자동화 된 데이터 가치 평가 기법 개발: 기존에 사람의 판단에 의존했던 데이터 가치 평가의 완벽한 자동화를 이루기 위해 수학적으로 잘 정의 된 데이터 가치 평가 기준을 도입하고, 각각의 데이터 포인트 가치를 효율적으로 계산하기 위한 데이터 가치 정량화 알고리즘을 제시한다. 뉴럴넷 학습 다이나믹을 활용한 데이터 분류 체계 개발: 데이터 가치평가를 위한 계산량을 획기적으로 감소시키기 위해 가치 계산과 학습을 동시에 수행 할 수 있는 알고리즘을 개발한다. 각 데이터 샘플이 가진 고유의 특성(대표성, 예외성, 모호성, 에러 등)에 따라 뉴럴넷이 각 데이터를 기억하고 일반화 하는 속도가 다름을 활용한 데이터 분류 체계를 확립한다. 데이터 강조 기술을 통한 기계학습 성능 향상: 데이터 가치 평가를 통해 특정 질적 기준을 만족하지 않는 데이터를 자동으로 제거하고 나머지 데이터에 대한 가치 값을 학습 가중치로 활용하는 데이터 가치 강조 기계학습 알고리즘을 제안한다. 기존 보유 데이터 중 학습에 도움이 되는 데이터를 선별하는 학습 도메인 적응 기술: 기존 보유 데이터 중 새 어플리케이션에 활용 가능한 부분적 데이터셋을 자동으로 선별하기 위한 도메인 적응 데이터 평가 기준을 제시한다. 도메인에 따라 변화하는 각 데이터 샘플의 가치 값을 활용한 기계학습 알고리즘을 구현한다. 효율적 가상 데이터셋 생성 방안 및 이를 통한 학습 성능 개선: 가상 데이터셋을 활용한 학습 기법을 개발한다. 실제 데이터셋을 활용한 학습에 비해 성능이 저하되는 단점을 해결하기 위해 가치 높은 가상 데이터셋을 생성할 수 있는 방안을 제안한다.