연구진은 의료 영상에서 사용되는 동결된 비전 파운데이션 모델(VFM)의 노이즈 라벨 학습 방법을 연구했어요. 기존 방법들이 작은 손실 가정에 의존한다는 점을 지적하며, 8가지 노이즈 라벨 학습 방법의 교차 데이터셋 벤치마크를 수행했어요.
5개의 의료 데이터셋, 3개의 백본, 2가지 노이즈 유형, 5가지 노이즈 비율(총 150개 조건)을 평가한 결과, 방법 선택에 따라 성능이 달라지는 것을 확인했어요. ELR 방법이 가장 많은 조건에서 우위를 점했지만, CUFIT 방법이 가장 좋은 평균 순위를 기록했어요.
노이즈 심각도가 심해질수록 방법 선택의 실제 비용이 급격히 증가하며, 깨끗한 데이터에서는 4.5pp, 비대칭 40% 노이즈에서는 18.8pp의 차이를 보였어요.
연구 결과, 노이즈 라벨 학습은 단일 알고리즘을 찾는 것보다 환경에 맞는 방법 선택 문제로 재정의되어야 하며, 실용적인 추천을 위한 증거 기반 지침과 특징 공간 선택기를 제시했어요.