Earticle

초록

한국어

기계학습은 주어진 디지털 신호 Data로부터 비용함수를 만들고, 그 비용함수를 최소화함으로 학습이 이루어진 다. 비용함수는 디지털 신호 Data의 양과 인공신경망의 구조에 따라 비용함수에 부분 최솟값(local minimum)들이 생기게 된다. 비용함수의 부분 최솟값들은 학습을 방해하는 요소가 된다. 이러한 방법을 해결하는 여러 방법 중 우리의 제안 방법은 학습률(Step-size)을 변화시키는 방법이다. 학습률을 고정된 상수로 이용하는 기존의 방법과는 다르게 비 용함수를 이용한 다변수함수를 이용함으로써 불필요한 기계학습이 이루어지는 것을 방지할 수 있으며, 최솟값으로 가는 최적의 길을 찾을 수 있다. 수치적 실험을 통하여 기존의 방법보다 우리가 제안하는 방법을 이용하여 약 3%(88.8%→ 91.5%)의 성능이 향상하는 결과를 얻었다.

영어

Machine learning is achieved by making a cost function from a given digital signal data and optimizing the cost function. The cost function here has local minimums in the cost function depending on the amount of digital signal data and the structure of the neural network. These local minimums make a problem that prevents learning. Among the many ways of solving these methods, our proposed method is to change the learning step-size. Unlike existed methods using the learning rate (step-size) as a fixed constant, the use of multivariate function as the cost function prevent unnecessary machine learning and find the best way to the minimum value. Numerical experiments show that the results of the proposed method improve about 3%(88.8%→91.5%) performance using the proposed method rather than the existed methods.

목차

요약
Abstract
1. 서론
2. 기계학습 방법론
2.1 GD method
2.2 Momentum method
2.3 Adam method
2.4 AdaMax method
3. 비용함수를 이용한 학습률 변동 방법
3.1 GD method의 학습률 변화방법(S-GD)
3.2 Momentum method의 학습률 변화방법(S-Momentum)
3.3 Adam method의 학습률 변화방법 (S-Adam)
3.4 AdaMax의 학습률 변화방법(S-AdaMax)
4. 수치적 결과를 통한 성능 평가
4.1 1차원 비용함수 문제
4.2 2차원 문제
4.3 디지털 영상신호 구분 방법(개, 고양이 사진을 이용한 구분 방법)
5. 결론
REFERENCES

저자

• 지상민 [ Sangmin Ji | 1충남대학교 수학과 박사과정 학생 ]
• 박지은 [ Jieun Park | 대구대학교 인문교양대학 교수 ] Corresponding Author

참고문헌