습에서 샘플 필터링과 소프트 가중의 트레이드오프를 피하기 위해, 지도 그래디언트를 앵커로 충돌하는 보조 그래디언트를 그래디언트 공간의 허용 영역에 투영하는 기하학적 그래디언트 정정(Geometric Gradient Rectification, GGR) 플러그인을 제안한다. CIFAR·ImageNet 벤치마크에서 GGR은 대표 OSSL 베이스라인을 대부분 설정에서 개선해 클로즈드셋 일반화와 오픈셋 견고성을 함께 높였다.
비전-언어 모델(VLM) 파인튜닝 시 발생하는 평탄한(flat) softmax 확률 분포 문제를 원인으로 지목하고, 온도(temperature) 파라미터로 softmax 출력을 날카롭게 만들어 미레이블 데이터 활용률과 학습 감독 신호를 강화하는 반지도 퓨샷 학습(SSFSL) 방법인 SWIFT를 제안한다. SWIFT는 VLM 파인튜닝과 단계별 오픈 데이터 검색을 결합하여 5개 벤치마크에서 기존 FSL 및 SSL 방법 대비 약 5%p 높은 정확도를 달성하며 완전 지도학습에 근접하는 성능을 보인다.
픽셀 수준 어노테이션 부족 문제를 해결하기 위해, 경량 CNN(UNeXt)과 트랜스포머(Swin-Unet)를 이종 크로스 슈퍼비전으로 공동 학습하는 반지도학습 프레임워크 DACL을 제안하며, KL 발산과 엔트로피 기반 신뢰도 정렬을 결합한 이중 합의 일관성 손실(DAC loss)로 신뢰도 낮은 의사 레이블을 억제한다. 레이블 데이터 5% 조건에서 태아 두부·복부 데이터셋(HC18, F-Abd) 기준 최신 반지도 방법 대비 Dice를 최대 2.77% 향상시키고 HD95를 최대 14.69 mm 감소시켜 경계 정확도를 크게 개선했다.
데이터 스트림에서의 준지도학습(SSL)은 대용량 데이터의 지속적인 변화와 레이블 부족으로 인해 어렵다. 기존 방법들은 고정된 유사도 측정이나 정적 그래프 구조에 의존하기 때문에 샘플 간 내재적 관계를 활용하는 데 한계가 있으며, 시간에 따라 관계가 어떻게 변화하는지 포착하지 못한다. 우리는 SLeDGe를 제안한다. 이는 엄격한 메모리 및 레이블 제약 조건 하에서 예측 모델과 적응형 그래프 구조를 함께 학습하는 데이터 스트림용 SSL 방법이다. SLeDGe는 서로 다른 업데이트 전략을 사용하여 레이블된 메모리와 레이블되지 않은 메모리를 컴팩트하게 유지하며, 새로운 특징에 대한 빠른 적응과 과거 일관성 보존 사이의 균형을 맞춘다. 또한 관계 그래프에서 희소성(sparsity)을 장려함으로써 SLeDGe는 허위 연결을 제거하고 레이블 지도(supervision)의 효과적인 전파를 가능하게 한다. 12개의 데이터셋에 걸쳐 SLeDGe는 최신 경쟁 방법들을 능가하며, 레이블 비율 0.1%에서 평균 31.7%, 1%에서 14.8%의 상대적 정확도 향상을 달성한다.
