마침 제가 고민하고 있던 내용과 같아 의견 공유합니다.

1. Full-train에서 Iteration/LR을 조정하는 방법은 경험적 휴리스틱과 통계학에 근거를 두고 있습니다.  
데이터 증가에 비례해 수렴까지 필요한 iteration도 증가하지만, 당연히 선형 증가는 아니므로 보수적으로 접근하는 게 타당합니다.
LR도 마찬가지로 데이터 증가에 비례해 gradient가 안정화되므로 조정해 볼 여지가 있다는 개념 정도로 접근해야겠습니다.
이는 당연히 최적값과 차이가 있고, 데이터셋에 따라서는 효과가 없는 경우도 있습니다.

2. 리스크 관리는 앙상블 기반 안정성으로 평가해야 한다고 생각합니다. 관점에 따라 여러 방법이 있겠습니다. 

3. Full-train에서의 callibration은 validation에서 찾은 값과 동일한 값을 사용하는 게 가장 안전하다고 생각합니다. 
단, train/val의 데이터 분포가 유사할 경우에만 해당됩니다. 
사실 앙상블 자체가 일종의 callibration이므로(극단값을 완화하는 측면에서) 동일한 값을 사용해도 큰 문제는 없습니다.

4. 이번 대회 같은 CTR 과제에서 Full-train은 희소 패턴을 학습한다는 측면에서도 도움이 되는 방법이라 생각됩니다. 
프로덕션에서는 주기적 재학습으로 "과거 전체 = train" 구조가 되기에, 시간이 지나며 full 모델의 신뢰도가 증가하는 형태가 될 것입니다.
다만 당연히 validation과의 A/B 테스트가 필요하고, 앞서 말했듯 train/val 데이터 구조가 유사하다는 검증이 필요합니다.
제가 머신러닝 엔지니어라면, 이상 징후나 패턴 발견 시 validation 모델로 자동 전환되는 fallback 로직을 넣는 등 
일반화를 위한 안전 장치가 있는 환경에서 도입해볼 것 같습니다.

1. 보통 validation 검증으로 하이퍼파라미터 튜닝을 하긴 합니다만 전체 데이터를 쓰는지는 미지수입니다.
2. 성능 안정성과 실험 재현성은 validation을 어떻게 구성하는지가 포인트 일거 같습니다.
3. validation set이 없으면 할수 없다고 생각합니다.
4. 현업에서는 data drift를 탐지하기 위해 psi나 kl divergence같은 통계치를 활용합니다. 실제 프로덕트 환경에서의 데이터가 잘 들어갔는지의 여부를 판단하는 지표를 활용하는데 대회에서는 public lb와 cross validation간의 비교가 중요할듯 합니다.