¼Óº¸
VIP
ÅëÇÕ°Ë»ö

[ÀΰøÁö´É°ú µö·¯´×¨ê] ÁøÈ­ÇÏ´Â ¸Ó½Å·¯´× ¾Ë°í¸®Áò¡¦Á¡Á¡ ´õ ¡®»ç¶÷󷳡¯

¸Ó´ÏÅõµ¥ÀÌ
  • Å×Å©¿¥ ÆíÁýºÎ
  • Ä«Ä«¿ÀÅå °øÀ¯Çϱâ
  • Ä«Ä«¿ÀÅå ³ª¿¡°Ô Àü¼ÛÇϱâ
  • ÆäÀ̽ººÏ
  • Æ®À§ÅÍ
  • ³×À̹ö
  • ÅÚ·¹±×·¥
  • ¹®ÀÚ
  • VIEW 37,631
  • 2015.03.11 06:31
  • ±ÛÀÚÅ©±âÁ¶Àý

´Ù¾çÇÑ ¸Ó½Å·¯´× ¾Ë°í¸®Áò

[ÀΰøÁö´É°ú µö·¯´×¨ê] ÁøÈ­ÇÏ´Â ¸Ó½Å·¯´× ¾Ë°í¸®Áò¡¦Á¡Á¡ ´õ ¡®»ç¶÷󷳡¯
¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀÇ ¹ßÀüÀ» ÅëÇÑ »õ·Î¿î ÀÀ¿ëÀº ¼¼»óÀÇ ¸¹Àº °ÍÀ» ¹Ù²Ù°í ÀÖ´Ù. ¾ÖÇÃÀÇ ¡®½Ã¸®¡¯³ª ¡®±¸±Û ³ª¿ì¡¯ ¼­ºñ½º´Â ½º¸¶Æ®ÆùÀ» ÅëÇØ ÀÏ»ó»ýÈ°¿¡¼­ °³ÀÎ ºñ¼­ÀÇ ¿ªÇÒÀ» Ãæ½ÇÈ÷ ¼öÇàÇÏ°í ÀÖÀ¸¸ç, ÃÖ±Ù ÄÄÇ»ÅÍ ºñÀüÀÇ ¹ßÀüÀ¸·Î ¾ó±¼ÀÎ½Ä µî°ú °°Àº ƯÁ¤ºÐ¾ß¿¡¼­ ÄÄÇ»ÅÍ ¾Ë°í¸®ÁòÀÌ »ç¶÷ÀÇ ÀÎ½Ä ¼öÁØÀ» ³Ñ¾î¼±´Ù´Â º¸°í°¡ ÀÖ´Ù. ¹Ì±¹ÀÇ ÄûÁî¼î¿¡¼­ ¿ì½ÂÇß´ø IBMÀÇ ¡®¿Ó½¼¡¯Àº ÃÖ±Ù ½ÇÇè¿¡¼­ Àǻ纸´Ù Á¤È®ÇÏ°Ô È¯ÀÚÀÇ Æó¾ÏÀ» Áø´ÜÇß´Ù´Â ¿¹ºñ º¸°í°¡ ÀÖ¾ú´Ù´Â ¼Ò½Äµµ ÀÖ´Ù. ±¸±ÛÀÌ ÁغñÇÏ°í ÀÖ´Â ¹«ÀÎÀÚµ¿Â÷µµ ¸ÖÁö ¾ÊÀº ¹Ì·¡¿¡ µîÀåÇØ ÀηùÀÇ »îÀ» ¹Ù²Ü °ÍÀ¸·Î ¿¹»óÇÏ°í ÀÖ´Ù.

ÀÌ·¯ÇÑ ¸Ó½Å·¯´×ÀÇ ¹ßÀüÀ» °ßÀÎÇÑ °ÍÀº ºòµ¥ÀÌÅ͸¦ ÀúÀå, ó¸®ÇÒ ¼ö ÀÖ´Â ÄÄÇ»ÅÍ Çϵå¿þ¾îÀÇ ¹ßÀü°ú ´õºÒ¾î º¹ÀâÇÑ µ¥ÀÌÅÍ ¹× °ü°èÀÇ Ç¥ÇöÀ» °¡´ÉÇÏ°Ô ÇÑ »õ·Î¿î ¸Ó½Å·¯´× ¸ðµ¨ÀÇ µîÀåÀÌ´Ù. ±×·³¿¡µµ ºÒ±¸ÇÏ°í ÀÌ·± ¸ðµ¨À» È¿À²ÀûÀÎ ¹æ¹ýÀ¸·Î Á¤È®ÇÏ°Ô ÇнÀÇÒ ¼ö ÀÖ´Â ¸Ó½Å·¯´× ¾Ë°í¸®Áò ¾øÀÌ´Â »ç¶÷¿¡ ¹ö±Ý°¡´Â ÀÎ½Ä ¹× Ãß·ÐÀ» ÇÒ ¼ö ÀÖ´Â ¶È¶ÈÇÑ ±â°è¸¦ ¸¸µé±â ¾î·Æ´Ù. ¸Ó½Å·¯´×ÀÇ Áß¿äÇÑ ¾Ë°í¸®ÁòÀ» Áß½ÉÀ¸·Î Ư¡°ú ÃÖ±ÙÀÇ ¹ßÀü µ¿ÇâÀ» Á¶¸ÁÇØ º»´Ù.

