선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- LIME은 기계학습 알고리즘의 예측 결과가 어떠한 입력 값으로부터 긍정적인 영향을 받는지, 그리고 어떠한 입력 값들로부터 부정적인 영향을 받는지를 사용자가 직관적으로 이해할 수 있도록 해줌으로써, 기계 학습이 출력한 결과의 신뢰성을 확인할 수 있는 방법 중 하나이다. LIME은 이미지 인식 분야 및 텍스트의 감성분석 분야 등에서도 활용되고 있는데, 본 논문에 서는 이미지 인식분야에서 사용되는 LIME에 대해 다루고자 한다.
- 5초라는 긴 실행 시간이 필요하였다. 본 실험에서는 Quick-Shift방법 이외에 Image segmentation분야에서 잘 알려진 Felzenszwalb방법과 SLIC방법을 비교 실험하고, segmenation에 필요한 입력 parameter를 최적화함으로써 사용자의 인지용이성을 향상시키고자 하였다.
- Image segmentation은 평면 이미 지에서 의미 있는 객체(Object)를 배경과 분리함으로써 이미지를 좀 더 의미 있고 해석하기 쉬운 형태로 표현하기 위해 사용되는데, 현재 Quick-Shift, Felzenszwalb[2], SLIC[3], Watershed 등과 같은 여러 가지 방법이 소개되어 다양한 분야에서 사용되고 있다. 이 논문에서는 기존 LIME에서 사용한 Quick-Shift 방법 이외에 Felzenszwalb와 SLIC 방법을 추가로 비교 분석하여 사용자가 좀 더 직관적으로 이해할 수 있는 방법을 제안하고자 한다.
- 이 논문에서는 기존의 기계학습 알고리즘을 변경하지 않고 알고리즘의 입력 값과 결과 값의 상관관계를 직관적으로 보여주는 LIME(Local Interpretable Model-agnostic Explanation)[1]기법을 소개하고, 기존 LIME보다 사용자가 쉽게 이해할 수 있도록 향상된 시 각화 방법을 함께 제시하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.