초록 ▼

연구개요
심층학습(deep learning)은 음성인식이나 영상인식, 자연언어처리에서 괄목할 성능향상을 이루어 내면서 학계와 기업의 연구개발이 집중되고 있다. 그러나 심층학습을 하기 위해선 많은 양의 학습데이터를 필요로 하며 이를 수집하기 위해서는 많은 시간과 비용이 소모된다는 것이 소규모 조직의 심층 학습 도입에 걸림돌이 되고 있다. 본 과제는 현실적으로 대용량의 학습데이터를 확보하기는 힘들지만 기계학습결과의 질을 판단할 수 있는 전문 인력은 활용 가능한 상황에서 보다 효과적으로 심층학습을 수행할 수 있는 방법을 연구하고자

연구개요
심층학습(deep learning)은 음성인식이나 영상인식, 자연언어처리에서 괄목할 성능향상을 이루어 내면서 학계와 기업의 연구개발이 집중되고 있다. 그러나 심층학습을 하기 위해선 많은 양의 학습데이터를 필요로 하며 이를 수집하기 위해서는 많은 시간과 비용이 소모된다는 것이 소규모 조직의 심층 학습 도입에 걸림돌이 되고 있다. 본 과제는 현실적으로 대용량의 학습데이터를 확보하기는 힘들지만 기계학습결과의 질을 판단할 수 있는 전문 인력은 활용 가능한 상황에서 보다 효과적으로 심층학습을 수행할 수 있는 방법을 연구하고자 한다. 이와 같은 상황은 현실에서 상당히 빈번히 발생한다. 예를 들어 환자의 진료데이터를 기반으로 CAD(Computer Aided Diagnosis)시스템을 구축하기 위해서도 대용랑 데이터의 수집은 비용 부담뿐만 아니라 현실적으로 불가능한 경우가 많으나 적어도 데이터의 레이블링이 가능한 전문가는 활용 가능하다. 이때 전문가가 기계학습의 과정에 직접 개입하거나 적은 수의 데이터를 선별적으로 수집해 비용대비 고효율의 학습 데이터를 얻기 위한 연구를 하고자 한다.

연구 목표대비 연구결과
본 연구에서는 사람의 피드백을 활용하는 효율적인 기계-사람 상호보완 학습 (Human-Computer Interactive Machine Learning; HC-IML) 방법론 개발을 목표로 한다.
HC-IML이 적용되는 어플리케이션이나 신경망 구성에 사용되는 레이어의 종류에 따라 사실 피드백을 모델 개선에 사용하는 방법 또한 크게 달라질 수 밖에 없다. 본 생애첫연구 과제에서는 심층학습의 대표적인 모델들을 사용한 어플리케이션들로부터 사용자의 피드백을 받는 인터페이스와 이를 학습에 적용하는 방법을 개발하고 HC-IML의 일반적 적용을 위한 방법론의 기틀을 찾고자 한다.
* (1차년도) 어플리케이션에 따른 피드백 활용 방법 개발: 대표적인 심층학습 학습 데이터인 이미지 데이터와 시계열 데이터에 대하여 어플리케이션 모델을 개발하고, 사용자의 피드백을 활용하는 방법을 개발하였다. SNS 상에서 수집한 사용자의 명시적 피드백과 패션 사진들을 이용하여 네트워크 형태의 데이터를 구축, 심층학습 모델을 구성하여 개인 맞춤형 패션 추천 어플리케이션을 개발하였다.
* (2차년도) 결측 데이터의 보완 방법 및 피드백을 활용한 심층신경망 모델 학습 개발: 중소규모 기업에서 데이터를 수집하는 과정에서 발생할 수 있는 결측 데이터를 보완하고 사용자의 피드백을 심층신경망 학습에 이용할 수 있는 방법을 제안한다. 1) GAN(Generative Adversarial Network) 기반의 생성 모델을 사용하여 결측치를 대체하는 신호를 생성할 수 있다. 생성된 신호는 실제 신호의 상태와 일치하며, 정상 신호처럼 보이도록 만들어진다. 2) 이미지 데이터의 라벨링 과정에 있어서 작업의 시간과 비용을 줄이기 위하여 사용자의 피드백과 심층학습을 이용한 라벨링 보조 도구를 개발하였다.
* (3차년도) 학습된 심층신경망 모델의 해석 및 분석 방법 개발: 사용자에게 심층학습의 결과의 해석을 제공함으로써 피드백에 대한 의사결정을 보조할 수 있는 방법을 제안한다. 제안하는 대용량의 데이터로부터 자기지도학습 방법으로 훈련된 사전학습 모델의 해석은 사용자 데이터에 대한 추가 학습 전략을 제공한다. 1차년도에서 개발된 수면 단계 판별기 모델의 판별 결과를 해석함으로써 EEG 신호의 어떤 부분이 수면 단계에 영향을 미치는지에 대한 판단 근거를 사용자에게 제공하는 방법을 개발하였다.

연구개발성과의 활용 계획 및 기대효과 (연구개발결과의 중요성)
심층학습을 활용하고자 하는 중소규모의 기업으로서는 대용량 학습데이터 확보의 문제가 가장 큰 장애물이다. 현실적으로 대용량의 학습데이터를 확보하기는 힘들지만 도메인 전문가 혹은 일반 사용자가 활용 가능한 상황에서 HC-IML은 응용이 가능하다.
* 환자의 진료데이터(X-ray 촬영 이미지 혹은 뇌파 시그널 데이터)를 기반으로 CAD(Computer Aided Diagnosis) 시스템을 구축 시: 대용랑 의료 데이터의 수집은 비용부담 뿐만 아니라 현실적으로 불가능한 경우가 많으나 데이터의 레이블링이 가능한 전문가(의사)의 피드백을 통해 CAD 시스템의 정확도를 끌어올릴 수 있을 것이다.
* 사전학습 모델을 이용하고자 하는 중소규모 기업: 대용량의 데이터로 학습된 사전학습 모델은 적은 수의 추가 데이터를 통해 일반적인 심층학습보다 더 높은 성능을 보여준다. 본 과제의 결과물을 통해 거대 모델에 대한 분석과 해석 결과에 기반한 사용자의 피드백을 제공하여, 기계학습의 성능을 끌어올릴 수 있다.

(출처 : 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1) 연구개발 목적 ... 4
• 2) 연구의 필요성과 연구범위 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 5
• 1) 1차년도 연구개발 ... 5
• 2) 2차년도 연구개발 ... 6
• 3) 3차년도 연구개발 ... 7
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 8
• 1) 정성적 연구개발성과(연구개발결과) ... 8
• 2) 세부 정량적 연구개발성과 ... 12
• 3) 목표 달성 수준 ... 12
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 13
• 5. 연구개발성과의 관리 및 활용 계획 ... 13
• 6. 참고문헌 ... 13
• [붙임1] 세부 정량적 연구개발성과 ... 15
• [붙임2] 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 17
• 끝페이지 ... 30