ㅁ 학습 곡선 ㅇ 정의: 모델의 학습 정도를 시각적으로 표현한 그래프. 주로 훈련 데이터와 검증 데이터에 대한 오류율 또는 정확도의 변화를 학습 단계(epoch)에 따라 나타낸다. ㅇ 특징: – 훈련 데이터와 검증 데이터의 성능 차이를 통해 과적합/과소적합 여부를 판단할 수 있음 – 학습이 진행됨에 따라 손실(loss)이 수렴하는 패턴을 관찰 가능 – 모델 튜닝 및 학습 조기
ㅁ 딥러닝 해석 ㅇ 정의: 딥러닝 모델의 내부 작동 원리를 시각적으로 또는 수치적으로 설명하여, 모델의 의사결정 근거를 이해하고 검증하는 기법. 주로 CNN, Transformer 등의 복잡한 구조에서 사용됨. ㅇ 특징: 모델 성능 저하 없이 해석 가능, 시각화 기반으로 사용자 직관적 이해 지원, 규제 준수 및 신뢰성 확보에 기여. ㅇ 적합한 경우: 의료 영상 분석, 자율주행 객체
ㅁ 규칙 기반 ㅇ 정의: 규칙 기반 XAI(설명 가능한 인공지능)는 모델의 예측 결과를 사람이 이해할 수 있는 규칙(조건문, if-then 형태 등)으로 표현하여 설명하는 방식. ㅇ 특징: – 사람이 읽을 수 있는 규칙으로 결과 해석 가능 – 복잡한 모델을 단순화하여 설명 – 규칙 수가 많아지면 오히려 해석 난이도 증가 가능 – 주로 의사결정 과정의 투명성을 확보하는
ㅁ 시각화 기반 ㅇ 정의: – 시각화 기반 XAI(설명 가능한 인공지능)는 모델의 예측 과정을 직관적으로 보여주기 위해 시각적 도구를 활용하는 방법. – 데이터 특성, 모델의 내부 상태, 예측 결과와 입력 특성 간의 관계를 그래프나 도표로 표현. ㅇ 특징: – 모델 구조나 수학적 식을 직접 해석하지 않고, 시각적 패턴을 통해 직관적 이해 가능. – 특정 입력
ㅁ Ensemble ㅇ 정의: 여러 개의 개별 모델을 조합하여 하나의 강력한 예측 모델을 만드는 기법. 각 모델의 장점을 취하고 단점을 보완하여 성능을 향상시키는 것을 목표로 함. ㅇ 특징: – 단일 모델 대비 과적합(Overfitting) 위험 감소 – 예측 안정성 향상 – 다양한 모델 조합 가능(동일 알고리즘, 다른 알고리즘 모두 가능) – 계산 비용 증가 가능성 있음
ㅁ 전이학습 ㅇ 정의: 기존에 학습된 모델의 지식과 가중치를 새로운 문제 해결에 재활용하는 학습 방법. 대규모 데이터와 연산 자원 없이도 높은 성능을 달성할 수 있음. ㅇ 특징: 사전학습(pre-trained) 모델 활용, 학습 시간 단축, 적은 데이터로도 가능, 특정 도메인 적합성 향상. ㅇ 적합한 경우: 데이터 수집이 어렵거나 제한적인 경우, 유사한 도메인 문제를 해결할 때, 빠른 프로토타입이
ㅁ 신경망 구조 ㅇ 정의: 인공지능 모델에서 데이터를 처리하고 특징을 추출하기 위해 설계된 네트워크 구조로, 각 구조는 데이터 특성과 목적에 따라 다르게 설계됨. ㅇ 특징: – 데이터 형태(이미지, 시계열, 그래프 등)에 따라 최적화된 구조가 존재 – 계층(layer) 구성 방식과 연산 방식에 따라 성능과 효율성이 달라짐 – 특정 구조는 특정 도메인에서 압도적인 성능을 발휘 ㅇ 적합한
ㅁ 표형 데이터 증강 ㅇ 정의: 표 형태(tabular)의 구조화된 데이터셋에서 클래스 불균형 문제를 해소하거나 데이터 다양성을 확보하기 위해 기존 데이터로부터 새로운 샘플을 생성하거나 기존 샘플을 재활용하는 기법. ㅇ 특징: 수치형/범주형 데이터 모두에 적용 가능하나, 각 기법별로 생성 방식과 데이터 분포 보존 정도가 다름. 모델의 과적합 방지와 일반화 성능 향상이 목적. ㅇ 적합한 경우: 분류 문제에서
ㅁ 오디오 증강 ㅇ 정의: 오디오 데이터를 인위적으로 변형하여 학습 데이터의 다양성을 확보하고, 모델의 일반화 성능을 향상시키는 기법. 원본 음성을 다양한 방식으로 변환하여 더 많은 학습 샘플을 생성한다. ㅇ 특징: – 데이터 부족 문제를 완화하고, 오버피팅을 방지. – 원본 음성의 의미(레이블)는 유지하면서 파형이나 스펙트럼 특성을 변형. – 음성 인식, 화자 인식, 음악 분류 등 다양한
ㅁ 텍스트 증강 ㅇ 정의: 텍스트 데이터를 인위적으로 변형·생성하여 데이터셋의 크기와 다양성을 늘리는 기법. 주로 데이터 부족 문제를 해결하고 모델의 일반화 성능을 향상시키는 데 사용됨. ㅇ 특징: – 원본 데이터의 의미를 유지하되 형태를 변형하여 학습 다양성 확보 – 데이터 편향 완화, 오버피팅 방지 효과 – 자연어 처리(NLP) 모델 성능 향상에 기여 – 잘못된 증강은 노이즈