728x90
반응형
생성 모델의 난관
- 특성 간에 조건부 의존성이 매우 클 때는 어떻게 대처할 것인가?
- 모델이 어떻게 고차원 표본 공간의 생성 가능한 샘플 중에서 만족할 수 있는 하나를 찾을 것인가?
- 딥러닝이 이 두 문제를 해결할 수 있는 열쇠
표현학습(representation learning)
- 딥러닝이 저차원 공간의 특성으로 변환할 수 있다는 사실이 표현학습을 수행한다는 의미
- 고차원 표본 공간을 직접 모델링하는 것이 아니라 대신 저차원 잠재공간(latent space)을 사용해 훈련 세트의 각 샘플을 표현하고 이를 원본 공간의 포인트에 매핑하는 것이다.
- 표현학습의 강점은 샘플을 묘사하는 데 가장 뛰어난 특성과 이런 특성을 원본 데이터에서 추출하는 방법을 학습한다.
- 수학적으로 말하면 데이터의 비선형 매니폴드(manifold)를 찾고 이 공간을 완전하게 설명하기 위해 필요한 차원을 구성한다.
- 표현학습은 픽셀들이 어떻게 출력되어야 하는지 가장 잘 설명하는 고수준 특성을 만든다.
- 잠재 공간에서 특성값을 조금 바꾸면 새로운 표현을 생성할 수 있다.
- 이를 원본 이미지 공간으로 되돌리면 개별 원시 픽셀을 직접 다루는 것보다 실제와 같이 보일 가능성이 훨씬 높을 것이다.
매니폴드(manifold)
- 국부적으로는 저차원의 유클리안 거리로 볼 수 있는 고차원 공간을 말한다.
http://www.yes24.com/Product/Goods/81538614?OzSrank=1
728x90
반응형
최근댓글