초록 ▼

준지도 학습은 기계 학습의 한 분야로서, 레이블된 데이터와 레이블되지 않은 데이터 모두를 사용하여 모델을 학습한다. 이 방법은 레이블된 데이터만 사용하는 지도 학습에 비해 예측 정확도를 높일 수 있다. 특히 그래프 기반 준지도 학습은, 다른 방법에 비해 높은 예측 정확도 및 여러 장점으로 인하여 많은 주목을 받고 있다. 일반적으로 이 방법은 입력 데이터를 그래프의 형태로 변환하는 그래프 구축 단계와, 구축된 그래프를 입력으로 하여 레이블을 예측하는 레이블 추론 단계로 나뉜다. 그래프 구축을 위해서는 k-최근접 이웃 방법을 가장 많이

준지도 학습은 기계 학습의 한 분야로서, 레이블된 데이터와 레이블되지 않은 데이터 모두를 사용하여 모델을 학습한다. 이 방법은 레이블된 데이터만 사용하는 지도 학습에 비해 예측 정확도를 높일 수 있다. 특히 그래프 기반 준지도 학습은, 다른 방법에 비해 높은 예측 정확도 및 여러 장점으로 인하여 많은 주목을 받고 있다. 일반적으로 이 방법은 입력 데이터를 그래프의 형태로 변환하는 그래프 구축 단계와, 구축된 그래프를 입력으로 하여 레이블을 예측하는 레이블 추론 단계로 나뉜다. 그래프 구축을 위해서는 k-최근접 이웃 방법을 가장 많이 사용하지만, 최근 특징 선택 및 차원 축소, 다양체 학습, 낮은 계수 표현등을 활용한 여러 연구가 발표되고 있다. 레이블 추론은 준지도 학습에서 가장 핵심이 되는 가정인 평활도 가정을 기반으로 하며, 더 높은 정확도를 달성하기 위한 다양한 방법이 연구되어 왔다.
본 연구는 위의 두 단계에서 기존 연구보다 발전된 방법을 제안하는 것에 중점을 두었다. 그래프 구축에서는 최근 여러 분야에서 널리 사용되는 낮은 계수 표현(Low-Rank Representation, LRR) 기반 방법이 가진 단점인 높은 계산 복잡도를 낮추면서도 더욱 더 예측 정확도를 높인 새로운 빠른 낮은 계수 표현 방법 및 그래프 구축 알고리즘을 개발하였다. 또한 레이블 추론에서는 그래프의 각 꼭지점에 중요도를 결합함으로써 기존 알고리즘의 성능을 더욱 향상시키는 개선된 레이블 추론 방법을 개발하였다.

1. 그래프 기반 준지도 학습에서 빠른 낮은 계수 표현 기반 그래프 구축
LRR 기반의 방법들은 표현 행렬(Representation Matrix)의 Trace Norm을 최소화하기 위하여 반복 계산을 수행하는데, 이 반복 계산에 특이값 분해(Singular Value Decomposition, SVD)를 수반한다. 이는 SVD가 n×n 행렬에 대해 O(n3)의 시간 복잡도를 요구하므로(n은 인스턴스 수) 계산적으로 매우 비효율적이다.
이를 해결하기 위해 Fixed-Rank Representation(FRR) 등이 제안되었지만 알고리즘의 목표 최적화 함수가 동일한 것과는 달리, 원래의 LRR과는 다른 해를 도출한다. 그러나 2015년에 발표된 Fast LRR Solver(FaLRR)는 속도를 향상시키면서도 LRR과 동일한 해를 도출한다. 따라서 본 연구에서는 FaLRR의 접근 방법을 응용하여, LRR보다 발전된 기법인 Graph-Regularized Low-Rank Representation(GLRR) 및 Manirold Low-Rank Representation(MLRR)의 속도를 더욱 향상시키는 방법을 개발하였다. 개발한 Fast GLRR(FaGLRR)은 GLRR과 동일한 해를 도출하면서도 더욱 빠르게 계산을 수행하며, Fast MLRR(FaMLRR)은 MLRR처럼, LRR보다 더 좋은 해를 찾아내면서도 MLRR보다 훨씬 빠르게 수행된다.

2. 그래프 기반 준지도 학습에서 꼭지점 중요도를 고려한 레이블 추론
본 연구에서는 그래프 기반 준지도 학습 알고리즘의 레이블 추론에, 분류 성능 향상을 위해 꼭지점 중요도의 개념을 도입하였다. 대다수의 레이블 추론 방법들은 평활도 가정에 기반을 두는데, 그래프를 평활도 가정에 따라 잘 분류하지 못하는 경우(즉, 어떤 클래스에 속할지 애매모호한 꼭지점들이 많을 경우) 추론의 정확성을 확보하는 데 부정적인 영향을 줄 수 있는 꼭지점들의 중요도를 낮춤으로써 해당 꼭지점들이 추론에 덜 반영되도록 할 수 있다.
그리고 이 방법의 효용성을 검증하기 위해, 많이 사용되는 알고리즘들인 GRF와 Label Spreading(LS) 및 2014년에 발표된 발전된 방법인 Probabilistic Graph-based Pointwise Smoothness(PGP)을 기반으로 하여 확장한 새로운 알고리즘들을 제안하였다. 그리고 각 알고리즘이 언제나 유한한 시간 안에 유일한 해를 도출한다는 사실 또한 증명하였다. 그리고 제안한 방법의 효용성을 이 분야에서 자주 사용되는 벤치마크 데이터 및 여러 추가 데이터를 사용하여 분류 오류를 측정함으로써 검증하였다.
(출처: 연구결과 요약문 4p)

목차 Contents

• 표지 ... 1
• 목차 ... 3
• Ⅰ. 연구결과 요약문 ... 4
• Ⅱ. 연구내용 및 결과 ... 5
• 1. 연구과제의 개요 ... 5
• 2. 국내외 기술개발 현황 ... 5
• 3. 연구수행 내용 및 결과 ... 5
• 4. 목표 달성도 및 관련 분야에의 기여도 ... 7
• 5. 연구결과의 활용계획 ... 8
• 6. 연구과정에서 수집한 해외과학기술정보 ... 8
• Ⅲ. 연구성과 ... 9
• 끝페이지 ... 9