ÃÖ±Ù ¸Ó½Å·¯´×ÀÇ ¹ßÀüÀº º¯¼öÀÇ ºÒÈ®½Ç¼º°ú ´Ù¸¥ º¯¼öÀÇ °ü°è¸¦ Ç¥ÇöÇÏ´Â °Í¿¡ ´ëÇÑ ´Ù¾çÇÑ ±â¹ýÀÇ ¹ßÀüÀÌ Áß¿äÇÑ ¿ä¼Ò·Î ÀÛ¿ëÇß´Ù. ÀÌ °úÁ¤¿¡¼­ ¸Ó½Å·¯´×Àº º¯¼öÀÇ Ç³ºÎÇÑ °ü°è¸¦ ÅëÇØ º¹ÀâÇÑ Ãß·ÐÀ» ÇÏ´Â ³í¸®ÇÐ, º¯¼öÀÇ ºÒÈ®½Ç¼ºÀ» ´Ù¾çÇÏ°Ô Ç¥ÇöÇÏ´Â Åë°èÇÐ µî ´Ù¾çÇÑ Çй®ÀÇ ÀåÁ¡À» ÃëÇÕÇØ ¹ßÀüÇÏ°í ÀÖ´Â À¶ÇÕÇй®ÀÌ´Ù.

ÀϹÝÀûÀ¸·Î ¸¹Àº È®·ü º¯¼ö°¡ ¼­·Î ±ä¹ÐÇÏ°Ô ¿µÇâÀ» ÁÖ°í¹Þ´Â º¹ÀâÇÑ ¸ðµ¨À» Á¤È®ÇÏ°Ô ÇнÀÇÏ´Â °ÍÀº ¸Å¿ì ¾î·Æ´Ù. ¿¹¸¦ µé¸é °¡·Î, ¼¼·Î °¢°¢ 10°³ÀÇ °£°ÝÀ» Ç¥ÇöÇÒ ¼ö ÀÖ´Â 2Â÷¿ø Èæ¹é À̹ÌÁö°¡ ÀÖÀ» ¶§, 100°³ÀÇ È®·üº¯¼ö(°¢ Çȼ¿)ÀÌ ¸ðµÎ Á÷Á¢ÀûÀ¸·Î ¿µÇâÀ» Áشٰí Çϸé, ÀÌ ¸ðµ¨À» Ç¥ÇöÇϱâ À§Çؼ­´Â 2100(2ÀÇ 100Á¦°ö)¿¡ ÇØ´çÇÏ´Â ¸Å°³º¯¼ö°¡ ÇÊ¿äÇÏ´Ù. Çö½ÇÀûÀ¸·Î ÀÌ·± ¸ðµ¨À» ÇнÀÇÏ´Â °ÍÀº ¸Å¿ì ¾î·Á¿î ÀÏÀÌ´Ù.

ÀÌ ¹®Á¦¸¦ ÇØ°áÇϱâ À§ÇØ ¸¹Àº ¸Ó½Å·¯´× ±â¹ýµéÀº È®·ü º¯¼öÀÇ °ü°è¸¦ ±×·¡ÇÁ·Î Ç¥ÇöÇÏ°í ÀÖ´Ù. Áï, È®·ü º¯¼ö¸¦ ±×·¡ÇÁÀÇ ³ëµå·Î Ç¥ÇöÇÏ°í Á÷Á¢ÀûÀ¸·Î °ü·Ã ÀÖ´Â º¯¼öµé »çÀÌ¿¡ ¿¡Áö¸¦ ¼³Á¤ÇØ °ü°è¸¦ Ç¥ÇöÇÑ´Ù. ¼­·Î Á÷Á¢ÀûÀ¸·Î °ü·ÃÀÌ ÀÖ´Â È®·ü º¯¼öµé¸¸ ¸ð¾Æ È®·ü°ú ºñ·ÊÇÏ´Â ÇÔ¼ö(¿¡³ÊÁö ÇÔ¼ö, ÀáÀç ÇÔ¼ö µî)·Î ³ªÅ¸³»°í Àüü È®·üÀº ±×·± ÇÔ¼öµéÀÇ °öÀ¸·Î Ç¥ÇöÇÏ´Â °ÍÀÌ´Ù.

