ㅁ 적합성/장점

1. 실시간 생성

ㅇ 정의:
– 입력 데이터나 조건이 주어졌을 때 지연 없이 즉시 결과를 생성하는 모델 특성.
ㅇ 특징:
– 낮은 추론 지연 시간(latency)
– 경량화된 모델 구조나 효율적인 연산 최적화 필요
– 실시간 스트리밍, 대화형 인터페이스에 적합
ㅇ 적합한 경우:
– 실시간 번역, 게임 NPC 대화, 라이브 영상 합성 등
ㅇ 시험 함정:
– 실시간 생성이 항상 고품질을 의미하는 것은 아님 (속도와 품질은 트레이드오프)
ㅇ 시험 대비 “패턴 보기” 예시:
– O: “실시간 생성 모델은 낮은 지연 시간을 요구한다.”
– X: “실시간 생성 모델은 항상 고품질 출력을 보장한다.”

2. 모드 붕괴

ㅇ 정의:
– 생성 모델이 다양한 출력을 생성하지 못하고 일부 패턴에만 치우치는 현상.
ㅇ 특징:
– GAN에서 자주 발생
– 데이터 다양성 부족, 학습 불안정성 원인
– 품질은 높아도 다양성이 떨어짐
ㅇ 적합한 경우:
– 일반적으로 바람직하지 않음. 단, 특정 스타일 고정이 필요한 경우 예외
ㅇ 시험 함정:
– 모드 붕괴가 항상 나쁜 것은 아님 (특정 목적에는 유리할 수 있음)
ㅇ 시험 대비 “패턴 보기” 예시:
– O: “모드 붕괴는 생성 결과의 다양성이 줄어드는 현상이다.”
– X: “모드 붕괴는 생성 모델의 성능 향상을 의미한다.”

3. 잠재 공간 해석

ㅇ 정의:
– 생성 모델의 잠재 벡터 공간을 분석하여 의미 있는 차원이나 구조를 파악하는 과정.
ㅇ 특징:
– 모델의 제어 가능성 향상
– 스타일 전환, 속성 조작 가능
– 시각화 및 설명 가능성 연구에 활용
ㅇ 적합한 경우:
– 생성 결과를 사용자 의도에 맞게 조정해야 하는 경우
ㅇ 시험 함정:
– 잠재 공간이 항상 선형적으로 해석 가능한 것은 아님
ㅇ 시험 대비 “패턴 보기” 예시:
– O: “잠재 공간 해석은 속성 조작에 활용될 수 있다.”
– X: “잠재 공간 해석은 모든 모델에서 동일한 의미를 가진다.”

4. One-shot Generation

ㅇ 정의:
– 단 한 번의 예시(샘플)로 새로운 데이터나 스타일을 학습하여 생성하는 기법.
ㅇ 특징:
– 데이터 효율성 높음
– 메타러닝, Few-shot 학습과 연관
– 일반화 성능이 중요
ㅇ 적합한 경우:
– 데이터 수집이 어려운 희귀 클래스, 개인화된 콘텐츠 생성
ㅇ 시험 함정:
– One-shot이 zero-shot과 동일하지 않음
ㅇ 시험 대비 “패턴 보기” 예시:
– O: “One-shot Generation은 단 한 번의 예시로 학습한다.”
– X: “One-shot Generation은 사전 학습 없이 동작한다.”

ㅁ 추가 학습 내용

실시간 생성에서는 모델 경량화 기법이 중요하며, 대표적으로 양자화와 지연 로딩이 있다. 또한 스트리밍 처리 파이프라인의 설계와 구현이 핵심 요소이다.
모드 붕괴 방지를 위해 사용되는 기법으로는 미니배치 분산, Unrolled GAN, 다양한 데이터 증강 기법이 있으며, 이는 시험에 자주 출제된다.
잠재 공간 해석에서는 t-SNE, PCA 등의 차원 축소 기법을 이해해야 하며, 벡터 연산 예시(king – man + woman = queen)와 같은 의미적 연산 사례를 숙지해야 한다.
One-shot Generation은 주로 사전 학습된 대규모 모델을 기반으로 하며, 프로토타입 네트워크, Matching Networks, MAML 등 메타러닝 기법과의 차이점을 구분할 수 있어야 한다.