Loading...

학술행사

Korean AI Association

학술행사

  >   학술행사   >   국내학술대회

국내학술대회

튜토리얼 연사
▶ 컴퓨터 비전을 위한 딥러닝의 발전과 도전 과제
김준모 교수(KAIST)
 
Abstract
본 발표에서는 컴퓨터 비전을 위한 딥러닝의 최근 발전상을 살펴보고 현재 활발히 연구가 진행 중인 도전 과제들을 소개한다. 딥러닝에 필요한 hyperparameter 설정이나 아키텍처의 선택 등을 자동화으로 수행하는 기법, 추가로 데이터가 주어졌을 때 이를 효율적으로 활용하는 continual learning, 새로운 환경에 적응하는 기법, 모바일 환경을 위한 모델 경량화 기법 등을 소개한다.
 
▶ Variational Inference and Explicit Deep Generative Model
문일철 교수(KAIST)
 
Abstract
확률적 그래픽 모델 (PGM)은 기계학습 커뮤니티를 통계 및 확률적 모델링 커뮤니티에 연결하는 중요한 다리 역할을 했습니다. 변분 추론과 샘플링 기반 추론에 의해 PGM의 추론이 뒷받침되었습니다. 신경망의 흥행 이후, PGM은 변분 추론을 통해 신경망 모델을 통합했으며, 그러한 예 중 하나는 변분 오토인코더(VAE), 즉 Explicit Deep Generative Model입니다. 이 튜토리얼은 1) PGM의 추론을 간략하게 설명하고, 2) 다양한 오토인코더의 다양한 개발에 대해 논의하며, 3) Explicit Deep Generative Model의 일부 응용을 제시합니다.
 
▶ Hypersphere에서 정의되는 적대적 생성망과 응용
권준석 교수(중앙대)
 
Abstract
본 튜토리얼에서는 적대적 생성망(GAN: generative adversarial network)에 대해서 소개한다. Ian Goodfellow가 제안한 Vanilla GAN으로 부터 최근 좋은 성능을 보이고 있는 Wasserstein GAN까지의 발전된 알고리즘을 소개한다.  그리고 WassersteinGAN의 단점을 해결하는 sphereGAN이라고 부르는 integral probability metric (IPM)에 기반을 둔 새로운 적대적 생성망(GAN)을 소개한다. sphereGAN은 IPM이 발산하는 것을 방지하기 위해서 구의 기하학적 성질을 이용하고 이 성질을 이용하여 GAN이 안정적으로 학습되도록 한다. 또한 구 위에서 동작하는 기하학적 모멘 트 매칭을 통하여 학습데이터의 고차원적인 정보를 추출함으로서 GAN의 정확성을 높힌다. sphereGAN이 가지고 있는 중요한 특징들을 수학적으로 증명한다. 마지막으로 CIFAR-10, STL-10, LSUN bedroom 데이터셋에서 비지도적 이미지 생성문제에 대해서 그리고 3D point cloud 생성문제에 대해서 sphereGAN의정량적 정성적 결과를 보여준다.
 
▶ 뉴럴네트워크 기반 연속 학습(Continual Learning)
문태섭 교수(성균관대학교)
 
Abstract
평생 학습(Lifelong learning)이라고도 불리는 연속학습(Continual learning) 문제는 기계학습 분야에서 오랫동안 알려진 난제 중 하나이다. 즉, 여러 개의 학습 과제 데이터들이 연속적으로 들어왔을 때, 학습 알고리즘이 계속해서 새로운 과제를 적응적으로 학습하는 동시에 예전에 학습했던 과제들에 대한 것은 망각하지 않아야 하는 것이 해당 문제의 핵심이고, 이는 잘 알려진 안정성-적응성 딜레마 (stability-plasticity dilemma)가 잘 표현하고 있다. 이번 튜토리얼에서는 뉴럴 네트워크에 기반한 연속학습 알고리즘에 대해 살펴보고자 한다. 뉴럴 네트워크를 단순하게 새로운 학습 과제 데이터로 fine-tuning 했을 때 발생하는 파괴적 망각 (catastrophic forgetting) 문제를 해결하기 위해 그동안 크게 세 가지 종류 (정규화 기반, 동적 네트워크 구조 기반, 별도 메모리 기반) 의 해결책이 제시되어왔다. 본 튜토리얼에서는 각 카테고리에 속하는 대표적인 방법들을 소개하고 그 핵심 아이디어를 설명한다.
 
▶ 베이지안 러닝과 인공지능
김광수 교수(KAIST)
 
Abstract
베이지안 러닝은 인공지능 연구에서 중요한 자리를 차지하며 사전정보의 효율적 전달 및 효과적인 추론 및 예측의 방법을 제공하고 있다. 본 튜토리얼에서는 베이지안 방법의 기본 얼개로 되는 사전분포와 우도 그리고 사후분포에 대한 기초적인 내용을 깊이 있게 살펴보고 심화된 내용을 다룬다. 또한 변분법과 비모수 추정에서 베이지안 방법의 적용 및 이론적 성질을 다루며 베이지안 방법이 인공지능 분야의 능동학습과 모형의 불확실 추정 등에서 사용되는 사례를 살펴본다.