인공지능 모델의 학습을 위한 새로운 지도 방식 연구

From Course@DGIST
Jump to navigation Jump to search
인공지능 모델의 학습을 위한 새로운 지도 방식 연구
제안자
자문교원 곽수하
연도 2017
타입 A형 과제
코스 장영실
매칭여부
참여학생수
소개동영상

제안 배경

과제 목표

인공지능의 학습(Machine Learning)에 대한 이해 및 학습을 위한 새로운 지도(Supervision) 방식 제안

과제 내용

최근 화두가 되고 있는 인공지능 모델들은 대부분 기계학습(Machine Learning), 특히 딥러닝(Deep Learning)에 기반하고 있습니다. 그럼 사진에 찍힌 동물이 개인지 고양이인지 분류하는 인공지능 모델을 학습시키기 위해서는 어떻게 해야 할까요? 한 가지 방법은, 많은 수의 개와 고양이의 사진들을 준비하고, 그 사진들에 정답(개 혹은 고양이)을 일일이 부여한 뒤, 주어진 사진들로부터 정답들을 추론해내게끔 모델을 학습하는 것입니다. 이렇게, 인공지능이 우리가 원하는 결과물을 내놓게끔 학습시키기 위해 동등한 수준의 정답을 제공하는 방식을 지도학습(Supervised Learning)이라고 합니다. 현재 뛰어난 성능을 보이는 인공지능 모델들은 대체로 지도학습을 통해 유도됩니다. 하지만 우리가 원하는 수준의 결과물이 물체의 종류와 같이 간단한 것이 아니라, 영상 분할이나 문장의 형태소 분석과도 같은 좀 더 복잡하고 구조화된 개념이라면, 수많은 데이터에 이에 상응하는 정답을 매기는 것은 매우 노동집약적인 일이 될 것입니다. 이런 경우, 마치 하나를 가르치면 열을 아는 이와 같이, 더 낮은 수준의 지도를 통해서도 우리가 원하는 고차원적인 결과를 도출할 수 있는 인공지능을 학습시킬 수 있을까요? 때로는, 위와 반대로, 원하는 수준의 결과물보다 더 복잡하고 정교한 정보를 소수의 학습 데이터에게 추가적으로 제공할 수 있는 경우도 있습니다. 예를 들면, 의료 영상을 분류하는 인공지능을 학습할 때, 단순히 영상의 종류 뿐 만이 아니라, 해당 영상에 대한 의사의 소견서까지 학습을 위한 추가 정보로 활용할 수 있습니다. 이 경우, 사람이 제공하는 고차원적인 지식을 어떤 형태로 인공지능 에게 전달할 수 있을까요? 본 연구과제에서는 위와 같은 질문들에 대해 새로운 답을 내는 것을 목표로 합니다. 준지도학습(Semi-Supervised Learning), 약지도학습(Weakly Supervised Learning), 그리고 인공지능 분야에서의 지식표현(Knowledge Representation)과 같은 분야들을 탐구하고, 이전 연구들을 뛰어넘는 새롭고 참신한 방법을 고안할 것입니다. 주된 적용 분야는 영상 인식(Visual Recognition)이지만, 상황에 따라 그 외의 다양한 응용 분야에 대해서도 연구를 진행할 수 있습니다.

참고자료

희망학생