$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝 소개 및 주요 이슈 원문보기

정보처리학회지 = Korea information processing society review, v.22 no.1, 2015년, pp.7 - 21  

최희열 (삼성전자 종합기술원) ,  민윤홍 (삼성전자 종합기술원)

초록이 없습니다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 뿐만 아니라, 생성모델은 인공지능에 있어서도 굉장히 중요한데, 모델이 데이타를 생성해낼 수 있다는 말은 그 모델이 그 데이타를 잘 이해했다고 판단할 수 있는 근거가 되기 때문이다. 본 논문에서는 심층망 중 가장 유명한 생성모델인 DBNs (deep belief networks) 를 간략히 살펴본다.
  • 본 논문에서는 심층망을 이해하기 위한 다양한 개념들, 학습 원리 및 주요 모델들을 설명하고, 이들이 실제 패턴인식 분야에서 어떻게 적용되는 지를 사례 중심으로 설명함으로써 딥러닝에 대한 전체적인 이해를 돕고자 한다.
  • 심층망의 학습을 가능하게 하는 방법들 중에 모델에 상관없이 보편적으로 사용될 수 있는 대표적인 방법들 몇 가지를 살펴보자.
  • 이번 장에서는 신경망에서의 기본적인 학습 방법과 신경망의 계층을 증가시켜서 발생되는 문제들을 다뤄보고, 심층신경망 혹은 심층망의 성능을 향상시키기 위해 최근 제안되어 많이 사용되는 학습 기법들을 소개한다.
  • 인공지능을 이해하는 여러가지 관점과 접근이 있겠지만, 최근 패턴인식 성능의 비약적인 향상을 주도해온 데이타 기반 인공지능을 살펴보자. (그림 1)에서 볼 수 있는 것처럼, 1990년대에 작은 데이타에 기반한 패턴인식은 이론적인 발전에도 불구하고, 그 성능은 인간 지능의 성능에는 크게 미치지 못했다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
딥러닝이란 무엇인가? 기본적으로 딥러닝은 기존 신경망(neural networks) 에 계층수를 증가시킨 심층신경망(deep neural networks) 혹은 심층망(deep networks)을 효과적으로 학습하여 패턴인식이나 추론에 활용 하는 것을 말한다. 이런 심층망의 장점은 기존의 신경망에 비해 더 많은 중간 계층을 사용함으로 써 데이터에 대한 표현 능력을 크게 증가시킬 수 있다는 것이다.
심층망의 장점은 무엇인가? 기본적으로 딥러닝은 기존 신경망(neural networks) 에 계층수를 증가시킨 심층신경망(deep neural networks) 혹은 심층망(deep networks)을 효과적으로 학습하여 패턴인식이나 추론에 활용 하는 것을 말한다. 이런 심층망의 장점은 기존의 신경망에 비해 더 많은 중간 계층을 사용함으로 써 데이터에 대한 표현 능력을 크게 증가시킬 수 있다는 것이다. 이러한 심층망의 아이디어는 이전부터 존재했지만, 2006년 Hinton 교수의 논문 이전에는 심층망을 위한 효과적인 학습방법의 부재로 크게 주목받지 못했다.
패턴인식을 위한 모델을 학습할때는 보통 두 가지 목표가 있는데 각각 무엇인가? 심층망과 같은 패턴인식을 위한 모델을 학습할때는 보통 두 가지 목표를 동시에 달성하기를 원한다. 하나는 비용함수를 최소화하는 모델을 찾는 것이고, 다른 하나는 찾은 모델이 학습에 사용 되지 않은 데이터에 대해서도 인식을 잘하기를 원하는 것, 즉 과적합(overfitting)을 피하는 것이다. 과적합 문제는 근본적으로 학습 데이터에 대해 비용함수를 최소화하기 때문에 발생한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (31)

  1. G. Hinton, R. Salakhutdinov, "Reducing the dimensionality of data with neural networks," Science , Vol. 313, No. 5786, pp. 504-507, Jul. 2006. 

    상세보기 crossref

  2. A. Krizhevsky, I. Sutskever, G. Hinton, "ImageNet classification with deep convolutional neural networks," Advances in Neural Information Processing (NIPS), Lake Taho, NV, 2012. 

  3. J. Markoff, "How Many Computers to Identify a Cat? 16,000," New York Times. June 25, 2012. 

  4. J. Markoff, "Scientists See Promise in Deep-Learning Programs," New York Times. November 24, 2012. 

  5. G. Marcus, "Is 'Deep Learning' a Revolution in Artificial Intelligence?" The New Yorker, November 25, 2012. 

  6. G. Hinton, S. Osindero, Y. Teh, "A fast learning algorithm for deep belief nets," Neural Computation Vol.18, pp. 1527-1554, 2006. 

