디지털 라이브러리[ 검색결과 ]
철저한 대조 학습 방법을 통한 생성적 적대 신경망의 불균형 데이터 생성 품질 향상
http://doi.org/10.5626/JOK.2023.50.4.295
딥러닝(Deep learning) 알고리즘의 성능이 향상되면서 실세계의 다양한 문제를 해결하기 위한 방법으로 사용되고 있다. 실세계를 반영하는 데이터의 경우 사건의 발생 빈도나 수집 난이도에 따라 데이터의 불균형(Imbalance)이 나타날 수 있다. 데이터를 구성하는 클래스의 수가 일정하기 않은 데이터를 불균형 데이터라고 하며, 특히 데이터가 상대적으로 적은 소수 클래스는 딥러닝 알고리즘을 통해 학습하기 어렵다. 최근에는 데이터 증강을 위한 방법으로 생성적 적대 신경망(Generative Adversarial Nets, GANs)이 응용되고 있으며, 소수 클래스 학습을 위해 자기 지도 학습(Self-supervised learning)기반의 사전 학습(Pre-training)이 제안되었다. 하지만 생성 모델(Generative Model)을 학습하는 과정에서 불균형 데이터의 클래스 정보를 활용하기 때문에 소수 클래스의 학습이 제대로 이루어지지 않아 생성 데이터의 품질이 떨어지는 문제가 나타난다. 이러한 문제를 해결하기 위하여 본 논문에서는 유사도 기반의 철저한 대조 학습(Exhaustive Contrastive Learning) 방법을 제안하였다. 제안 방법은 프레쳇 인셉션 거리(Frechet Inception Distance, FID)와 인셉션 점수(Inception Score, IS)를 통해 정량적으로 평가하였다. 본 논문에서 제안하는 방법은 기존 방법보다 프레쳇 인셉션 거리는 16.32, 인셉션 점수는 0.38의 성능 개선을 확인하였다.
119구급 신고데이터에 대한 분류모델 성능 개선
http://doi.org/10.5626/JOK.2022.49.1.89
본 논문은 119구급 신고 접수과정에서 접수자에 의해 기록되는 신고내용에 대하여 재난 상황별 최적의 대응 정보 제공을 위한 텍스트 분류(Text Classification) 모델에 대한 연구내용이다. 문장을 입력받아 어떤 범주에 속하는지 분류하는 텍스트 분류 모델은 자연어처리 분야에서 널리 사용되는 기술이다. 본 연구는 지도학습을 통한 텍스트 분류 모델의 성능 향상을 위해 학습용 데이터를 증강 활용하기 위한 규칙을 정의하고, 증강된 학습용 데이터를 이용한 분류 모델의 성능을 실험으로 확인하였다. 본 연구를 통해 질병, 교통사고, 부상 등 구급 세부 상황별 신고내용으로 입력되는 텍스트 분류 모델의 성능 향상을 위한 확장 가능성을 제시하였다.
HOI 데이터셋의 상호운용성 및 확장성을 위한 온톨로지 구축
http://doi.org/10.5626/JOK.2021.48.8.947
인간 행동은 크게 동작과 객체를 통해 표현할 수 있다. 인간의 행동을 이해하기 위해서는 인간의 동작 뿐만 아니라, 객체와의 상호 작용이 고려되어야 한다. 인간-객체 상호 작용(HOI)은 풍부하고 다양하게 표현될 수 있으며, 세부적인 표현들이 요구되면서 대규모 데이터셋들이 등장하게 되었다. 하지만, 각자의 표현 방식으로 텍스트 정보를 제공하면서 서로 간의 상호운용성이 저하되고, 새로운 객체나 관계를 추가, 수정, 삭제하기 어렵게 만든다. 이에 본 논문에서는 HOI 연구 분야에서 활용할 수 있는 HOI 온톨로지를 구축하였다. 인간과 객체 간의 관계를 표현할 수 있도록 온톨로지를 설계하였고, 데이터셋들의 상호운용성과 확장성을 위한 인스턴스 생성 및 확장 방법을 제시하였다. 온톨로지의 설계는 추출된 정보들을 명확하게 식별하고 표현할 수 있게 하였으며, 제안한 생성 및 확장 방법은 생성한 HOI 온톨로지와의 상호운용성을 제공하여 새로운 객체나 관계를 지속적으로 확장할 수 있게 하였다.
