한글내용
(Korean Abstract) |
심층 신경망은 다양한 분야에서 놀라운 성공을 거두었다. 특히 놀랍게도, 인공신경망은 특정 데이터셋에서 학습하고 다른 데이터셋에 일반화를 잘하는 것이 알려져 있다. 하지만, 최근 연구들에 의하면 인공신경망은 편향된 데이터셋에서 학습할 경우 일반화 성능이 매우 떨어지는것이 밝혀졌다. 특히, 데이터의 레이블과 높은 상관관계가 있는 거짓된 특징이 데이터셋에 있는 경우 인공신경망은 그러한 거짓된 특징을 학습하게되는 경우가 많고, 이로 인해서 일반화 성능에 치명적인 영향을 주는 것이 알려졌다. 본 연구에서는 데이터 증강 기법인 mixup 을 이러한 편향된 데이터셋에서 적용했을때 어떠한 성능 변화가 일어나는지 관찰한다. Colored MNIST 와 같은 대표적인 편향 데이터셋에서 실험을 통해 관찰한 결과, mixup 과 같은 데이터 증강 기법은 오히려 편향된 데이터셋에서 일반화 성능을 낮추는것을 확인했다. 본 연구에서는 이를 해결하기 위해서 간단하지만 효과적인 새로운 증강 기법을 제안하고, 제안된 방법론을 여러가지 편향 데이터셋에서 효과적임을 실험적으로 검증한다. |
