초록 ▼

1. 연구목표
의생명 영상 (biomedical imaging) 딥러닝 모델 개발시 최적의 데이터 크기 (sample size) 결정 방법론 연구

2. 연구 내용
가. 충분한 데이터가 있다면, 매핑하고자 하는 함수 (mapping function) 가 일반화 가능한 함수 (generalizability) 인지 판별
1) 딥러닝 모델링 함수의 상대적 복잡성 (relative model complexity) 을 랜덤 데이터셋 및 이미 많이 연구된 벤치마크 (benchmark) 데이터셋과 비교해서 측정

1. 연구목표
의생명 영상 (biomedical imaging) 딥러닝 모델 개발시 최적의 데이터 크기 (sample size) 결정 방법론 연구

2. 연구 내용
가. 충분한 데이터가 있다면, 매핑하고자 하는 함수 (mapping function) 가 일반화 가능한 함수 (generalizability) 인지 판별
1) 딥러닝 모델링 함수의 상대적 복잡성 (relative model complexity) 을 랜덤 데이터셋 및 이미 많이 연구된 벤치마크 (benchmark) 데이터셋과 비교해서 측정
2) 동적 학습 특성 (learning dynamics) 비교를 통해 가능
나. 일반화 오차 (generalization error) 를 목표 범위내로 줄이기 위해 필요한 최소한의 데이터 크기 예측
1) 모델의 크기 (model size) 및 데이터 크기 (sample size)에 따른 시험 오차 측정
2) 이를 이용한 시험 오차 (test error) 신경망 예측 모델 (neural network prediction model) 개발 및 검증

3. 연구 결과
가. 학습하고자 하는 함수가 일반화 가능한 함수인지 판별하는 방법론 제시
나. 일반화 오차를 목표 범위내로 줄이기 위해 필요한 최소한의 데이터 크기 예측 방법 제시

4. 연구의 중요성
의생명 영상을 이용한 딥러닝 모델 개발시, 데이터가 적은 상황에서
가. 충분히 많은 데이터가 있다면 과연 학습 가능한 매핑인지?
나. 얼마나 더 많은 데이터를 모아야 원하는 매핑이 학습이 가능한지?에 대한 정량적인 해를 제시할 수 있다.

(출처 : 초록 3p)

Abstract ▼

A large number of deep learning models have been developed for various fields including biomedical imaging. The model performance is largely dependent on the size and quality of dataset. However, limited number of available dataset has been challenges in developing algorithms due to the high cost of

A large number of deep learning models have been developed for various fields including biomedical imaging. The model performance is largely dependent on the size and quality of dataset. However, limited number of available dataset has been challenges in developing algorithms due to the high cost of collecting biomedical dataset. Therefore, knowing the minimum number of dataset to achieve the desired model performance would be of great help for cost-effective development of algorithms. In other words, it would be helpful if we can predict the model performance by knowing the number of dataset. In a previous study, it has been shown that model performance might be a function of model complexity, and sample size. Here, we developed a deep learning algorithm that predicts the performance of deep learning algorithm, when knowing the model complexity, and sample size.

(출처 : SUMMARY 5p)

목차 Contents

• 표지 ... 1
• 제 출 문 ... 2
• 보고서 초록 ... 3
• 요 약 문 ... 4
• S U M M A R Y ... 5
• C O N T E N T S ... 5
• 목차 ... 6
• 1. 연구개발과제의 개요 ... 7
• 2. 연구개발수행 내용 및 결과 ... 8
• 2.1. 연구방법 및 내용 ... 8
• 2.2. 연구결과 ... 10
• 3. 연구개발결과의 중요성 ... 17
• 4. 참고문헌 ... 19
• 끝페이지 ... 20