| 한글제목(Korean Title) |
딥러닝의 효율적인 학습을 위한 학습데이터 선별 기법에 관한 연구 |
| 영문제목(English Title) |
A Study on Training Set Selection Techniques for Efficient Deep Learning |
| 저자(Author) |
주경돈
김철연
정옥란
Gyeong-don Joo
Chulyun Kim
Ok-Ran Jeong
|
| 원문수록처(Citation) |
VOL 33 NO. 01 PP. 0037 ~ 0047 (2017. 04) |
한글내용
(Korean Abstract) |
빅데이터의 증가와 병렬 하드웨어 처리, 학습 알고리즘의 개선은 딥러닝의 발전을 가져왔으며 인공지능이 적용 가능한 영역을 획기적으로 확장시키고 있다. 하지만 이러한 대규모의 학습 데이터에 기반한 딥러닝은 학습시간이 증가되고, 더 나아가 학습 데이터의 구축을 위한 레이블링(labeling) 비용이 데이터 수에 비례하여 증가하게 된다. 따라서 본 논문에서는, 딥러닝의 정확도를 최대한 유지하면서 필요한 학습 데이터의 수를 줄일 수 있도록, 전체 데이터에서 제한된 수의 학습 데이터의 후보를 선별하는 기법에 대하여 연구한다. 특히 기존의 능동 학습에 기반한 기법들이 학습 데이터의 수가 매우 적어질 경우 딥러닝의 정확도가 급격히 떨어지는 문제를 해결할 수 있는 새로운 기법을 제안하였으며, 제안된 기법으로 선별된 학습 데이터는 그 수의 변화에 대해 딥러닝이 일관되게 경쟁력있는 정확도를 가짐을 다양한 실험을 통하여 검증하였다.
|
영문내용
(English Abstract) |
The increase of big data, parallel hardware processing and enhanced learning algorithms have led to the development of deep learning and are dramatically expanding the domain of applications based on artificial intelligence. However, such large-scale training data extends the learning time, and furthermore, the labeling cost for building the training set increases in proportion to the volume of data. Therefore, in this paper, we study how to select a limited number of candidates for training set from given data so as to reduce the number of training set while maintaining the accuracy of deep learning. Especially, we found that, with the training set selected by the previous work, the accuracy of deep learning drastically decreases when the number of training set is very small and so proposed new methods to resolve this fall-off in accuracy. Through experiments, we showed that deep learning consistently has the competitive accuracy with the training set selected by the proposed method regardless of the size of training set.
|
| 키워드(Keyword) |
딥러닝
학습 데이터 선별
능동 학습
감마 분포
Deep Learning
Train Set Selection
Active Learning
Gamma distribution
|
| 파일첨부 |
PDF 다운로드
|
