현대의 심층 신경망은 왜곡된 레이블을 포함하거나 클래스 불균형이 있는 편향된 학습 데이터에 쉽게 과적합될 수 있다. 샘플 재가중 방법은 이러한 데이터 편향 문제를 완화하는 데 널리 사용되고 있다. 그러나 현재 대부분의 방법들은 연구 대상 문제와 학습 데이터의 특성에 따라 수동으로 가중치 지정 방식과 추가적인 하이퍼파라미터를 사전에 설정해야 하는 단점이 있다. 이로 인해 데이터 편향 상황의 상당한 복잡성과 클래스 간 차이가 존재하는 실용적 환경에서 일반적으로 적용하기 어렵다는 문제가 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 데이터로부터 직접 명시적인 가중치 지정 방식을 적응적으로 학습할 수 있는 메타모델을 제안한다. 구체적으로 각 학습 클래스를 별도의 학습 과제로 간주함으로써, 샘플 손실과 과제/클래스 특징을 입력으로 받아 샘플 가중치를 출력하는 명시적인 가중치 함수를 추출하는 것을 목표로 한다. 이를 통해 각 샘플 클래스의 고유한 편향 특성에 따라 적응적으로 변화하는 가중치 지정 방식을 적용하고자 한다. 합성 데이터 및 실제 데이터 실험을 통해 본 방법이 클래스 불균형, 특성 독립 및 종속 레이블 노이즈와 같은 다양한 편향 상황에서 적절한 가중치 지정 방식을 도출할 수 있음을 입증하였다. 또한, 기존의 전통적인 경우를 넘어서는 더욱 복잡한 편향 상황에서도 본 방법의 효과성을 검증하였다. 더불어, 학습된 가중치 지정 방식의 과제 전이 가능성도 입증되었으며, 상대적으로 규모가 작은 CIFAR-10 데이터셋에서 학습한 가중치 함수를 훨씬 큰 규모의 전체 WebVision 데이터셋에 간단히 적용함으로써, 추가적인 하이퍼파라미터 튜닝이나 메타 그래디언트 강하 단계 없이도 기존의 최고 성능(SOAT) 방법들보다 뛰어난 성능 향상을 달성할 수 있었다. 본 방법이 부분 레이블 학습, 반감독 학습, 선택적 분류와 같은 다양한 강건한 심층 학습 문제에 일반적으로 적용 가능함도 검증되었다.