무선 주파수(RF) 모니터링은 우주 영역 인식에 필수적이지만, 레이블이 거의 없는 크고 가변적이며 희소한 데이터셋을 생성하는 경우가 많습니다. 이러한 관측 데이터는 위성, 우주 잔해물, 전리층 배경을 포착할 수 있으나, 해석에는 일반적으로 전문 분야 지식이 필요합니다. 지도 심층 학습(deep learning) 방법은 레이블된 RF 데이터에서 높은 성능을 발휘할 수 있지만, 많은 수의 주석된 예제가 필요하며 RF 환경이 변화할 때 신중한 재학습이 필요할 수 있습니다. 준지도 학습 방법은 레이블 없는 관측 데이터를 활용하여 전문가가 해석할 수 있는 잠재 패턴을 드러냄으로써, 데이터가 제한된 환경에서 실용적인 대안을 제공합니다. 본 논문에서는 자동 모델(model) 결정 기능이 있는 비음수 행렬 분해(NMFk), 전문가 기반 클러스터 해석, 분류(classification) 기반 예측을 결합한 위성 모니터링용 준지도 RF 탐지 및 분류 워크플로를 제시합니다. 먼저 RF 관측 데이터를 비음수 특징(feature) 행렬로 표현하고 NMFk를 적용하여 레이블 없는 데이터의 패턴을 가장 잘 포착하는 클러스터 수를 추정합니다. 이후 분야 전문가들이 위성 탐지, 전리층 환경 조건, 기타 RF 이벤트 범주를 포함한 결과 클러스터에 물리적 의미를 부여합니다. 마지막으로, 해석된 클러스터를 기반으로 분류기를 학습시켜 테스트 세트에서의 성능을 평가하고 향후 관측 데이터를 분류합니다. 이 파이프라인은 비지도 분해와 전문가 해석을 결합함으로써 대규모 사전 레이블 데이터셋에 대한 의존도를 줄이고, RF 데이터에서의 행동 탐지, 관측, 분류를 위한 해석 가능하고 전이 가능한 방법론을 구현합니다.
비전 파운데이션 모델은 컴퓨터 비전(CV)을 크게 발전시켜, 제로샷 및 퓨샷 설정에서 최첨단 성능을 가능하게 했다. 이들은 컴퓨터 단층촬영(CT)에서의 장기 분할부터 광학 현미경에서의 세포 분할에 이르기까지 다양한 생의학 영상 과제에 성공적으로 적용되어 왔다. 전자현미경(Electron Microscopy, EM)은 나노미터 스케일의 해상도로 인해 세포 초미구조 분석의 핵심 영상 기법이다. 그러나 EM에서 파운데이션 모델의 적용은 지금까지 미토콘드리아와 같은 특정 세포소기관에 제한되어 왔으며, 이는 주로 분할 과제의 다양성과 포괄적으로 주석된 데이터의 부족 때문이다. 그 결과 EM 분할은 여전히 지도 학습에 주로 의존하며, 광범위한 수동 주석을 필요로 하고 초미구조 분석을 제한하고 있다. 이 공백을 해소하기 위해, 우리는 파운데이션 모델을 활용하는 준지도 학습 및 도메인 적응을 위한 프레임워크인 μMatch를 제안한다. 우리는 최첨단 학생-교사(student-teacher) 기반 방법을 구현하고, 미토콘드리아, 핵, 신경돌기(neurite) 분할을 포함한 도전적인 EM 과제에서 여러 파운데이션 모델(SAM, SAM2, μSAM, DINOv2/v3)을 평가한다. 우리 결과는 강력한 기준선 대비 일관된 성능 향상을 보여주며, EM에서 주석 작업 노력을 크게 줄이는 방향을 제시한다.
