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
- 박진호
- 발행연도
- 2023
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 다양한 분야에서 기계 학습 모델이 뛰어난 성능을 발휘하고 있 다. 이러한 성능 향상의 핵심 요소 중 하나는 기계학습모델의 하이퍼 파 라미터 최적화이다. 하이퍼 파라미터란 최적의 훈련 모델을 구현하기 위 해 모델에 직접 설정하는 변수다. 이는 모델의 구조 혹은 학습 과정을 결정하며, 학습 이후 모델의 성능에 크게 영향을 미친다. 따라서 최적의 하이퍼 파라미터를 찾는 하이퍼 파라미터 최적화 기법들이 활발히 연구 되고 있다. 본 논문에서는 시각화를 통한 하이퍼 파라미터 최적화 기법을 제안한 다. 학습이 진행되면서 에폭 별로, 레이어 마다 가중치를 구하고 이전 에 폭과의 가중치와의 차이를 시각화하여 나타낸다. 이것을 가중치 시각화 라고 정의하며, 이를 보고 하이퍼 파라미터를 수정할 수 있는 기준을 만 들어 준다. 이는 기존의 방법론이 가지고 있던 과도하게 많은 연산량과 시간을 줄여줄 수 있다. 또한 가중치 시각화를 통한 하이퍼 파라미터 최적화 방법론을 극대화 하기 위하여 전용 프로그램을 제작하였다. 3d 공간상에 직접 모델의 개 수와 구조 학습 과정 등을 설정할 수 있으며 이를 통해 실시간으로 가중 치 시각화를 보고 하이퍼 파라미터 최적화를 할 수 있게 구성했다. 이는 CIFAR10 데이터셋의 분류를 수행하는 기계학습 모델에 대한 하이퍼 파 라미터 최적화 실험 결과 기존의 방법 대비 매우 빠른 속도를 보여주었 다. 이러한 방법론은 학습을 보다 효율적으로 수행하며 인공지능 모델의 발전과 적용에 기여할 수 있을 것으로 기대된다.
목차
제 1 장 서론 11.1 연구 배경 11.2 연구 방안 2제 2 장 선행연구 42.1 하이퍼 파라미터 최적화 42.1.1 Bayesian Optimization 42.1.2 HyperBand 72.2 NAS 방법론 92.2.1 강화학습을 이용한 신경망 구조 탐색 102.2.2 유전 알고리즘을 이용한 신경망 구조 탐색 122.3 설명 가능한 인공지능 142.3.1 CAM 알고리즘 152.3.2 LIME 알고리즘 17제 3 장 제안 기법 193.1 가중치 시각화 방법론 193.1.2 순간 가중치 시각화 203.1.2 누적 가중치 시각화 223.2 시스템 설계 253.3 시스템 결과 323.3.1 과적합 방지 323.3.2 성능 최적화 35제 4 장 비교분석 384.1 실험 설계 방식 384.2 실험 결과 41제 5 장 결론 43참고문헌 45
최근 본 자료
댓글(0)
0