ICU 시계열 데이터의 모델 이식성을 평가하는 도메인 인크리멘탈 지속 학습 벤치마크

요약

본 연구는 대형 병원에서 훈련된 머신러닝 모델을 지역적 특성이 다른 소규모 병원으로 이식할 때 발생하는 일반화 능력 문제를 다룹니다. 이를 해결하기 위해, 미국 전역의 다양한 지역 간 데이터 분포 차이를 반영하여 모델의 '도메인 인크리멘탈 지속 학습' 능력을 평가하는 새로운 벤치마크를 제안합니다. 이 벤치마크는 모델이 새로운 도메인의 정보를 효과적으로 흡수하면서도 기존 지식을 유지할 수 있는 방법을 검증하며, 데이터 리플레이와 EWC 같은 주요 지속 학습 기법들을 비교 평가합니다.

핵심 포인트

• 임상 예측 모델의 소규모 병원 적용 시 발생하는 일반화 능력 문제를 해결하는 것이 목표입니다.
• 지역별 측정 분포 및 빈도 차이를 반영한 '도메인 인크리멘탈 지속 학습' 벤치마크를 제안했습니다.
• 이 벤치마크는 모델이 새로운 도메인의 정보를 학습하면서 기존 지식을 유지하는 능력을 평가합니다.
• 데이터 리플레이(Data Replay)와 탄성 가중치 응집(EWC) 등 두 가지 주요 지속 학습 방법을 비교 분석했습니다.