Machine Learning/Deep Learning
-
PINN (Physics-Informed Neural Network)Machine Learning/Deep Learning 2024. 5. 31. 14:09
카이스트 강의 영상딥 러닝데이터 기반 접근 방식의 장점데이터가 충분하다면, 도메인 지식 없이도 적당한 성능을 기대할 수 있다.데이터 기반 접근 방식의 단점해석할 수 있는가?일반화할 수 있는가? (다른 도메인, 혹은 외삽. 내삽은 가능한 것 같다.)극복 방안데이터/알고리즘 측면에서 해결하거나(데이터 증강, semi-supervised learning 등)물리에 기반한 모델을 이용하거나왜 물리학이 필요한가?데이터 기반 블랙박스 방식이 실패하는 이유원하는 결과가 그럴듯한 것으로 충분하지 않고 정확해야 할 때 블랙박스 방식은 충분하지 않다. 확실하게 알고 있는 물리 법칙은 데이터에 관계없이 모델이 반드시 만족해야 한다. 데이터 기반 방식은 학습/테스트 데이터 바깥에서는 틀릴 수도 있다.Physics-inform..
-
Variational AutoencoderMachine Learning/Deep Learning 2024. 5. 24. 11:24
Variational Autoencoder(VAE)에 대해 공부하면서 궁금한 점들을 정리해보았다. VAE를 도입하게 된 이유와 변분 추정이 어떻게 활용되는지, 그리고 변분법과의 관계에 대해 알아보겠다.VAE의 필요성생성 모델의 목표생성 모델의 목표는 낮은 차원의 잠재 변수(latent variable) $z$로부터 의미 있는 데이터를 생성하는 것이다. 예를 들어, $z$를 입력으로 받아 사람의 얼굴 이미지를 생성하는 것이다. 이 때, $z$는 고정된 확률분포(예: 정규분포)에서 샘플링되며, 이를 통해 다양한 이미지를 생성할 수 있다.문제점단순한 최대 가능도 추정(MLE, Maximum Likelihood Estimation) 방식에서는 의미 있는 데이터를 생성하는 잠재 변수를 찾는 것이 어렵다. 예를 들..