비전-언어-행동(VLA) 모델은 로봇이 시각적 관측과 언어 지시로부터 직접 행동을 예측할 수 있게 하지만, 새로운 환경에 대한 적응은 여전히 비용이 큰 행동 라벨 시연에 의존한다. 이 의존성을 줄이기 위해, 우리는 제한된 감독 신호 하에서의 반지도 VLA 적응을 연구한다. 전체 궤적 중 소수만 로봇 행동을 포함하고, 나머지 궤적은 행동 라벨이 없는 비전-언어 관측을 제공하는 설정이다. 표준 반지도 학습과 달리, 누락된 감독은 시각적으로 그라운딩(grounding)되어야 하고, 언어와 일관되어야 하며, 물리적으로 실행 가능하고, 시간적으로 안정적인 체화된(embodied) 행동 신호이다. 이 문제를 해결하기 위해, 우리는 라벨 없는 궤적에서 신뢰할 수 있는 pseudo-action으로부터 학습하는 자기 증류(self-distilled) teacher-student 프레임워크인 SemiVLA를 제안한다. SemiVLA는 비전-언어 정렬(alignment), 행동 실행 가능성, 시간적 전이 일관성을 평가하는 VLA 전용 신뢰성 제어기(reliability controller)를 도입하고, 노이즈 피드백 오염을 피하기 위해 Bottleneck-Projected Alignment Update로 teacher를 추가 갱신한다. OpenVLA를 백본(backbone)으로 사용할 때, SemiVLA는 LIBERO와 CALVIN에서 여러 PEFT(파라미터 효율적 파인튜닝) 전략을 일관되게 개선한다. 라벨 궤적 10% 조건에서 Selective LoRA를 적용한 SemiVLA는 LIBERO에서 평균 89.0% 성공률을 달성하며, 추가 추론(inference) 비용 없이 지도 LoRA 대비 8.0%p를 상회한다.
불완전 지도 비디오 용종 분할(VPS)은 약한 어노테이션(점, 스크리블)과 소수의 밀집 라벨이 있는 프레임을 이용한 반지도 학습을 포함하여 저렴한 지도로부터 밀집하고 시간적으로 일관된 마스크를 학습하는 것을 목표로 합니다. 이 설정은 낮은 대비, 모호한 경계, 모션 블러, 반사 하이라이트로 인해 임상적으로 가치가 있지만 도전적이며, 희소한 픽셀 수준의 지도로 인해 더욱 복잡해집니다. SAM2는 희소한 입력으로부터 밀집 마스크를 생성할 수 있지만, 직접적인 의사 라벨링은 종종 경계 누출이 있는 기하학적 품질이 저하된 마스크를 생성하며, 시간적 일관성을 충분히 활용하지 못하고 신뢰도를 무시합니다. 이러한 문제를 해결하기 위해, 우리는 에이전트 안내 신뢰도 인식 시간적 마스크 진화에 의해 구동되는 불완전 지도 VPS를 위한 통합 프레임워크인 ARTEMIS를 제안합니다. ARTEMIS는 사용 가능한 지도로부터 거친 마스크를 초기화합니다: SAM2는 점/스크리블을 변환하고, 밀집 라벨은 신뢰할 수 있는 앵커로 사용됩니다. 토론-판단 비전-언어 에이전트(debate-and-judge vision-language agent)는 약한 지도 하에서 신뢰할 수 있는 시간적 앵커를 선택하며, 이는 신뢰할 수 없거나 라벨이 없는 프레임을 정제하기 위해 SAM2와 함께 양방향으로 전파됩니다. 마지막으로, ARTEMIS는 신뢰도 안내 참조 선택, 참조 프로토타입 전송 모듈(Reference Prototype Transport Module), 신뢰도 인식 강건 손실(reliability-aware robust loss)을 통합한 시간적 신뢰도 인식 강건 학습을 사용하여 분할기를 학습시킵니다. 이러한 구성 요소는 마스크 신뢰도를 평가하고, 시간이 지남에 따라 앵커를 진화시키며, 프레임 간에 타겟 정체성을 전송하고, 어려운 샘플을 제거하는 대신 노이즈가 있는 지도의 가중치를 낮춥니다. 스크리블, 점, 제한된 라벨 설정 하에서 SUN-SEG 및 CVC-ClinicDB-612에 대한 실험은 ARTEMIS가 최첨단(state-of-the-art) 성능을 달성함을 보여줍니다. 코드는 https://github.com/wangtong627/ARTEMIS에서 공개될 예정입니다.
