[ML] 딥러닝의 깊이 있는 이해를 위한 머신러닝 11-1 (K-MOOC)

학습 내용

• Weak-supervision이란 무엇인가?

• Weak-supervision을 적용하는 실제 사례들

• Weak-supervision을 적용할 수 있는 방법들

학습 목표

• Weak-supervision 이 어떤 것인지 이해할 수 있다.

• Weak-supervision 과 다른 머신러닝의 차이점을 이해한다.

• 자신의 문제에 Weak-supervision 을 적용할 수 있다.

Weak-Supervision

• Cheap Label: 상대적으로 적은 비용 및 시간을 들여 얻을 수 있는 라벨

  • 예: Category, Binary

• Expensive Label: 상대적으로 많은 비용 및 시간을 들여 얻을 수 있는 라벨

  • 예: Detection, Segmentation

• Weak-supervision: 상대적으로 저렴한 라벨 데이터를 활용해서 비싼 라벨을 추정하는 것

  • 전체 데이터가 라벨은 달려 있는 상태이지만 최종 목표 라벨의 일부분만 제공되고 있는 상황

  • 라벨이 훨씬 더 저렴한 가격으로 더 많은 데이터에 대해서 얻을 수 있다면 우리는 거기서 뭔가 정보를 얻을 수 있음

  • 전체 라벨 정보를 제공하지 않음

  • 라벨링 비용 측면에서 상당한 이점이 있기 때문에 다양한 방향으로 연구됨

  • 현재 주어진 이미지를 목표로 하고 있는 클래스로 분류하기 위해 주로 어떤 정보들이 쓰이고 있는가를 역으로 분석할 때도 알고리즘 활용

  • Weak-supervision 논문

    • 'Learning Deep Features of Discriminative Localization'

      • 주어지는 데이터: 각각의 이미지 데이터와 카테고리 라벨만 제공

      • 결과: 클래스가 일어나고 있는 영역까지 제공 -> 대표적인 위크 슈퍼비전 알고리즘

  • Class Activation Map

    • 여러 개의 서로 다른 필터들이 이미지에 적용되면 서로 다른 반응성을 보여주게 됨

    • 이를 확인하는 알고리즘이 Class Activation Map

  • Weak Supervised Learning 은 왜 supervised learning 과 unsupervised learning 가운데에 있을까?

    • 입력되어 있는 라벨은 일부분에 해당되는 값싼 라벨이지만 출력되는 것은 더 많은 정보를 출력