인공지능은 1997년 체스게임에서 인간에게 승리를 거둔 것을 시작으로 다양한 분야, 다양한 과제에서 인간의 능력을 뛰어넘는 결과를 내고 있다. 이러한 결과의 배경에는 대량의 연산을 가능케 하는 하드웨어의 발달, 학습을 위한 빅 데이터의 등장, 학습 알고리즘의 발전 등이 있다. 다양한 배경 중 학습 알고리즘의 발전에는 딥러닝이 존재한다. 딥러닝의 특성은 학습과정 중 입력값의 다양한 조합을 통해 비선형적 특징을 추출하여 과제를 수행하는데 이러한 특성으로 인해 다양한 분야에 대한 전문지식 없이 뛰어난 성능을 낸다. 뛰어난 성능을 내는 반면 이러한 특성으로 인해 입력값과 출력값에 대한 관계를 해석할 수 없는 Balck-Box 특성의 문제점을 갖게 된다. 본 논문에서는 딥러닝의 Black-Box 특성의 문제점을 풀기 위해 데이터의 비선형적 조합을 Signomial 함수를 통해 명시적인 표현이 가능한 딥러닝 기반 Signomial 함수 추정 ...
인공지능은 1997년 체스게임에서 인간에게 승리를 거둔 것을 시작으로 다양한 분야, 다양한 과제에서 인간의 능력을 뛰어넘는 결과를 내고 있다. 이러한 결과의 배경에는 대량의 연산을 가능케 하는 하드웨어의 발달, 학습을 위한 빅 데이터의 등장, 학습 알고리즘의 발전 등이 있다. 다양한 배경 중 학습 알고리즘의 발전에는 딥러닝이 존재한다. 딥러닝의 특성은 학습과정 중 입력값의 다양한 조합을 통해 비선형적 특징을 추출하여 과제를 수행하는데 이러한 특성으로 인해 다양한 분야에 대한 전문지식 없이 뛰어난 성능을 낸다. 뛰어난 성능을 내는 반면 이러한 특성으로 인해 입력값과 출력값에 대한 관계를 해석할 수 없는 Balck-Box 특성의 문제점을 갖게 된다. 본 논문에서는 딥러닝의 Black-Box 특성의 문제점을 풀기 위해 데이터의 비선형적 조합을 Signomial 함수를 통해 명시적인 표현이 가능한 딥러닝 기반 Signomial 함수 추정 알고리즘을 제안한다. 제안한 알고리즘의 원활한 학습 및 성능향상을 위해 제안한 알고리즘에 적합한 규제화 방법을 함께 제안하였다. 제안된 알고리즘의 우수성을 검증하기 위해 다양한 데이터에 대해 기존 기계학습 분야에서 일반적으로 사용되는 알고리즘인 Least Square Regression, Support Vector Regression, 기존 딥러닝 알고리즘과 성능을 비교하였다. 또한 제안한 알고리즘을 통해 학습되는 파라미터를 이용하여 데이터에 대한 비선형적 특징을 갖는 Signomial 함수를 생성하였다.
인공지능은 1997년 체스게임에서 인간에게 승리를 거둔 것을 시작으로 다양한 분야, 다양한 과제에서 인간의 능력을 뛰어넘는 결과를 내고 있다. 이러한 결과의 배경에는 대량의 연산을 가능케 하는 하드웨어의 발달, 학습을 위한 빅 데이터의 등장, 학습 알고리즘의 발전 등이 있다. 다양한 배경 중 학습 알고리즘의 발전에는 딥러닝이 존재한다. 딥러닝의 특성은 학습과정 중 입력값의 다양한 조합을 통해 비선형적 특징을 추출하여 과제를 수행하는데 이러한 특성으로 인해 다양한 분야에 대한 전문지식 없이 뛰어난 성능을 낸다. 뛰어난 성능을 내는 반면 이러한 특성으로 인해 입력값과 출력값에 대한 관계를 해석할 수 없는 Balck-Box 특성의 문제점을 갖게 된다. 본 논문에서는 딥러닝의 Black-Box 특성의 문제점을 풀기 위해 데이터의 비선형적 조합을 Signomial 함수를 통해 명시적인 표현이 가능한 딥러닝 기반 Signomial 함수 추정 알고리즘을 제안한다. 제안한 알고리즘의 원활한 학습 및 성능향상을 위해 제안한 알고리즘에 적합한 규제화 방법을 함께 제안하였다. 제안된 알고리즘의 우수성을 검증하기 위해 다양한 데이터에 대해 기존 기계학습 분야에서 일반적으로 사용되는 알고리즘인 Least Square Regression, Support Vector Regression, 기존 딥러닝 알고리즘과 성능을 비교하였다. 또한 제안한 알고리즘을 통해 학습되는 파라미터를 이용하여 데이터에 대한 비선형적 특징을 갖는 Signomial 함수를 생성하였다.
Artificial intelligence, which started to win a human in the chess game in 1997, has overcome human ability in various fields and tasks. These results are due to the growth of analytical data combined with the development of AI hardware and efficient learning algorithms. Especially, deep learning al...
Artificial intelligence, which started to win a human in the chess game in 1997, has overcome human ability in various fields and tasks. These results are due to the growth of analytical data combined with the development of AI hardware and efficient learning algorithms. Especially, deep learning algorithms have contributed significantly to the development of AI. Deep learning algorithms have the advantage of being able to explore nonlinearity of data through combinations of input values during the learning process. While this characteristic leads to excellent performance, deep learning algorithms have a drawback that they cannot define explicit function to express the relationship between the input and output variables, called “black-box characteristic” To avoid such a problem, we propose deep learning-based signomial function estimation algorithms, which can express nonlinearity of data using an explicit signomial function in deep learning process. In addition, we propose various regularization methods for the proposed algorithms to improve performance of the proposed algorithms. Then the proposed algorithms are compared to the commonly used algorithms including least square regression, support vector regression, and existing deep learning algorithms using various data sets. Experimental results show that the proposed approach provides competitive or even better performance, while giving an explicit function description.
Artificial intelligence, which started to win a human in the chess game in 1997, has overcome human ability in various fields and tasks. These results are due to the growth of analytical data combined with the development of AI hardware and efficient learning algorithms. Especially, deep learning algorithms have contributed significantly to the development of AI. Deep learning algorithms have the advantage of being able to explore nonlinearity of data through combinations of input values during the learning process. While this characteristic leads to excellent performance, deep learning algorithms have a drawback that they cannot define explicit function to express the relationship between the input and output variables, called “black-box characteristic” To avoid such a problem, we propose deep learning-based signomial function estimation algorithms, which can express nonlinearity of data using an explicit signomial function in deep learning process. In addition, we propose various regularization methods for the proposed algorithms to improve performance of the proposed algorithms. Then the proposed algorithms are compared to the commonly used algorithms including least square regression, support vector regression, and existing deep learning algorithms using various data sets. Experimental results show that the proposed approach provides competitive or even better performance, while giving an explicit function description.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.