준지도학습

Question 1

준지도학습

Answer 1

[정의] 소량의 Label Data와 대량의 Unlabel 데이터를 동시에 훈련 데이터로 사용하여 Accuracy(정확도)를 극대화하는 모듈을 생성하는 학습 기법
* GAN(Fake만 판별) + Semi-Supervised -> SGAN (Fake + 종류 까지 판별)

Question 2

GAN

Answer 2

[리드] Min-Max 경쟁 학습
[정의] 판별자와 생성자의 적대적 학습 통한 상호 성능 향상 목적, 준지도 학습 기반 병행 학습 딥러닝 알고리즘
[특징]
- Min-Max 학습 : 판별자와 생성자의 내쉬 균형
- 준지도 학습 : 판별자의 지도 학습 + 생성자의 비지도 학습 결합
* 원본 Random Variable 데이터의 확률분포를 추정, GAN 알고리즘을 통해 유사 분포 모델 생성
[구성요소]

<구성기능>
1. 판별자(Discriminator) : Real Sample과 Fake Sample 구분, 각 확률 Estimate, 정확도 최대화, maxD V(D)
2. 생성자(Generator) : Zero-Mean 가우시안 노이즈 기반 Fake Sample 생성, 정확도 최소화, minG V(G)
3. Fine Tune Training : 생성자, 판별자 학습 오차 보정
<학습>
4. 목적 함수 : minGmaxD V(D,G)
5. 학습 원리 : maxD V(D) (G 파라메터 고정, V 최대화 방향으로 D 파라메터 업데이트) minG V(G) ( D 파라메터 고정, V 최소화 방향으로 G 파라메터 업데이트)
[문제점/해결안]
- 구별자와 생성자간 학습 편차 / DCGAN 활용, Leaky ReLU활용
- 모드붕괴 및 국부최저문제 / Mini-Batch GAN 사용
[응용기법] DCGAN, SRGAN, 스텍GAN, Cycle GAN
* 학습 데이터 부족한 재난사고 점검 자동화, 신약 개발 등 능동적 Generative 모델로써의 가치 활용 확산
</학습></구성기능>

Question 3

DCGAN

Answer 3

[리드] 사실적인 이미지를 생성 기술
[정의] 기존 GAN 의 불안정한 학습 구조를 개선하기 위해 실험을 수행, GAN 을 안정화 및 개선하여 확장성을 높인 모델
[특징]
- GAN의 Generator 와 Discriminator 의 Fully connected layer 를 CNN구조로 대체
- GAN의 한계점인 고해상도 이미지 생성과 불안전성 극복
[구성도]
- Generator : Relu 함수, Tanh 함수
- Discriminator : Leaky Relu, Batch Normalization
[구성요소]
- (네트워크구조) Convolution, Fractional-strided convolution, 배치정규화
- (활성함수) ReLU, Tanh, Leaky ReLU

Question 4

VAE

Answer 4

[리드] 생산적 AI를 통한 사후확률의 학습
[정의] 평균(μ)과 표준편차(σ)를 학습하여 사후확률을 최대화 하여 입력 데이터와 유사한 새로운 데이터를 생성하는 AI 기술
* 확률 분포를 이용해 입력 데이터와 유사한 새로운 데이터를 생성하는 인공지능 기술
[구성요소]
- Endocer : Input Layer (학습할 x의 입력 데이터), Encoder (입력 데이터의 차원을 축하여 학습)
- Latent Space : 평균, 표준편차 벡터(Input 값의 평균과 표준편차를 학습한 벡터 값), Sample Latent(평균, 표준편차를 통한 사후 확률 추론)
- Decoder : Decoder(사후 확률을 최대화하는 확률 분포를 학습하여 네트워크의 출력값을 도출), Output Layer(Input 데이터와 유사하지만 새로운 데이터를 생성)
* 양질의 의료 데이터의 생성, 금융 경제의 이상 거래 탐지 FDS, 엔터테인먼트 분야에서 활용
[VAE의 활용 분야]
- 의료분야(개인정보 비식별화 양질의 의료용 학습 데이터 생성), 금융분야(FDS의 규칙 기반 탐지 시스템 비정상 거래 학습), 엔터테이먼트 분야(아나운서, 기상 캐스터, 광고모델)