º£ÀÌÁö¾È ³×Æ®¿öÅ©¿¡¼­´Â º¯¼öµé »çÀÌÀÇ ¿øÀΰú °á°ú »çÀÌÀÇ ¹æÇ⼺À» ¸í½ÃÀûÀ¸·Î ¼³Á¤Çß´Ù. º£ÀÌÁö¾È ³×Æ®¿öÅ©ÀÇ ±Ùº»ÀûÀÎ °¡Á¤Àº ƯÁ¤ º¯¼ö°¡ ÁÖ¾îÁ® ÀÖÀ» ¶§, ±× ¿øÀÎÀÌ µÇ´Â º¯¼öµéÀÇ °ªÀÌ ¸ðµÎ ÁÖ¾îÁø´Ù¸é, ´Ù¸¥ º¯¼öÀÇ °ª¿¡ °ü°è¾øÀÌ °ªÀ» È®·üÀûÀ¸·Î °áÁ¤ÇÒ ¼ö ÀÖ´Ù´Â °ÍÀÌ´Ù.

ÁÖµ¥¾Æ ÆÞ(Judea Pearl)Àº º£ÀÌÁö¾È ³×Æ®¿öÅ©¿¡¼­ ÁÖ¾îÁø º¯¼ö(X)ÀÇ ÀÌ¿ô º¯¼öµéÀÇ ÇÑ°èÈ®·üÀÌ ÁÖ¾îÁ³À» ¶§ º£ÀÌÁö¾È ¹ýÄ¢À¸·Î µµÃâÇÑ Á¶°ÇºÎ È®·ü ½ÄÀ» ÀÌ¿ëÇØ º¯¼ö(X)ÀÇ ÇÑ°èÈ®·üÀ» ±¸ÇÏ´Â ¹æ½ÄÀ¸·Î Ãß·Ð ¹®Á¦¸¦ Ç® ¼ö ÀÖ´Â ¾Ë°í¸®ÁòÀ» Á¦¾ÈÇß´Ù. ¿©±â¼­ °è»êµÈ ÇÑ°èÈ®·üÀ» ÁÖº¯À¸·Î ÀüÆÄÇÑ´Ù´Â Ãø¸é¿¡¼­ ¡®½Å·Ú ÀüÆĹý(Belief Propagation)¡¯À̶ó°í ºÒ¸°´Ù.

½Å·Ú ÀüÆĹýÀº º£ÀÌÁö¾È ³×Æ®¿öũó·³ Æ®¸® ¸ð¾çÀ¸·Î Ç¥ÇöÇÒ ¼ö ÀÖ´Â ±¸Á¶¿¡¼­ Çظ¦ Á¤È®ÇÏ°Ô Ã£¾Æ³»°í, ÀϹÝÀûÀÎ ¼øȯÀÌ Á¸ÀçÇÏ´Â ±×·¡ÇÁ¿¡¼­´Â ±Ù»çÇظ¦ ã´Âµ¥ ÇöÀçµµ º¸ÆíÀûÀ¸·Î ¾²ÀδÙ. ±×·³¿¡µµ ºÒ±¸ÇÏ°í ÀÌ·± Àΰú°ü°è¸¦ Ç¥ÇöÇÏ´Â °ÍÀº µ¥ÀÌÅ͸¦ Á¤È®ÇÏ°Ô Ç¥ÇöÇϱâ À§Çؼ­ ¸Å¿ì Áß¿äÇÏÁö¸¸, Ç¥ÇöÇÏ´Â º¯¼ö°¡ ¸¹¾ÆÁö¸é Àΰú°ü°è°¡ Á¾¼Óº¯¼ö°¡ ´Ù½Ã µ¶¸³º¯¼öÀÇ ¿øÀÎÀÌ µÇ´Â ¼øȯ°ü°è°¡ ¸¸µé¾îÁö´Â °æ¿ì°¡ ÀÖ¾î ¸ðµ¨À» ¿ÂÀüÈ÷ Ç¥ÇöÇÒ ¼ö ¾ø´Ù´Â ÇÑ°èÁ¡ÀÌ ÀÖ´Ù.

ÀÌ¿Í °°ÀÌ ¸¹Àº º¯¼öµéÀÇ ¼øȯ Àΰú°ü°è¸¦ Æ÷ÇÔÇÑ º¹ÀâÇÑ °ü°è¸¦ Ç¥ÇöÇϱâ À§Çؼ­ È®·ü ±×·¡ÇÁ(¶Ç´Â ¸¶ÄÚÇÁ È®·üÀå) ¸ðµ¨ÀÌ »ç¿ëµÈ´Ù. ÀÌ ¸ðµ¨Àº È®·ü º¯¼ö »çÀÌÀÇ Á¾¼Ó¼º°ú µ¶¸³¼ºÀ» Àΰú°ü°è¿¡ ¿µÇâÀ» ¹Þ´Â °ÍÀÌ ¾Æ´Ï¶ó, ¸¶ÄÚÇÁ ºí·©Å¶(blanket)À̶ó°í ºÒ¸®´Â ÀÌ¿ô º¯¼öµéÀÇ °ª¿¡ Á÷Á¢ÀûÀ¸·Î ¿µÇâÀ» ¹Þ´Â´Ù. È®·ü ±×·¡ÇÁ ¸ðµ¨¿¡¼­´Â ÀáÀç ÇÔ¼ö¸¦ ÀÌ¿ëÇØ º¯¼öµé »çÀÌÀÇ °ü°è¸¦ Ç¥ÇöÇÑ´Ù. ÀáÀç ÇÔ¼ö´Â µ¥ÀÌÅÍÀÇ Æ¯¼º¿¡ µû¶ó¼­ ¼±Çü, ´ÙÇ×, ºñ¼±Çü µî ´Ù¾çÇÑ ÇÔ¼ö¸¦ ¼±ÅÃÇÒ ¼ö ÀÖÁö¸¸, ±×Áß¿¡¼­µµ Áö¼öÇÔ¼ö°¡ ¸¹Àº ÀÀ¿ëºÐ¾ß¿¡¼­ »ç¿ëµÇ°í ÀÖ´Ù.