2D 이미지에서 객체의 3D 회전을 회귀하는 것은 자율 주행, 가상 현실(Virtual Reality), 로봇 제어에 광범위하게 적용되는 중요하면서도 도전적인 과제입니다. 기존 회전 회귀 모델은 학습을 위해 대량의 라벨링된 데이터에 의존하거나, 포인트 클라우드(point cloud)나 CAD 모델과 같이 2D 이미지 외의 추가 정보를 필요로 하는 경우가 많습니다. 따라서 제한된 수의 라벨링된 2D 이미지만을 사용하여 반지도 회전 회귀를 탐구하는 것은 매우 가치 있습니다. 최근 연구인 FisherMatch가 회전 회귀에 반지도 학습을 도입했지만, 엔트로피 기반의 의사 라벨 필터링이 경직되어 있어 신뢰할 수 있는 라벨링되지 않은 샘플과 신뢰할 수 없는 샘플을 효과적으로 구별하지 못한다는 문제가 있습니다. 이러한 제한을 해결하기 위해, 우리는 난이도에 따라 쉬운 예제부터 복잡한 예제로 나아가며 의사 라벨이 부착된 샘플을 동적으로 선택하는 난이도 인식 커리큘럼 학습 프레임워크를 제안합니다. 우리는 고정 임계값 필터링을 더 유연하고 난이도 인식 메커니즘으로 대체하기 위해 다단계 및 적응형 커리큘럼 전략을 도입합니다. 또한, 우리는 증강된 패치로부터 합성 이미지를 조립하여 중요한 기하학적 무결성을 보존하면서 특징(feature) 다양성을 도입하는, 회전 추정에 특화된 새로운 구조적 데이터 증강 전략을 제시합니다. PASCAL3D+ 및 ObjectNet3D에 대한 포괄적인 실험을 통해, 우리의 방법이 특히 저데이터(low-data) 환경에서 기존의 지도 및 반지도 기준선(baseline) 모델보다 우수한 성능을 보임을 입증하였으며, 이는 우리의 커리큘럼 학습 프레임워크와 구조적 증강 접근 방식의 효과를 검증합니다.
대규모 무라벨 플릿 데이터로 학습 기반 자동 긴급 제동(AEB)을 확장하기 위해 메타 피드백 준지도 학습(MF-SSL)을 안정화하는 프레임워크를 제안하며, 노이즈 인지 디커플링과 운동학적 게이팅·티처 충돌 페널티로 앵커 모호성과 라벨-무라벨 불일치로 인한 허위 트리거를 억제한다. 1M에서 10억 윈도우까지 스케일링 시 안전성이 향상되고, 10억 데이터로 학습한 모델은 수십만 대 차량에 배포되어 10억 km 검증에서 정상 대 오작동 비율 100:1 초과와 사고 없는 주행 거리 35% 개선을 달성했다.
노이즈가 많은 환경에서 a-contrario 통계 추론과 그룹화·이상 탐지의 통계적 이중성에 기반한 시드 가이드 준지도 클러스터링 프레임워크를 제안하며, Perception 알고리즘의 기대값 기반 임계값으로 수동 튜닝 없이 이상치를 배제하는 제외에 의한 클러스터링(clustering-by-exclusion)으로 클러스터를 확장한다. 합성·실세계 이미지·텍스트 벤치마크에서 클러스터당 10~30개 시드만으로도 경쟁력 있는 성능을 보였고, 고정된 시드 클러스터·반복 수에 대해 관측치와 차원 모두 선형 확장성을 유지한다.
