한국인터넷정보학회 논문지
Current Result Document :
| 한글제목(Korean Title) |
적은 양의 데이터에 적용 가능한 계층별 데이터 증강 알고리즘 |
| 영문제목(English Title) |
A layered-wise data augmenting algorithm for small sampling data |
| 저자(Author) |
조희찬
문종섭
Hee-chan Cho
Jong-sub Moon
|
| 원문수록처(Citation) |
VOL 20 NO. 06 PP. 0065 ~ 0072 (2019. 12) |
한글내용
(Korean Abstract) |
데이터 증강(Data Augmentation)은 적은 양의 데이터를 바탕으로 다양한 알고리즘을 통해 데이터의 양을 늘리는 기술이다. 현실문제를 해결하기 위해 기계학습 및 딥러닝 기법을 사용하는 경우, 데이터 셋이 부족한 경우가 많다. 데이터의 부족은 모델 학습 시, 데이터 셋의 특징을 잘 반영하지 못하는 것 이외에도 과소적합 및 과적합에 빠질 위험이 크다. 따라서 본 논문에서는 오토인코더와 고유값 분해를 기반으로 하는 데이터 증강 기법을 통해 데이터를 증강 시키고 이를 심층 신경망의 각 층 마다 적용하여, 심층 신경망을 효과적으로 사전 학습하는 방법을 제시한다. 이후, WOBC 데이터와 WDBC 데이터에 대해 실험을 통하여 논문에서 제안하는 방법이 분류 정확도를 향상시키는지 측정하고 기존 연구들과 비교함으로써 제안한 방법이 실질적으로 의미가 있는 데이터를 생성하고 모델의 학습에 효과적임을 보인다.
|
영문내용
(English Abstract) |
Data augmentation is a method that increases the amount of data through various algorithms based on a small amount of sample data. When machine learning and deep learning techniques are used to solve real-world problems, there is often a lack of data sets. The lack of data is at greater risk of underfitting and overfitting, in addition to the poor reflection of the characteristics of the set of data when learning a model. Thus, in this paper, through the layer-wise data augmenting method at each layer of deep neural network, the proposed method produces augmented data that is substantially meaningful and shows that the method presented by the paper through experimentation is effective in the learning of the model by measuring whether the method presented by the paper improves classification accuracy.
|
| 키워드(Keyword) |
딥러닝
데이터 증강
고유값 분해
Deep learning
data augmentation
Eigen decomposition
|
| 파일첨부 |
PDF 다운로드
|
