Earticle

초록

영어

In Deep Learning method, it is well known that it requires large amount of data to train the deep neural network. And it also requires the labeling of each data to fully train the neural network, which means that experts should spend lots of time to provide the labeling. To alleviate the problem of time-consuming labeling process, some methods have been suggested such as weak-supervised method, one-shot learning, self-supervised, suggestive learning, and so on. In this manuscript, those methods are analyzed and its possible future direction of the research is suggested.

한국어

딥러닝은 많은 데이터를 필요로 한다는 것은 이미 널리 알려져있다. 이를 통해, 딥러닝에 쓰이는 신경망의 수 없이 많은 parameter들을 학습시킨다. 학습과정에는 데이터뿐 아니라, 각 데이터별로 전문가가 입력한 label이 필요 한 경우가 대부분인데, 이 label을 얻는 과정은 시간과 자원 소비가 심하다. 이 문제를 완화하기 위해, few-shot learning, self-supervised learning, weak-supervised learning등이 연구되어오고 있다. 본 논문에서는, label을 상대 적으로 적은 노력으로 수행하기 위한 연구들의 동향을 살펴보고, 앞으로의 개선 방향을 제시하도록 한다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 본론
1. Few-shot learning과 self-supervised learning연구 동향
2. active learning & semi-supervised learning 연구동향
Ⅲ. 분석 및 한계점
1. Few shot learning과 self-supervised learning
2. Active learning과 weak&semi-supervised learning
Ⅳ. 결론
References

키워드

저자

• 한석민 [ Seokmin Han | 정회원, 한국교통대학교 데이터사이언스전공 부교수 ] 제1저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  The Journal of the Convergence on Culture Technology (JCCT) [문화기술의 융합]

• 간기

  격월간

• pISSN

  2384-0358

• eISSN

  2384-0366

• 수록기간

  2015~2025

• 등재여부

  KCI 등재

• 십진분류

  KDC 600 DDC 700