VAE (Variational Autoencoder, 변이형 오토인코더) 1. 개요 VAE(Variational Autoencoder)는 입력 데이터의 확률 분포를 학습하여 새로운 데이터를 생성할 수 있도록 설계된 생성 모델(Generative Model)이자 확률론적 그래픽 모델입니다. 기본적인 오토인코더(Autoencoder, AE)가 입력 데이터를 특…
검색 결과
"PyTorch 구현"에 대한 검색 결과 (총 9개)
축 확장 (Axis Expansion) 1. 개요 축 확장(Axis Expansion)이란 다차원 배열이나 텐서(Tensor)의 실제 데이터 값은 유지한 채, 새로운 차원(Dimension)을 추가하여 배열의 형태(Shape)를 변경하는 데이터 변환 기법이다. 데이터 과학 및 선형 대수학에서 축 확장은 주로 서로 다른 차원을 가진 데이터 간의 연산을 가능하…
컨벌루션 (Convolution) 컨벌루션(Convolution, 합성곱)은 두 개의 함수가 결합하여 제3의 함수를 생성하는 수학적 연산으로, 한 함수를 반전(Flip)시키고 이동(Shift)시키며 겹치는 영역의 적분 또는 합을 계산하는 과정이다. 1. 개요 컨벌루션은 [[신호처리]], 수학, 물리학, 그리고 현대의 딥러닝에 이르기까지 광범위하게 사용되는 …
잠재 요인 (Latent Factor) 1. 개요 잠재 요인(Latent Factor)이란 데이터 세트에서 직접적으로 관찰되지는 않지만, 관찰 가능한 변수들 간의 관계를 통해 추론할 수 있는 숨겨진 특성을 의미한다. 이 개념은 통계학의 요인 분석(Factor Analysis)에서 유래하였으며, 추천 시스템 외에도 심리 측정, 유전자 분석 등 다양한 분야에서…
활성화 함수 개요/소개 활성화 함수는 인공신경망(ANN)에서 입력 신호를 처리하여 출력을 생성하는 데 사용되는 핵심 요소입니다. 이 함수는 신경망이 비선형 관계를 학습할 수 있도록 하며, 단순한 선형 모델로는 해결 불가능한 복잡한 문제(예: 이미지 인식, 자연어 처리)를 해결하는 데 기여합니다. 활성화 함수의 선택은 네트워크 성능, 수렴 속도, 과적합 방지…
역전파 알고리즘 (Backpropagation) 1. 개요 역전파 알고리즘(Backpropagation)은 인공신경망(Artificial Neural Network)의 가중치를 업데이트하기 위해 손실 함수의 기울기를 효율적으로 계산하는 방법이다. 출력층에서 발생한 오차를 입력층 방향으로 역방향으로 전파하며 각 층의 가중치(Weight)와 편향(Bias)을 …
Denoising Autoencoders (DAE) 본 문서는 수식을 사용하여 작성되었습니다. 1. 개요 Denoising Autoencoder (DAE)는 입력 데이터에 의도적으로 노이즈(Noise)를 추가한 뒤, 이를 다시 원본 데이터로 복원하도록 학습함으로써 데이터의 강건한(Robust) 특징을 추출하는 비지도 학습 기반의 신경망 구조이다. 일반적인 …
드롭아웃 (Dropout) 개요 드롭아웃(Dropout)은 인공지능(AI) 분야에서 네트워크 과적합(overfitting)을 방지하기 위한 정규화 기법으로, 신경망의 훈련 중 일부 뉴런을 무작위로 비활성화하는 방법이다. 이 기법은 2014년 제프리 힌턴(Jeffrey Hinton) 등이 발표한 논문에서 처음 소개되었으며, 현재 딥러닝 모델의 일반적인 성능 …
손실 함수 개요 머신러닝·딥러닝 모델은 입력 데이터와 정답(라벨) 사이의 차이를 최소화하도록 학습한다. 이 차이를 수치적으로 표현한 것이 손실 함수(Loss Function)이다. 손실 함수는 모델이 현재 얼마나 잘 예측하고 있는지를 정량화하고, 최적화 알고리즘(예: 경사하강법)이 파라미터를 업데이트하는 기준이 된다. 손실 함수는 문제 유형(회귀·분류·시계…