미국 특허 제11,443,235호는 머신러닝에서 예측 정확도를 높이기 위해 각 학습 데이터의 가중치를 따로 정하는 방법을 다룬다. 기사에 따르면 이 기술은 학생 모델과 교사 모델을 함께 둔다. 학생 모델은 스팸 분류나 사기 탐지처럼 실제 예측을 수행하고, 교사 모델은 어떤 데이터가 학습에 더 중요한지 판단해 사례별 가중치를 부여한다. 모든 데이터를 같은 비중으로 학습시키지 않는다는 점이 핵심이다.

기존에는 잘못 분류한 사례의 가중치를 높이고 맞힌 사례의 가중치를 낮추는 방식이 널리 쓰였지만, 이런 규칙은 잡음이 섞인 데이터나 잘못된 라벨에도 과하게 반응할 수 있다. 특허는 오분류 사례가 항상 유익한 것은 아니고, 이미 맞힌 사례도 중요한 패턴을 담고 있을 수 있다고 본다. 그래서 교사 모델이 학생 모델의 학습 결과를 보며 어떤 가중치가 더 나은 결과를 만드는지 반복적으로 배운다. 요지는 데이터의 양보다 어떤 데이터를 어떻게 반영하느냐가 정확도에 중요하다는 점이다.