반지도 의료 영상 분할은 의료 영상 분석에서 주요 연구 문제로 부상했으며, 레이블이 없는 데이터에 대한 일관성 정규화를 활용하여 주석 부족 문제를 완화합니다. 그러나 기존 접근 방식은 주로 시각적 패턴 매칭을 통해 작동하며, 픽셀 수준의 유사도에 과도하게 의존합니다. 이러한 시각 중심의 의존성은 시각적으로 유사한 병변이 서로 다른 진단적 결론을 요구하는 시각-의미 불일치가 특징인 임상 시나리오에서 종종 실패하며, 이는 전문가가 사용하는 근본적인 진단 논리를 포착하지 못하게 합니다. 이를 해결하기 위해 우리는 시각적 단서를 넘어 CERS(CoT-Enhanced Reasoning Segmentation)를 제안합니다. 이 프레임워크는 병리학적으로 구별되는 사례를 식별하기 위해 사고의 연쇄(Chain-of-Thought, CoT) 추론을 통합합니다. 구체적으로, 우리는 대규모 언어 모델(LLM)이 생성한 언어적 추론 설명으로 풍부해진 지식 풀을 구축합니다. 과거 증거를 식별하기 위해 의미 인식 참조 선택 전략을 도입하여, 먼저 형태학적으로 후보를 필터링한 다음 CoT 일관성을 통해 이를 정제하여 하드 네거티브를 제거합니다. 또한, 추론에서 파생된 컨텍스트를 디코딩 과정에 효과적으로 융합하기 위해 다중 스케일 좌표 어텐션 모듈(MCAM)을 설계했습니다. 광범위한 실험을 통해 CERS가 최신 방법론 대비 우수함을 입증했으며, 특히 경계 모호성과 의미적 불일치를 해결하는 데 효과적임을 보여줍니다. 코드는 https://github.com/cymasuna/CERS에서 확인할 수 있습니다.
실제 문서 처리 시나리오에서 데이터셋은 시간이 지남에 따라 일반적으로 증가하며, 클래스 주석은 지속적인 개선 과정을 거칩니다. 이로 인해 시간이 많이 걸리고 비용이 드는 상당한 재주석(re-annotation) 작업이 발생합니다. 유망한 해결책은 사용 가능한 문서의 작은 부분집합만 수동으로 재주석(re-annotation)하고, 레이블이 있는 데이터와 없는 데이터를 모두 활용하는 준지도 학습(semi-supervised learning) 기법을 적용하는 것입니다. 분류(classification) 문제를 해결하기 위한 다양한 접근 방식이 존재하지만, 문서 레이아웃 분석과 같은 객체 검출(object detection) 인스턴스의 재분류 문제에 대한 적용 사례는 아직 없습니다. 이를 위해 우리는 객체 검출(object detection)을 위한 의사 라벨링(pseudo-labelling) 프레임워크인 경계 상자 라벨 전파(Bounding Box Label Propagation, BBLP)를 제안합니다. 객체 인코더는 객체 검출 샘플의 시각적, 텍스트적, 위치적 임베딩을 통합하여 결합 임베딩(joint embedding)을 생성하며, 이는 플러그 앤 플레이(plug-and-play) 방식으로 부분적으로 주석이 달린 데이터셋에서 라벨 전파(Label Propagation)에 사용할 수 있습니다. 평가 결과에 따르면 제안된 접근 방식은 경계 상자의 고품질 클래스 주석을 생성하는 것으로 나타났습니다. D4LA 레이아웃 분석 데이터셋에서 10%의 레이블된 데이터만 사용하여 완전 지도 학습(fully supervised) 성능의 81.6%에 해당하는 54.0%의 mAP를 달성했습니다. 우리의 연구는 객체 검출(object detection)을 위한 라벨 전파(Label Propagation)의 잠재력을 입증하고, 실제 문서 처리 응용 프로그램에서 수동 주석 작업을 줄이기 위한 기반을 마련합니다.
