위치정보

HOME 커뮤니티 Featured Literature

FEATURED LITERATURE

계층적 희소 표현에 의한 특성 자율학습


<재단 제26기 해외유학장학생 Stanford U. 컴퓨터공학 박사, 현 U. of Michigan-Ann Arbor, EECS 교수>

기계학습은 인공지능및 데이터 마이닝에서 강력한 도구로 활용되어 왔다. 하지만, 기계학습의 성공을 위해서는 데이터를 적절하게 나타내는 특성 표현이 필요하고, 만약 부적절한 특성 표현을 사용하는 경우 학습 알고리즘의 성능이 크게 제한될 수 있다. 이러한 특성 표현은 주로 기계학습이 아닌 인간에 의해 직접 설계되고, 많은 양의 전문 지식과 노동을 요구하며, 새로운 데이터 영역에 잘 일반화되지 않는다.

이런 문제들을 해결하기 위하여, 본 논문에서는 레이블 없는 여러 형태 (이미지, 오디오, 문서, 로봇
센서) 의 데이터로부터 자동적으로 특성 표현을 학습하는 기계학습알고리즘을 제안한다. 구체적으로, 본 논문에서는 먼저 (입력 데이터를 적은 수의 기저 벡터를 통해 나타내는) 효과적인 희소 코딩 알고리즘이 레이블 없는 데이터로부터 어떻게 적절한 하위계층의 특성표현을 학습할 수 있는지 기술한다. 이렇게 학습된 특성표현들은 여러 기계학습 문제에서 향상된 성능을 보여준다.

또한, 본 논문에서는 두가지 새로운 심층 네트워크 알고리즘(희소 심층네트워크, 컨볼루션 심층 네트워크)을 제안하고, 이 방법을 통해 더욱 복잡하고 계층적인 특성표현을 자동적으로 학습할 수 있음을 보여준다. 이미지 데이터에 적용할 경우, 본 방법은 자동적으로 물체들과 그것을 구성하는 부분들로 분해한다. 이런 특성표현을 적용하면 물체인식이나 이미지 분할문제에서 기존의 컴퓨터 비젼 전문지식에 의존해 만들어진 알고리즘들에 비해 대등하거나 향상된 성능을 얻을 수 있다. 또한 같은 알고리즘을 음향 데이터에 적용하여 특성표현을 학습 할 수 있으며, 이렇게 학습된 특성표현은 음성인식 문제에서 기존의 최상의 방법들보다 더 향상된 성능을 가져다준다.









다른 게시물
이전글 대우의 성장과 몰락 : 한국에서 고부채 기업의 형성과 와해
다음글 양극성 장애 1형 및 정신분열병 환자에서 나타나는 반응억제 유형 및 정서..