스코어 매칭을 이용한 커널 제한된 볼츠만머신의 학습 :Score Matching-Based kernel Restricted Boltzmann Machine for Unsupervised Feature Learning

낭철성

추천

검색

자료유형: 학위논문

저자정보: 낭철성 (전남대학교 )

지도교수: 김동국

발행연도: 2023

저작권: 전남대학교 논문은 저작권에 의해 보호받습니다.

이용수6

이 논문의 연구 히스토리 (2)

2023

스코어 매칭을 이용한 커널 제한된 볼츠만머신의 학습

낭철성 전자컴퓨터공학과 2023.01 학위논문

2022

커널기반 제한된 볼츠만머신을 위한 Score Matching 학습

낭철성 , 곽봉 , 김동국 한국통신학회 학술대회논문집 2022.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

인공지능 분야에서 특징학습은 많은 데이터로부터 적절한 특징들을 자동적으로 추출하여 검출 또는 인식 성능 향상을 위해 사용되는 기법이다. 가장 널리 사용되는 특징학습 기법은 Energy-based Model 중에 하나인 제한된 볼츠만머신(RBM, Restricted Boltzmann Machine)으로 단층의 구조를 갖는 신경망이다. RBM은 Binary-Binary RBM, Gaussian-Binary RBM (GBRBM), Kernel RBM (KRBM) 등 여러 종류가 있다. RBM 학습 방법은 주로 Maximum Likelihood Estimation (MLE)와 Score Matching (SM) 기법을 사용한다. MLE 기법은 모델 분포에 처리하기 어려운 정규화 항목 (분배 함수) 이 존재하기 때문에 RBM을 학습하는데 많은 계산량이 요구되어진다. SM 학습방법은 모델 분포의 스코어 값을 차의 크기를 최소화하는 기법으로 MLE 기법의 단점을 극복하기 위해 제안되었다.
본 논문에서는 이미지의 특징을 추출하고 인식하기 위한 새로운 SM을 이용한 커널 볼츠만머신(SMKRBM, Score Matching Kernel RBM)의 학습기법을 제안한다. 제안된 SMKRBM은 입력 이미지에 대해서 비선형 함수를 통해서 고차원의 특징공간으로 사상하고, 이 공간에서 가시유닛과 은닉유닛에 대한 에너지 함수를 정의한다. 그리고 커널함수의 특성을 이용하여 SM 학습 기법을 통해 모델을 학습하고 이를 통해 이미지의 특징을 추출한다. 딥러닝에서 많이 쓰이고 있는 rectified linear unit을 커널함수로 사용한다. 또한 KRBM을 학습하기 위해 MLE 기법인 경사기반 Contrastive Divergence (CD) 와 SM 학습기법이 비율적으로 결합한 알고리즘 (SM+CD)을 제안한다.
제안된 알고리즘의 성능을 평가하기 위해 CIFAR10, Fashion-MNIST 그리고 ECG5000의 세가지 데이터를 이용한 실험에서 SMKRBM은 이미지 인식과 이상 탐지에 유용한 특징들을 학습하여 생성한다. 분류 문제 중에 실험 결과에 따라 제안된 SMKRBM은 SMGBRBM보다 향상된 인식성능을 보여주고 SMKRBM중에 SM+CD는 는 0.3일 때 제일 좋은 성능을 얻어냈다. 이상 탐지 실험 결과에 따라 제안된 SMKRBM과 SMGBRBM은 최대 성능이 비슷하고 Auto Encoder보다 더 좋은 성능을 보여준다.

In the field of artificial intelligence, feature learning is a technique used to improve detection or recognition performance by automatically extracting appropriate features from many data. The most widely used feature learning technique is the Restricted Boltzmann Machine (RBM), one of the Energy-based models, a neural network with a single-layer structure. There are several types of RBMs, including Binary-Binary RBM, Gaussian-Binary RBM (GBRBM), and Kernel RBM (KRBM). RBM learning methods mainly use Maximum Likelihood Estimation (MLE) and Score Matching (SM) techniques. The MLE technique requires a lot of computation to learn RBM because there are normalization items (distribution functions) that are difficult to handle in the model distribution. The SM learning method is a technique that minimizes the size of the difference in the score value of the model distribution and has been proposed to overcome the shortcomings of the MLE technique.
In this paper, we propose a learning technique of a kernel Boltzmann machine (SMKRBM) using a novel SM for extracting and recognizing features of images. The proposed SMKRBM is thought of as a high-dimensional feature space through nonlinear functions for input images, and defines energy functions for visible and hidden units in this space. And using the characteristics of the kernel function, the model is learned through the SM learning technique and the characteristics of the image are extracted through this. The reccted linear unit, which is widely used in deep learning, is used as a kernel function. We also propose an algorithm (SM+CD) that combines the MLE technique, the gradient-based Contrastive Divergence (CD), and the SM learning technique in proportion to learn KRBM.
In an experiment using three data from CIFAR10, Fashion-MNIST, and ECG5000 to evaluate the performance of the proposed algorithm, SMKRBM is generated by learning useful features for image recognition and anomaly detection. Among the classification problems, the proposed SMKRBM shows better recognition performance than SMGBRBM, and among SMKRBM, SM+CD obtained the best performance when SMKRBM is 0.3. Based on the results of anomaly detection experiments, the proposed SMKRBM and SMGBRBM have similar maximum performance and show better performance than Auto Encoder.

#Feature Learning #Kernel Method #Restricted Boltzmann Machine #Neural Network #Deep Learning #Score Matching #Anomaly Detection #Classification

제 1 장 서 론
1.1 연구 배경 1
1.2 연구 필요성 2
제 2 장 신경망과 Energy-Based Models
2.1 신경망 4
2.1.1 신경망 구조 4
2.1.2 Activation 함수 6
2.1.3 신경망 학습 8
2.2 Energy-Based Models (EBMs) 9
2.2.1 EBM 9
2.2.2 Contrastive Divergence (CD) 10
2.2.3 제한된 볼츠만머신 (RBM) 13
2.2.4 Gaussian-binary RBM (GBRBM) 19
2.2.5 커널 RBM (KRBM) 20
제 3 장 Score Matching 기반 EBM 학습
3.1 Score Matching (SM) 25
3.2 SM 기반 GBRBM 학습 26
3.3 제안된 SM 기반 KRBM 학습 27
3.4 제안된 SM+CD 기반 KRBM 학습 29
제 4 장 실험 및 결과
4.1 실험 환경 30
4.2 실험 데이터 및 결과 30
4.2.1 Fashion-MNIST 데이터 30
4.2.2 CAFIR10 데이터 34
4.2.3 ECG5000 데이터 40
제 5 장. 결 론 50
참 고 문 헌 51
Abstract 54

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)