학습 데이터를 이용한 CNN의 일반화 오류 평가 방법 


48권  3호, pp. 284-292, 3월  2021
10.5626/JOK.2021.48.3.284


PDF

  요약

우수한 성능의 CNN일지라도 실제 환경을 예상한 테스트 데이터셋 상의 오류인 일반화 오류는 높게 나오는 경우가 있다. 이 일반화 오류를 줄여서 모델이 실제 환경에서도 학습된 성능이 유지될 수 있도록 해야 한다. 본 논문에서는 데이터 다양성이 높은 학습 데이터셋을 통해 학습한 모델이 클래스별로 자주 활성화하는 뉴런 셋을 반응 셋이라 정의한다. 또한 테스트 데이터셋의 데이터 다양성에 따른 일반화 오류의 차이도 고려한다. 본 논문은 이 차이를 상대적 일반화 오류라 정의한다. 본 논문에서는 CNN의 클래스별 반응 셋과 상대적 일반화 오류의 관계를 이용하여서 학습 데이터셋 만을 이용한 CNN의 일반화 오류의 평가 방법을 제안한다. 사례연구를 통해 반응 셋 비율이 상대적 일반화 오류와 관계가 있음을 확인하였으며 본 논문에서 제안한 학습 데이터를 이용한 CNN의 일반화 오류의 평가 방법이 효과적임을 확인하였다.


  통계
2022년 11월부터 누적 집계
동일한 세션일 때 여러 번 접속해도 한 번만 카운트됩니다. 그래프 위에 마우스를 올리면 자세한 수치를 확인하실 수 있습니다.
  논문 참조

[IEEE Style]

H. H. Lee and H. S. Chae, "An Evaluation Method for Generalization Errors of CNN using Training Data," Journal of KIISE, JOK, vol. 48, no. 3, pp. 284-292, 2021. DOI: 10.5626/JOK.2021.48.3.284.


[ACM Style]

Hyeon Ho Lee and Heung Seok Chae. 2021. An Evaluation Method for Generalization Errors of CNN using Training Data. Journal of KIISE, JOK, 48, 3, (2021), 284-292. DOI: 10.5626/JOK.2021.48.3.284.


[KCI Style]

이현호, 채흥석, "학습 데이터를 이용한 CNN의 일반화 오류 평가 방법," 한국정보과학회 논문지, 제48권, 제3호, 284~292쪽, 2021. DOI: 10.5626/JOK.2021.48.3.284.


[Endnote/Zotero/Mendeley (RIS)]  Download


[BibTeX]  Download



Search




Journal of KIISE

  • ISSN : 2383-630X(Print)
  • ISSN : 2383-6296(Electronic)
  • KCI Accredited Journal

사무국

  • Tel. +82-2-588-9240
  • Fax. +82-2-521-1352
  • E-mail. chwoo@kiise.or.kr