KCI우수등재
잠재변수의 분포와 정보량이 심층생성망 기반 준지도학습의 성능에 미치는 영향에 관한 연구 = The effect of latent variable distribution and divergence on the performance of deep generative network based semi-supervised learning
저자
발행기관
학술지명
한국데이터정보과학회지(Journal of the Korean data & information science society)
권호사항
발행연도
2019
작성언어
Korean
주제어
등재정보
KCI우수등재
자료형태
학술저널
발행기관 URL
수록면
997-1009(13쪽)
KCI 피인용횟수
0
DOI식별코드
제공처
소장기관
Semi-supervised learning uses unlabeled data, unlike supervised learning, which uses labeled data only. Because of the difficulty in obtaining the target values, study on semi-supervised learning is active. Recently, there is much interest in semi-supervised learning using deep generative model (SSL-DG). In this learning, the evidence lower bound, which serves as a loss function with a misclassification rate, consists of reconstruction error, regularization term, and entropy. The latent variables required for reconstruction error and penalty terms are assumed to follow normal distributions and penalty terms are calculated using Kullback-Leibler divergence. In this study, we investigate the effect of the latent variable distribution and divergence on the performance of SSL-DG with MNIST and Fashion-MNIST data. Experimental results show that SSL-DG performs well when latent variables follow the normal distribution and the divergence is Kullback-Leibler or Neyman or Jeffrey. The other divergences appear to be heavily influenced by the distribution of latent variables, especially in beta distribution. In addition, when the latent variable follows the Cauchy distribution, SSL-DG yields more robust performance than other distributions. In this way, we can conclude that the distribution of latent variables and the divergences can have a great influence on the performance of SSL-DG.
더보기준지도학습 (semi-supervised learning)은 목표값 (target value)이 있는 데이터만 이용하는 지도학습과는 달리 목표값이 없는 데이터도 이용하여 학습한다. 목표값 획득의 어려움 때문에 준지도학습에 대한 연구가 활발한데 최근에는 심층생성망 (deep generative model)을 이용한 준지도학습에 많은 관심을 가진다. 이 학습에서 오분류율과 함께 손실함수 역할을 하는 근거기반하한 (evidence lower bound)은 복원오차 (reconstruction error)와 벌칙항 (regularization term) 그리고 엔트로피로 구성된다. 그리고 복원오차와 벌칙항에서 사용되는 잠재변수의 분포를 정규분포로 가정하고, 벌칙항은 쿨백-라이블러 정보량 (Kullback-Leibler divergence; KL)을 이용하여 계산한다. 본 연구에서는 잠재변수의 분포와 정보량이 준지도학습의 성능에 미치는 영향을 살펴본다. 실험 결과, 실험에 사용된 MNIST와 Fashion-MNIST 데이터에서는 정규분포를 따르는 잠재변수와 KL, Neyman 그리고 Jeffrey 정보량을 이용할 때 성능이 우수한 것으로 나타난다. 그리고 Fashion-MNIST 데이터에서는 KL, Neyman 그리고 Jeffrey을 제외한 나머지 정보량은 잠재변수의 분포에 많은 영향을 받는 것으로 나타나는데 특히 베타분포에서 낮은 정확도를 보인다. 또한 잠재변수가 코시분포를 따르면 강건한 성능을 보이는 등 잠재변수의 분포와 정보량이 심층생성망 기반 준지도학습의 성능에 많은 영향을 줄 수 있는 것으로 나타났다.
더보기분석정보
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2022 | 평가예정 | 계속평가 신청대상 (등재유지) | |
2017-01-01 | 평가 | 우수등재학술지 선정 (계속평가) | |
2013-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2008-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2005-01-01 | 평가 | 등재학술지 선정 (등재후보2차) | KCI등재 |
2004-01-01 | 평가 | 등재후보 1차 PASS (등재후보1차) | KCI후보 |
2003-01-01 | 평가 | 등재후보학술지 유지 (등재후보2차) | KCI후보 |
2002-01-01 | 평가 | 등재후보 1차 PASS (등재후보1차) | KCI후보 |
2001-01-01 | 평가 | 등재후보학술지 선정 (신규평가) | KCI후보 |
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 1.18 | 1.18 | 1.07 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
1.01 | 0.91 | 0.911 | 0.35 |
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)