[일반] Kaggle 보면서 느끼는건데

[OO(220.86)]

그냥 Competition에서 지표 좋게 나오는 것들은

1. 어딘가에서 정답 레이블을 찾아와서 복붙

2. Domain에 맞는 Pretrained Model로 Fine-tuning 하기

둘 중 하나던데 거의 다 이렇게 하는거임? 딥린이라서 Kaggle로 연습하는데 지표 좋게 나오는 Code들은 죄다 이런것 같음.

[익명(218.237)]

캐글 의의 생각해보면 경우에 따라선 2번은 문제없어 보이고, 1번은 걍 병신인듯

[OO(220.86)]

2번도 괜찮다고 생각하다가도, 모델 아키텍처에 의해 좋은 지표가 나온 것이 아니라 그냥 데이터 물량으로 좋게 나온 거라는 생각도 들어서 모델 아키텍처 부분 공부는 Kaggle로는 어렵나 생각이듬...

[익명(118.235)]

현실에서 2번은 매우 흔하긴 함

[익명(118.235)]

2번이 무슨문제인데?

[익명(121.129)]

요새 소위 말하는 'sota' 아키텍쳐라면 거의 pretraining 없이는 성능이 잘 나오지 않을거고, 그렇다고 scratch부터 training 한다고 쳐도 말이 안되는게 그렇게 training 시킬 양질의 데이터가 있으면 그런 대회를 여는 의미가 없을텐데? 또한 sota가 kaggle notebook에서 원활하게 돌아가면 또 모를까 그것도 아니고

[익명(121.129)]

말이 길어졌는데 kaggle이 추구하는 대회는 실제로 현업과 유사한(또는 그보다 더 골때리는) 문제들을 빠르고 정확하게 해결하는 데에 의의가 있는거고, 실제로도 데이터와 관계없이 sota architecture 때려넣었다고 해결되는 문제는 많지 않은듯?