ㅁ 적합성/장점

1. 잠재 공간 해석

ㅇ 정의:
데이터(이미지, 텍스트 등)를 저차원 잠재 벡터로 매핑하고, 그 벡터 공간의 구조와 의미를 분석하여 데이터의 내재된 패턴과 관계를 이해하는 기법.

ㅇ 특징:
– 고차원 데이터의 복잡성을 줄이고 핵심 특징을 압축.
– 잠재 공간에서의 거리, 방향이 의미 있는 변화(예: 얼굴 사진에서 웃음 정도, 조명 변화)를 나타냄.
– 생성모델(VAE, GAN 등)에서 학습된 잠재 벡터를 조작하여 새로운 데이터 생성 가능.
– 시각화(2D/3D)로 데이터 분포와 군집 구조 파악 가능.

ㅇ 적합한 경우:
– 데이터의 의미적 변화를 수치적으로 분석하고 싶은 경우.
– 생성 모델의 내부 표현을 해석하고자 할 때.
– 데이터 차원 축소 후 시각화 및 군집 분석을 수행할 때.

ㅇ 시험 함정:
– 잠재 공간이 항상 해석 가능하다고 단정하면 오답. 일부 모델은 잠재 변수와 의미가 불분명.
– PCA와 같은 선형 차원 축소와 혼동하는 경우가 있음.
– 잠재 공간의 축이 반드시 독립적 의미를 가진다고 착각하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) VAE의 잠재 공간에서 벡터 연산으로 의미 있는 데이터 변환이 가능하다.
– (O) 잠재 공간 해석은 생성 모델의 내부 표현을 이해하는 데 도움을 준다.
– (X) 잠재 공간의 각 차원은 항상 명확한 의미를 가진다.
– (X) 잠재 공간 해석은 PCA에서만 가능하다.

ㅁ 추가 학습 내용

잠재 공간 해석의 추가 개념으로는 잠재 공간 조작(latent space manipulation)과 벡터 산술(vector arithmetic)이 있다. 예를 들어, 얼굴 이미지 생성 모델에서 ‘웃는 얼굴’ – ‘무표정 얼굴’ + ‘여성’이라는 벡터 연산을 수행하면 ‘웃는 여성’ 이미지를 생성할 수 있다.
잠재 공간의 구조 품질을 평가하는 지표로는 disentanglement, completeness, informativeness가 있으며, 이는 모델의 해석 가능성과 밀접한 관련이 있다.
시험에서는 잠재 공간 해석이 반드시 시각화와 결합되는 것은 아니라는 점, 그리고 잠재 공간이 비선형 매핑의 결과물일 수 있다는 점을 구분하는 문제가 출제될 수 있다.