지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 황상흠
- 발행연도
- 2020
- 저작권
- 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
일반적으로 심층 신경망은 좋은 분류 성능을 보이지만, 예측 결과에 상관없이 과한 확신을 가지고 예측을 수행한다는 단점을 가지고 있다. 이는 모델의 예측 결과에 대한 신뢰를 저해하기 때문에 자율 주행, 의료 영상, 군사 등과 같은 안전이 중요한 분야에서의 적극적인 모델 활용을 어렵게 한다. 심층 신경망 모델의 경우 모델에서 얻을 수 있는 정보 중 하나인 예측 확신도를 사용하여 모델의 예측결과를 얼마나 신뢰할 수 있을지를 결정할 수 있기 때문에 모델이 예측 확신도 추정을 정확히 하는 것은 매우 중요하다. 심층 신경망 모델이 좋은 예측 확신도를 가지는지 평가하는 방법에는 calibration과 ordinal ranking의 두 가지 관점이 있다. 본 논문에서는 심층 신경망 모델이 ordinal ranking 관점에서 좋은 성능을 가질 수 있도록 모델이 가져야 할 바람직한 속성을 학습하는 새로운 정규화 방법을 제안한다. 예측 확신도 관점에서 모델이 가져야 할 바람직한 속성은 맞게 예측하는 경우에 높은 확신을, 잘못 예측하는 경우에 낮은 확신을 보이는 것이다. 모델에 이러한 속성을 부여하기 위한 correctness ranking loss라는 새로운 손실 함수를 제안한다. 제안한 손실 함수는 개별 데이터를 올바르게 예측한 횟수로 맞게 예측할 가능성을 추정하여 이에 따라 모델의 예측 확신도가 결정되도록 한다. 다양한 공개 데이터 셋과 여러 평가 지표를 활용한 실험을 통해 제안한 방법이 과한 확신을 가지는 예측 문제에 효과적임을 확인했다.
목차
1. 서 론 11.1 연구 배경 및 목적 11.2 관련 연구 21.3 논문의 구성 52. 이론적 배경 62.1 Ordinal Ranking 62.2 E-AURC 72.3 Average Early Stopping 83. 연구 방법 93.1 방법론 93.2 Correctness Ranking Loss 104. 연구 결과 134.1 데이터 셋 134.2 실험 환경 134.3 평가 지표 144.4 실험 결과 164.5 손실 함수 역할 분석 234.6 모델의 적합성 검증 255. 결론 275.1 연구 요약 275.2 추후 연구 27참고문헌 28영문초록 32
최근 본 자료
댓글(0)
0