Publications
Detailed Information
해석 가능한 인공지능 기반의 이미지 분류 정확도 향상 연구 : The improving accuracy of classifying an image \\ using interpretable machine learning (IML)
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | 윤성로 | - |
dc.contributor.author | 김성현 | - |
dc.date.accessioned | 2021-11-30T06:05:27Z | - |
dc.date.available | 2021-11-30T06:05:27Z | - |
dc.date.issued | 2021-02 | - |
dc.identifier.other | 000000163816 | - |
dc.identifier.uri | https://hdl.handle.net/10371/176374 | - |
dc.identifier.uri | https://dcollection.snu.ac.kr/common/orgView/000000163816 | ko_KR |
dc.description | 학위논문 (석사) -- 서울대학교 대학원 : 공학전문대학원 응용공학과, 2021. 2. 윤성로. | - |
dc.description.abstract | 인공 지능은 데이터에 편향이 없다면, 인과 관계가 아닌 데이터 내의 패턴에 있어서 가장 높은 확률을 보여준다. 왜냐하면 대부분의 기계 학습 알고리즘은 데이터에 의존하고 있기 때문이다. 이 논문은 복잡성과 신뢰성 사이의 균형을 기반으로 인간의 해석 가능성을 다루는 것을 목표로 한다. 그러기 위해서, IML 또는 XAI 기술들 중에서 몇 가지 이론적 관점을 소개하고, 그 접근 방식의 이해를 바탕으로 실제 데이터 샘플을 사용하여 모델을 구현하고, 그 시각화 결과는 기계 학습 모델의 해석에서 일반화 오류에 대한 더 나은 이해를 제공함을 확인했다. 결과적으로 모델의 해석은 데이터에 잘못된 답이나 질문이 있는지 분석가의 편견을 명확히 하고, 전이 학습에 기반한 미세 조정의 근거를 제시한다. | - |
dc.description.abstract | Artificial Intelligence illustrate not the causality, but the highest probability of the pattern in data unless the data has a bias because many algorithms depend on the data. This paper aims to tackle human interpretability based on the trade-off between complexity and reliability. This study first emphasized several theoretical perspectives among IML methods taxonomy. Based on the comprehension of IML approaches, it highlighted the implementation of modeling using real data sample. The research results give better understanding of generalization error in the interpretation of Machine Learning. Consequently, the interpretation of a model is to clarify the bias of the analysts whether data has a wrong answer or question. | - |
dc.description.tableofcontents | I. 서론 1
1.1 연구동기 1 1.2 연구범위 2 1.3 논문의구성 3 II. 관련연구 4 2.1 해석가능한인공지능 (IML) 4 2.1.1 IML 기술분류 (Taxonomy) 6 2.2 데이터주변의희소선형결합해석 8 2.3 CNN 모델의특징추출시각화 11 2.3.1 클래스활성화맵 (CAM) 12 2.3.2 Gradient-weighted CAM 12 2.3.3 CAM vs. Grad-CAM 14 2.4 합성곱신경망 (CNN) 15 2.5 전이학습 (Transfer Learning) 19 2.6 미세조정 (Fine Tuning) 21 2.7 최적화 (Optimization) 24 III. 연구방법 28 3.1 이미지분류모델링개발 28 3.2 성능개선문제의해결방안 29 3.3 성능평가지표 31 IV. 실험및결과 33 4.1 실험개요 33 4.2 실험환경 35 4.3 비정형데이터의결함패턴분류모델링 36 4.3.1 스크래치 37 4.3.2 전이학습 39 4.4 수퍼픽셀로표현한모델링결과분석 40 4.5 특징시각화를활용한모델링결과분석 41 4.5.1 CAM 41 4.5.2 Grad-CAM 42 4.6 미세조정에따른모델링결과 43 4.7 성능평가 44 4.8 결과분석 45 V. 결론 49 5.1 고찰 49 5.2 연구제한 50 5.3 향후계획 51 참고문헌 52 Abstract 59 | - |
dc.format.extent | v, 59 | - |
dc.language.iso | kor | - |
dc.publisher | 서울대학교 대학원 | - |
dc.subject | IML | - |
dc.subject | XAI | - |
dc.subject | 시각화 | - |
dc.subject | 전이학습 | - |
dc.subject | 해석가능성 | - |
dc.subject | visualization | - |
dc.subject | interpretability | - |
dc.subject | transfer learning | - |
dc.subject.ddc | 620.004 | - |
dc.title | 해석 가능한 인공지능 기반의 이미지 분류 정확도 향상 연구 | - |
dc.title.alternative | The improving accuracy of classifying an image \\ using interpretable machine learning (IML) | - |
dc.type | Thesis | - |
dc.type | Dissertation | - |
dc.contributor.AlternativeAuthor | Seonghyeon Kim | - |
dc.contributor.department | 공학전문대학원 응용공학과 | - |
dc.description.degree | Master | - |
dc.date.awarded | 2021-02 | - |
dc.identifier.uci | I804:11032-000000163816 | - |
dc.identifier.holdings | 000000000044▲000000000050▲000000163816▲ | - |
- Appears in Collections:
- Files in This Item:
Item View & Download Count
Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.