°¡¿ì½Ã¾È ºÐÆ÷¸¦ Æ÷ÇÔÇÑ ¸¹Àº È®·üºÐÆ÷ÇÔ¼ö°¡ Áö¼öÇÔ¼ö·Î Ç¥ÇöµÇ°í, ¹ÌºÐÀÌ ¿ëÀÌÇØ È¿À²ÀûÀÎ ¸ðµ¨ÀÇ ÇнÀÀÌ °¡´ÉÇϱ⠶§¹®ÀÌ´Ù. ¿¹¸¦ µé¾î ¹°¸®Çп¡¼­ ¼Ò°³µÅ ÃÖ±Ù µö·¯´×¿¡¼­ ¸¹Àº °ü½ÉÀ» ¹Þ°í ÀÖ´Â Á¦ÇÑÀû º¼Á ±â°è(Restricted Boltzmann Machine)´Â °èÃþ °£ º¯¼öÀÇ ÀÌÇ×½ÄÀ» Áö¼ö·Î »ç¿ëÇÏ´Â Áö¼öÇÔ¼öÀÇ ÀÏÁ¾ÀÌ´Ù.

±¸Ã¼ÀûÀ¸·Î Á¦ÇÑÀû º¼Á ±â°è¿¡¼­´Â ´Ù¼öÀÇ ÀÌÁø º¯¼öµéÀÌ °¢ °èÃþ¿¡ ¼­·Î ³ª´©¾îÁ® ÀÖ´Ù´Â °¡Á¤À¸·Î, ¼­·Î Á÷Á¢ÀûÀ¸·Î ÀÎÁ¢ÇÑ °èÃþÀÇ º¯¼öµé¸¸ÀÌ Á¦ÇÑÀûÀ¸·Î ¿¡³ÊÁö¶ó°í ÇÏ´Â ÀáÀçÇÔ¼ö¸¦ °®´Â´Ù. ÀÌ ¿¡³ÊÁöÇÔ¼ö´Â ¼±È£ÇÏ´Â µÎ º¯¼ö°¡ ÇÔ²² 1ÀÇ ½ÅÈ£¸¦ º¸ÀÏ ¶§ ƯÁ¤ ¿¡³ÊÁö W°¡ Àüü ¿¡³ÊÁö¿¡ Ãß°¡µÇ´Â °ÍÀ» °¡Á¤ÇÑ´Ù.

ÀÌ·± º¼Á ±â°è¿¡¼­ ¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀÇ ¿ªÇÒÀº °¢ °èÃþÀÇ º¯¼öµé°ú ÇнÀ µ¥ÀÌÅÍ°¡ ÁÖ¾îÁ³À» ¶§ µÎ º¯¼öµéÀÇ °ü°è¸¦ Ç¥ÇöÇÏ´Â ¿¡³ÊÁö ¸Å°³º¯¼ö W¸¦ ã´Â °ÍÀÌ´Ù. ´Ù¾çÇÑ ¸ðµ¨À» ÇнÀÇÏ´Â ¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀ» ´Ù·ç´Âµ¥ À־ °¡Àå Áß¿äÇÑ Áú¹® Áß Çϳª´Â ¾î¶² ¸ðµ¨µéÀÌ ¸Ó½Å·¯´×À¸·Î ÇнÀÀÌ °¡´ÉÇÑÁö, ¶Ç ÇнÀÀÌ °¡´ÉÇÏ´Ù¸é ¾ó¸¶³ª ¸¹Àº ÇнÀ µ¥ÀÌÅÍ°¡ ÇÊ¿äÇÑÁö¿¡ ´ëÇÑ Áú¹®ÀÌ´Ù. 2010³â¿¡ Æ©¸µ»óÀ» ¼ö»óÇÑ ·¹½½¸® ¹ë¸®¾ðÆ®(Leslie Valiant)´Â ÀÌ Áú¹®¿¡ ´ë´äÇϱâ À§ÇØ PAC(Probably Approximate Correct) ·¯´×À̶ó´Â ¸ðµ¨À» Á¦¾ÈÇß´Ù. PAC ·¯´×Àº ÇнÀÇÏ°íÀÚ ÇÏ´Â ÀÓÀÇÀÇ ¸ðµ¨À» ÁÖ¾îÁø Á¤È®µµ ¥á·Î ÇнÀÇÏ´Â °ÍÀÌ ¸ñÇ¥ÀÏ ¶§, ÁÖ¾îÁø È®·ü(50%º¸´Ù ¸¹Àº)·Î¸¸ Á¤È®µµ ¥á¸¦ ´Þ¼ºÇÑ´Ù¸é ¼º°øÇÑ °ÍÀ¸·Î °£ÁÖÇÏ´Â °³³äÀÌ´Ù.