    상세보기 crossref

  7. M. Minsky, S. Papert, Perceptrons, Cambridge, MA: MIT Press, 1969. 

  8. D. E. Rumelhart, G. E. Hinton, R. J. Williams, "Learning internal representations by error propagation" in Parallel Distributed Processing, MIT Press, 1986, pp. 318-362. 

  9. K. Fukushima, "Neocognitron: A self-organizing neural network for a mechanism of pattern recognition unaffected by shift in position," Biological Cybernetics, Vol. 36, No. 4, pp.193-202, 1980. 

    상세보기 crossref

  10. A. Graves, J. Schmidhuber, "Framewise phoneme classification with bidirectional LSTM and other neural network architectures," Neural Networks, Vol. 18, No. 5-6, pp.602-610, 2005. 

    상세보기 crossref

  11. P. Baldi, P. J. Sadowski, "Understanding dropout," Advances in Neural Information Processing Systems (NIPS), 2013, pp.2814-2822. 

  12. C. M. Bishop, Neural Networks for Pattern Recognition, Oxford: Oxford University Press, 1995. 

  13. M. Riesenhuber, T. Poggio, "Hierarchical models of object recognition in cortex," Nature Neuroscience, Vol. 2, No. 11, pp.1019-1025, 1999. 

    상세보기 crossref

  14. R. Kurzweil, How to Create a Mind: The Secret of Human Thought Revealed. Penguin Books, 2012. 

  15. S. J. Thorpe, M. Fabre-Thorpe, "Seeking Categories in the Brain," Science . Vol. 291, No. 5502, pp.260-262, Jan. 2001. 

    상세보기 crossref

  16. A. Graves, A. Mohamed, G. Hinton. "Speech Recognition with Deep Recurrent Neural Networks," International Conf. on Acoustics, Speech, and Signal Processing (ICASSP), 2013, Vancouver, Canada. 

  17. Y. Bengio, A. Courville, P. Vincent, "Representation learning: A review and new perspectives," Pattern Analysis and Machine Intelligence, IEEE Transactions on , Vol. 35, No. 8, pp.1798-1828, 2013. 

    상세보기 crossref

  18. P. Smolensky, "Information Processing in Dynamical Systems: Foundations of Harmony Theory," in Parallel distributed processing: Explorations in the microstructure of cognition , Vol. 1 , MIT Press, Cambridge, MA, 1986, pp. 194-281. 

  19. D. C. Ciresan, U. Meier, J. Masci, J. Schmidhuber, "A committee of neural networks for traffic sign classification," In Proc. of International Joint Conference on Neural Networks (IJCNN), 2011, pp.1918-1921. 

  20. Y. Bengio, P. Simard, P. Frasconi, "Learning long-term dependencies with gradient descent is difficult," IEEE Transactions on Neural Networks, Vol. 5, No. 2, pp.157-166, 1994. 

    상세보기 crossref

  21. Y. Jia, "Caffe: An Open Source Convolutional Architecture for Fast Feature Embedding," 2013, http://caffe.berkeleyvision.org/. 

  22. T. Mikolov, W.-T. Yih, G. Zweig, "Linguistic Regularities in Continuous Space Word Representations," In Proc. of NAACL HLT, 2013. 

  23. R. Socher, M. Ganjoo, H. Sridhar, O. Bastani, C. D. Manning, A. Y. Ng, "Zero-shot learning through cross-modal transfer," In Proc. of International Conference on Learning Representations (ICLR), Scottsdale, AZ, 2013. 

  24. Y. Bengio, E. Thibodeau-Laufer, G. Alain, J. Yosinski, "Deep Generative Stochastic Networks Trainable by Backprop," In Proc. of International Conference on Machine Learning (ICML), 2014. 

  25. A. Graves. "Generating Sequences With Recurrent Neural Networks," 2014. 

  26. D. Marr, "Vision: A Computational Investigation into Human Representation and Processing of Visual Information," Freeman, San Francisco, 1982. 

  27. R. A. Brooks, "Elephants Don't Play Chess," Robotics and Autonomous Systems, Vol. 6, pp.3-15, 1990. 

    상세보기 crossref

  28. J. Schmidhuber, "Deep Learning in Neural Networks: An Overview," Technical Report IDSIA-03-14, 2014. 

  29. C. Farabet, B. Martini, B. Corda, P. Akselrod, E. Culurciello, Y. LeCun, "NeuFlow: A Runtime Reconfigurable Dataflow Processor for Vision", in Proc. of the Fifth IEEE Workshop on Embedded Computer Vision (ECV), Colorado Springs, 2011. 

  30. http://spectrum.ieee.org/robotics/artificial-intelligence/machinelearning-maestro-michael-jordan-on-the-delusions-of-big-data-and-other-huge-engineering-efforts 

  31. L. Deng, "Three classes of deep learning architectures and their applications: a tutorial survey," APSIPA Transactions on Signal and Information Processing, 2012. 

저자의 다른 논문 :

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로