메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
김주형 (아주대학교) 유동연 (아주대학교) 이정원 (아주대학교)
저널정보
대한전자공학회 대한전자공학회 학술대회 2021년도 대한전자공학회 하계종합학술대회 논문집
발행연도
2021.6
수록면
1,784 - 1,788 (5page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

이 논문의 연구 히스토리 (2)

초록· 키워드

오류제보하기
딥러닝 모델에서 학습 데이터셋은 네트워크 모델 학습의 가중치를 결정하기 때문에 모델의 신뢰성에 있어 중요한 역할을 차지한다. 모델의 신뢰성 평가 기법은 크게 블랙박스 테스트, 화이트박스 테스트로 나뉘며 딥러닝 모델은 내부구조를 확인하기 힘든 특성상 블랙박스 테스트에 대한 연구가 더욱 활발하게 수행되고 있다. 그러나 모델내부 동작을 관찰할 수 있는 화이트박스 테스트 또한 필요하며, 최근 뉴런 커버리지를 이용한 테스트 케이스 생성에 대한 연구가 진행되고 있다[1]. 본 논문에서는 이러한 뉴런 커버리지를 학습모델 테스트에만 적용할 것이 아니라, 학습 데이터의 품질, 즉 학습 데이터셋 선택이 모델 성능에 미치는 영향을 평가하는 데에 적용해 보고자 한다. 이를 위해, DeepXplore 도구[2]를 활용해 입력에 따른 모델내부의 활성화된 뉴런 비율을 나타내는 뉴런 커버리지 값을 얻은 후, 데이터셋이 모델의 뉴런에 미치는 영향을 확인한다. 데이터셋이 달라짐에 따라 뉴런 커버리지의 변화율이 달라지며, 고른 특징 분포를 갖는 학습데이터를 이용하여 생성된 모델과 랜덤하게 학습데이터를 사용한 경우를 비교해보면, 고른 특징 분포를 갖는 학습 데이터를 사용 하였을 때 11.25% 더 큰 뉴런 커버리지의 변화를 확인하였다. 또한 더 큰 뉴런 커버리지를 보이는 데이터를 이용하여 모델을 재학습 한 경우 뉴런의 활성도가 50%~379%까지 높아지는 것을 확인 할 수 있었다. 이를 통해 현재 학습에 이용된 데이터의 모델의 영향력을 평가하여 뉴런 커버리지를 높이는 방향으로 학습데이터 셋을 선택하는데 기여할 수 있다.

목차

Abstract
I. 서론
II. 뉴런 커버리지 기반 학습 데이터 평가
III. 실험 및 평가
Ⅳ. 결론 및 향후 연구 방향
참고문헌

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0