´õºÒ¾î ¹ë¸®¾ðÆ®´Â ¸ðµ¨ÀÇ Ç¥Çö·ÂÀÇ ·Î±×¿¡ ºñ·ÊÇØ ´õ ¸¹Àº ÇнÀ µ¥ÀÌÅÍ°¡ ÇÊ¿äÇÔ°ú µ¿½Ã¿¡ È¿À²ÀûÀÎ ÇнÀÀÌ °¡´ÉÇÑ ¸ðµ¨°ú ¾Ë°í¸®ÁòÀÌ ÀÖÀ½À» º¸¿´´Ù. PAC ·¯´×¿¡ ´ëÇÑ ¿¬±¸´Â ¸¶ÀÌŬ ÄÁ½º(Michael Kearns)¿¡ ÀÇÇØ ¾àÇÑ(Á¤È®µµ ¥á°¡ 50%º¸´Ù Å©Áö¸¸ Á¤È®ÇÏÁö´Â ¾ÊÀº) ÇнÀ±â¸¦ ÅëÇØ °­ÇÑ(´õ Á¤È®µµ°¡ ³ôÀº) ÇнÀ±â¸¦ ÇнÀÇÒ ¼ö ÀÖ´ÂÁö¿¡ ´ëÇÑ Áú¹®À¸·Î À̾îÁ³À¸¸ç, ¿À¾Æºê ÇÁ·ÎÀÎÆ®(Yoav Freund)¿Í ·Î¹öÆ® »þÇǸ£(Robert Schapire)¿¡ ÀÇÇØ ¿¡À̴ٺνºÆ®(Adaboost)°¡ °í¾ÈµÇ´Â °è±â°¡ µÆ´Ù.

¿¡À̴ٺνºÆ®¿Í °°Àº ºÎ½ºÆà ¾Ë°í¸®ÁòÀº ÀÌ·ÐÀûÀ¸·Îµµ ÇнÀÀÌ ÁøÇàµÊ¿¡ µû¶ó Á¤È®µµ°¡ Á¡Â÷ÀûÀ¸·Î Áõ°¡ÇÏ´Â °ÍÀ» º¸ÀÏ ¼ö ÀÖÀ» »Ó¸¸ ¾Æ´Ï¶ó, ¿©·¯ ÀÀ¿ëºÐ¾ß¿¡¼­ ÁÁÀº ¼º´ÉÀ» ³»°í ÀÖ´Â ·£´ý Æ÷·¹½ºÆ®(Random Forest), ±×·¹À̵ð¾ðÆ®(Gradient) ºÎ½ºÆà µî ¾Ë°í¸®ÁòµéÀÌ °³¹ßµÇ´Â ±âÃÊ°¡ µÆ´Ù.

