인공지능 데이터 학습 기법의 일반화 성능 분석에 관한 연구
A Study on Generalization Performance Analysis of Artificial Intelligence Data Learning Techniques
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
데이터 부족은 머신러닝과 인공지능 분야의 중요한 문제이다. 다양한 데이터는 모델의 정확도를 향상시키고 일반화 능력을 강화하는 데 필수적이다. 데이터가 부족하면 과적합, 성능 저하, 클래스 불균형, 새로운 클래스나 개념 학습의 어려움과 같은 다양한 문제가 발생할 수 있다. 데이터양의 적은 환경에서 전통적인 지도 학습 방식의 문제를 해 결하기 위해 One-Shot Learning, Few-Shot Learning, Zero-Shot Learning과 같은 학습 기법이 개발되었다. 이러한 접근 법은 모델이 극히 제한된 수의 예시 또는 전혀 예시 없이 새로운 작업이나 클래스를 학습할 수 있게 하는 것을 목표로 하며, 인공지능 모델이 인간의 학습 능력에 더 가까워질 수 있도록 하는 중요한 단계를 나타낸다. 본 논문에서는 데이 터가 부족하거나 새로운 클래스가 지속적으로 등장하는 상황에서 학습 방법이 어떻게 중요한 역할을 할 수 있는지 비 교 분석하였다
Abstract
Data scarcity is a major problem in the field of machine learning. A variety of data is essential to improve the accuracy of the model and enhance the generalization ability. A lack of data can cause various problems such as overfitting, performance degradation, class imbalance, and difficulty in learning new classes or concepts. To solve the problems of traditional supervised learning methods in an environment with a small amount of data, learning techniques such as One-Shot Learning, Few-Shot Learning, and Zero-Shot Learning have been developed. These approaches aim to enable models to learn a new task or class with a very limited number of examples or no examples at all, and represent an important step in bringing artificial intelligence models closer to human learning capabilities. In this paper, we compare and analyze how learning methods can play an important role in situations where data is insufficient or new classes continuously appear.