특징 추출은 에지, 텍스처, 모양, 색상 속성을 포함한 두드러진 특성이나 패턴을 식별하고 추출하는 과정입니다. 현대의 특징 추출기는 주로 합성곱 신경망(CNN)과 비전 트랜스포머(ViT)와 같은 심층 학습 아키텍처를 활용합니다. 문헌상 다양한 특징 추출기의 존재는 광범위한 특징 표현을 제공합니다. 이미지에서 추출된 특징은 특정 응용 분야, 선택된 추출기 및 그 구성에 따라 달라집니다. 따라서 서로 다른 추출기를 결합하여 상호 보완적인 정보를 통합하는 것은 성능을 향상시키는 유망한 방법입니다. 그래프 신경망(GNN), 특히 그래프 합성곱 네트워크(GCN)는 샘플 간의 관계를 포착하는 기본 그래프 구조를 활용하면서 레이블이 있는 데이터와 없는 데이터를 모두 효과적으로 활용하기 때문에, 준지도 이미지 분류를 위한 강력하고 널리 채택된 접근 방식으로 자리 잡았습니다. 본 연구는 분류 시나리오에서 다양한 추출기에서 파생된 특징 및 그래프 표현의 다양한 세트를 통합하여, 레이블된 데이터가 부족한 상황에서 GNN을 위한 새로운 접근 방식을 제안합니다. 서로 다른 특징 및 그래프 추출기의 조합과 순위 집합 전략을 포함하는 실험적 조사가 수행되었습니다. 이 연구의 주요 기여는 실험 결과에 의해 강조됩니다. 실험 결과에 따르면, 그래프 처리를 위한 매니폴드 학습 적용과 함께 특징 및 그래프 표현의 전략적 결합은 대부분의 실험 조건에서 분류 정확도의 상당한 향상으로 이어집니다. 또한, 서로 다른 추출기의 특징을 통합하기 위한 순위 집합 기법의 활용이 분류 정확도를 향상시키는 것으로 나타났습니다.
원시 수치 데이터셋은 이미지, 표절, 요약 통계 불일치에 비해 무결성 스크리닝에서 덜 체계적으로 검토되고 있다. 우리는 수치 연구 데이터에서 비무작위 자릿수 패턴 이상을 탐지하기 위한 통계 및 기계학습 프레임워크인 조작 위험 자릿수 무작위성 스크리닝 모델(Fabrication-risk Digit Randomness Screening model, FDRS)을 개발했다. FDRS는 단일 및 결합 소수 자릿수 검정, Cramer's V, 엔트로피 지표, Kullback-Leibler 발산, 자릿수 선호 지수, 점진적 하위표본 추출, 반지도 학습 위험 점수화를 통합한다. 이는 기기 유래 효소 흡광도 데이터셋(RawData, n=253)과 맹검 수동 시뮬레이션 이상 데이터셋(ErrData, n=255)을 사용해 평가되었다. RawData는 단일 제3소수 자릿수 분석에서 유의미한 편차를 보이지 않았으며, ErrData는 유의미한 편차를 보였다. 제3-4소수 자릿수 결합 분석에서 ErrData는 더 높은 Cramer's V, 더 낮은 정규화된 엔트로피, 더 높은 KL 발산, 그리고 더 지속적인 점진적 하위표본 추출 편차 신호를 보였다. 내부 검증에서 Elastic-net 로지스틱 회귀는 최고 AUC(0.98395)와 최저 Brier 점수(0.048439)를 달성했으며, Random Forest는 최고 정확도(0.926667)와 균형 정확도(0.935)를 달성했다. RawData는 0.124627의 낮은 앙상블 위험 점수를 받아 Grade 0으로 분류되었고, ErrData는 0.740760의 점수를 받아 Grade 3으로 분류되었다. 외부 실세계 벤치마크는 등급별 위험 계층화를 뒷받침했다: 공개 게재 후 우려가 확인되지 않은 세 데이터셋은 Grade 0 또는 1로 분류되었고, 공개적으로 의문이 제기되었거나 기관에서 처리된 논문의 두 데이터셋은 Grade 2 또는 3으로 분류되었다. FDRS는 해석 가능한 통계 및 기계학습 특성을 통합하여 추가 검토를 위한 원시 수치 데이터셋의 우선순위를 정할 수 있다. 이는 보조적인 자릿수 구조 스크리닝 도구이며, 조작이나 부정행위에 대한 독립적 증거는 아니다.