[ÀΰøÁö´É°ú µö·¯´×¨ê] ÁøÈ­ÇÏ´Â ¸Ó½Å·¯´× ¾Ë°í¸®Áò¡¦Á¡Á¡ ´õ ¡®»ç¶÷󷳡¯
µö·¯´×, À̹ÌÁö ÀÎ½Ä ¼º°ø ±â¹Ý ¹ßÀü °¡¼Ó
ÃÖ±Ù¿¡´Â ´ÙÃþÀû Àΰø½Å°æ¸ÁÀÎ µö·¯´×ÀÌ À̹ÌÁö¸¦ ÀνÄÇÏ´Â ÄÄÇ»ÅÍ ºñÀü°ú À½¼ºÀÎ½Ä ºÐ¾ßÀÇ ¼º°øÀ» ±â¹ÝÀ¸·Î ¸¹Àº ¹ßÀüÀÌ ÀÌ·ïÁö°í ÀÖ´Ù. Àΰø½Å°æ¸ÁÀÇ ÇнÀ ¾Ë°í¸®ÁòÀº ÇÑ °èÃþÀ» ÇнÀÇÏ´Â ÆÛ¼ÁÆ®·Ð(Perceptron) ¾Ë°í¸®Áò°ú °èÃþ °£ Á¤º¸(¿À·ù)¸¦ Àü´ÞÇÏ´Â ¿ªÀüÆĹý(Backpropagation)ÀÌ ³Î¸® ¾Ë·ÁÁ³À¸³ª, ±âÁ¸ÀÇ ¿ªÀüÆĹýÀÌ ´Ù°èÃþÀÇ ³×Æ®¿öÅ©¿¡¼­´Â ´Ù°èÃþÀ» ÅëÇØ Á¤º¸¸¦ Àü´ÞÇÏ´Â °úÁ¤¿¡¼­ ¼Ò¸êµÅ Á¤º¸¸¦ È¿°úÀûÀ¸·Î ÀÛµ¿ÇÏÁö ¸øÇØ º¹ÀâÇÑ ºÐ·ùÀÛ¾÷¿¡´Â Çѵ¿¾È »ç¿ëµÇÁö ¸øÇÏ°í ÀÖ¾ú´Ù. 2000³â´ë Áß¹Ý Åä·ÐÅä´ë ÈùÆ°±³¼ö ¿¬±¸ÆÀ µîÀÇ È°¹ßÇÑ ¿¬±¸°á°ú¿¡ ÈûÀÔ¾î ´ÙÃþ Àΰø½Å°æ¸ÁÀÇ Ãʱ⠻óŸ¦ Á¦ÇÑµÈ º¼Á ±â°è¸¦ ÀÌ¿ëÇØ Æ¯Á¤ µ¥ÀÌÅ͸¦ ¼³¸íÇÒ ¼ö ÀÖµµ·Ï ¼±ÇàÇнÀ(pre-train) ÇÒ ¼ö ÀÖ´Â ¹æ¹ýÀÌ °í¾ÈµÆ´Ù.

µö ³×Æ®¿öÅ©¶ó°í ºÒ¸®´Â ÀÌ ¸ðµ¨Àº À̹ÌÁö¡¤»ç¹°ÀÎ½Ä ºÐ¾ß¿¡¼­ ±âÁ¸¿¡ Á¸ÀçÇÏ´Â ¸ðµ¨µéÀ» ¶Ù¾î ³ÑÀ¸¸ç Àΰø½Å°æ¸Á ¸ðµ¨°ú ¾Ë°í¸®ÁòÀÇ »õ·Î¿î ¿¬±¸¸¦ À̲ø°í ÀÖ´Ù. ´ÙÃþ Á¦ÇÑ º¼Á ±â°è(Rectricted Boltzmann Machine)ÀÇ ÇнÀ ¾Ë°í¸®ÁòÀº ±âº»ÀûÀ¸·Î´Â ÀüÅëÀûÀÎ °æ»ç ÇÏ°­¹ýÀ» ÅëÇØ ÀÌ·ïÁø´Ù. ±¸Ã¼ÀûÀ¸·Î »ìÆ캸¸é, ÁÖ¾îÁø µ¥ÀÌÅ͸¦ Á¦ÇÑ º¼Á ±â°è·Î Ç¥ÇöÇÒ ¶§ÀÇ È®·üÀ» ¸Å°³º¯¼ö·Î ¹ÌºÐÇØ È®·üÀ» Áõ°¡½ÃÅ°´Â ¹æ½ÄÀ¸·Î ¸Å°³º¯¼ö¸¦ ¼öÁ¤ÇØ ³ª°¡´Â ¹æ¹ýÀÌ´Ù.

¼±ÇàÇнÀ ¾øÀ̵µ Á¤È®ÇÑ ÇнÀ °¡´É ÀÔÁõ
½ÇÁ¦·Î ÀÌ °úÁ¤ Áß¿¡´Â °¢ °èÃþ º¯¼öµéÀÇ ÇÑ°è È®·üÀ» ±¸ÇÏ´Â °úÁ¤¿¡ ±é½º Ç¥º»¹ýÀ̶ó´Â °úÁ¤¿¡¼­ ½Ã°£À» ¸¹ÀÌ ¿äÇÏ°Ô µÇ´Âµ¥, Åä·ÐÅä ¿¬±¸ÆÀÀº ½ÇÁ¦ µ¥ÀÌÅÍÀÇ °æ¿ì¿¡´Â ¿©·¯ ¹Ýº¹À» ¼öÇàÇÏ´Â ±é½º Ç¥º»¹ýÀ» ÇÑ ´Ü°èÀÇ ¹Ýº¹À¸·Î ÁÙ¿© ¼öÇàÇÏ´Â ¹æ¹ý(Contrastive Divergence)ÀÌ °è»êµµ ºü¸£¸é¼­ Á¤È®µµ¿¡ Å« ¿µÇâÀ» ÁÖÁö ¾Ê´Â´Ù´Â °ÍÀ» ½ÇÁõÀûÀ¸·Î º¸¿´´Ù. À̸¦ ÅëÇØ ¸¹Àº ¾çÀÇ µ¥ÀÌÅ͸¦ ½±°Ô ¼±Çà ÇнÀ ÇÒ ¼ö ÀÖµµ·Ï ÇØ µö ³×Æ®¿öÅ©ÀÇ ¼º°øÀ» À̲ø¾ú´Ù. ´õºÒ¾î ¸ðµ¨ÀÌ ÇнÀ½ÃÅ°´Â µ¥ÀÌÅÍ¿¡ ÀÇÁ¸ÀûÀÌ µÇ´Â °úÀ×ÀûÇÕ(overfitting)À» ÇØ°áÇϱâ À§ÇØ ÁÖ¾îÁø È®·ü·Î ³×Æ®¿öÅ©¿¡ ÀÖ´Â º¯¼öµéÀ» »ý·«ÇÏ´Â ¹æ¹ýÀÎ µå·Ó¾Æ¿ô(Drop out)À» Á¦¾ÈÇØ ÃÖ±Ù À̹ÌÁö ÀÎ½Ä ºÐ¾ß ¹× À½¼ºÀÎ½Ä ¼º´ÉÀ» ´Ù½Ã ÇÑ ¹ø Å©°Ô Çâ»ó½ÃÄ×´Ù.

ÇÑÆí, ´º¿å´ëÀÇ ¾á ·¹Äï ±³¼ö ¿¬±¸ÆÀÀº °¢ °èÃþ¿¡¼­ ¼­·Î ¿ÏÀüÈ÷ ¿¬°áµÈ(fully connected) ½Å°æ¸Á ±¸Á¶ ´ë½Å, Àü¹®°¡¿¡ ÀÇÇØ ¼±º°ÀûÀ¸·Î ¿¬°áµÇµµ·Ï ¼³°èµÈ ½Å°æ¸Á ±¸Á¶ÀÎ CNN(Convolutional Neural Network)À» Á¦¾ÈÇØ Ãʱ⠸Ű³º¯¼ö¿¡ ´ëÇÑ ¼±ÇàÇнÀ ¾øÀ̵µ Á¤È®ÇÑ ÇнÀÀÌ °¡´ÉÇÔÀ» º¸¿´´Ù.

µö·¯´×Àº ÀÌ·± ´Ù°èÃþ Àΰø½Å°æ¸ÁÀ» ÇнÀÇÏ´Â ¾Ë°í¸®ÁòÀ» Æ÷°ýÀûÀ¸·Î ÀÏÄ´ ¿ë¾î·Î, ÃÖ±Ù °³¹ßµÈ ¾Ë°í¸®ÁòµéÀÌ ÁÖ¸ñÇÏ°í ÀÖ´Â °øÅëÀûÀÎ ³»¿ëÀº Ç¥Çö·ÂÀÌ Ç³ºÎÇÑ ´Ù°èÃþ ±¸Á¶¿¡¼­ ¿ªÀüÆĹýÀÇ °úÀ×ÀûÇÕÀ» ÇÇÇϸ鼭 ÀûÀýÇÑ Èñ¼Ò¼º Ç¥Çö(Sparse Representation)À» ã´Â °ÍÀÌ´Ù. ÃÖ±Ù º¸°í¿¡ µû¸£¸é ±¸±ÛÀº ¼øȯ Àΰø½Å°æ¸Á(Recurrent Neural Network)À» µö·¯´× ¾Ë°í¸®ÁòÀ¸·Î ÇнÀ½ÃÄÑ ÀÚµ¿ ¾ð¾î ¹ø¿ª±â¸¦ ½ÇÇè ÁßÀÌ´Ù. µö·¯´×ÀÇ ¹ßÀüÀÌ »ç¹°Àνİú À½¼ºÀÎ½Ä µîÀ» ³Ñ¾î ¸Ó½Å·¯´×ÀÇ ½Ç¿ëÀû ¹ßÀüÀ» ¾îµð±îÁö À̲ø¾î °¥Áö ±â´ëµÈ´Ù.

¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀº µ¥ÀÌÅ͸¦ Ç¥ÇöÇÏ´Â ¸ðµ¨°ú ºÐ¸®ÇØ »ý°¢Çϱ⠾î·Æ´Ù. ÇöÀç Á¦ÇÑµÈ º¼Á ±â°è µî ´ÙÃþ Àΰø½Å°æ¸Á ¸ðµ¨ÀÇ ¼º°øÀº ´Ù¾çÇÑ ºñÁ¤Çü µ¥ÀÌÅ͸¦ Àß Ç¥ÇöÇÒ ¼ö ÀÖ´Â À¯¿¬ÇÑ ¸ðµ¨ÀÌ ÇÊ¿äÇÏ´Ù´Â °ÍÀ» ½Ã»çÇÑ´Ù°í ÇÒ ¼ö ÀÖ´Ù.

ÇÑÆíÀ¸·Î´Â µö·¯´× ¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀÌ Èñ¼Ò¼º Ç¥Çö¹ýÀ» ¼±È£ÇÏ´Â ¹æÇâÀ¸·Î ¹ßÀüÇÏ´Â °ÍÀ» º¸¸é, ÇнÀ ¾Ë°í¸®Áò ÀÔÀå¿¡¼­´Â Ç×»ó ´õ º¹ÀâÇÑ ¸ðµ¨À» ¼±È£ÇÏ´Â °ÍÀº ¾Æ´Ï¶ó´Â °ÍÀ» ¾Ë ¼ö ÀÖ´Ù. Äݸð°í·ÎÇÁ(Kolmogorov)´Â Áßø Á¤¸®(superposition theorem)¸¦ ÅëÇØ n°³ÀÇ ÀÔ·Â º¯¼ö¿Í 1°³ÀÇ Ãâ·Â º¯¼ö°¡ ÁÖ¾îÁø ÀÓÀÇÀÇ ÇÔ¼ö¸¦ ÀûÀýÇÑ ¼±Çü ºñ¼±Çü º¯È¯À» ÅëÇØ Áß°£°èÃþ¿¡ 2n+1°³ÀÇ º¯¼ö¸¸À» °®´Â 3°èÃþ ±¸Á¶·Î Ç¥ÇöÇÏ´Â °ÍÀÌ °¡´ÉÇÏ´Ù´Â °ÍÀ» º¸¿´´Ù. ÀÌ·± Ãø¸é¿¡¼­ º»´Ù¸é °èÃþÀÌ ´õ Ãß°¡µÈ ´Ù°èÃþ Àΰø½Å°æ¸ÁÀÌ Æ¯Á¤ ¸ðµ¨À» ÇнÀÇϱ⿡ ´õ ÀûÇÕÇÑ °ÍÀÎÁö, ȤÀº ÀÓÀÇÀÇ ÇÔ¼ö¸¦ ÇнÀÇÒ ¼ö ÀÖ´ÂÁö µîÀÇ Èï¹Ì·Î¿î Áú¹®ÀÌ ³²¾ÆÀÖ´Ù°í ÇÒ ¼ö ÀÖ´Ù.

´õ±¸³ª µö·¯´×ÀÌ ÀÌÇ× Áö¼öÇÔ¼ö¸¦ °¡Á¤ÇÏ°í, ¼­·Î ÀÎÁ¢ÇÑ °èÃþ °£ÀÇ °ü°è¸¸À» °¡Á¤ÇÏ´Â ´Ù¼Ò Á¦ÇÑµÈ ¸ðµ¨ÀÓÀ» °¨¾ÈÇϸé, ´Ù¾çÇÑ ¸Ó½Å·¯´× ¸ðµ¨ ¹× ¾Ë°í¸®ÁòÀÌ °è¼ÓÇØ Àΰ£À» ´àÀº Áö´ÉÀûÀÎ ½Ã½ºÅÛÀ» ¸¸µå´Â °ÍÀ» ±â´ëÇÒ ¼ö ÀÖ°Ú´Ù.

±Û ÃÖÀç½Ä ¿ï»ê°úÇбâ¼ú´ë Àü±âÀüÀÚÄÄÇ»ÅÍ°øÇкΠ±³¼ö

¢º¹Ì·¡¸¦ ¿©´Â Å×Å© Ç÷§Æû 'Å×Å©¿¥' ¹Ù·Î°¡±â¢¸
¢ºÆǸŰø°£¿¡¼­ üÇè°ø°£À¸·Î º¯½ÅÇÏ´Â ÀÎÅÍ·¢Æ¼ºê ¸®Å×ÀÏ ¼¥
¢º3DÇÁ¸°ÅÍ´Â ¿ä¸® Áß, Àü±â¸¦ »ç¶ûÇÑ ÀÚÀü°Å
¢ºÀΰøÁö´É°ú µö·¯´×, ºòµ¥ÀÌÅÍ ¾È°í ºÎÈ°ÇÏ´Ù
¢ºÀÎÅͳÝÀÇ ±«¹° »ç³É²Ûµé



¸Ó´ÏÅõµ¥ÀÌ ÁÖ¿ä´º½º

"ÀÌ ºÎºÎ ¿ù 469¸¸¿ø Ÿ³×"¡¦±¹¹Î¿¬±Ý ¹Þ´Â ³ëÀÎ 50% ³Ñ¾ú´Ù
³×À̹ö ¸ÞÀο¡¼­ ¸Ó´ÏÅõµ¥ÀÌ ±¸µ¶ Ä«Ä«¿ÀÅå¿¡¼­ ¸Ó´ÏÅõµ¥ÀÌ Ã¤³Î Ãß°¡

º£½ºÆ®Å¬¸¯

¿À´ÃÀÇ ²ÜÆÁ

  • ´º½º ¼Ó ¿À´Ã
  • ´õ¿µ»ó
  • ³¯¾¾´Â?
  • ÇコÅõµ¥ÀÌ

¸¹ÀÌ º» ´º½º

ºÎµ¿»ê À¯Æ©ºê Á¤º¸Ã¤³Î ºÎ¸´Áö
Ç®¹ÎÁö

Æ÷Åä / ¿µ»ó