Surrogate Model (대체 모델) 및 Active Learning 설명

Surrogate Model

• metamodel, emulator, statistical model 등의 이름으로도 불림
• 이름에서 힌트를 얻을 수 있듯이, surrogate model이란 실제 모델과 근사한 시뮬레이션 결과를 도출하는 모델
  • sensitivity analysis, optimizations, risk analysis 등은 대표적으로 많은 수의 시뮬레이션을 돌려봐야 분석이 가능한 항목들인데, 이러한 시뮬레이션을 다 돌리면 너무 비싸고 비효율적
  • surrogate model을 만들어서 시뮬레이션 output을 근사
  • 이를 통해 저렴하고 효율적으로 시뮬레이션 결과를 도출
• 이는 데이터에 기반한 접근방식이며, 특별한 형태의 supervised learning (지도학습)
  • "training data is obtained via probing the simulation outputs at several intelligently selected locations in the design parameter space. At each of these locations, a full simulation is conducted to calculate the corresponding simulation output."
  • 실제 모델을 잘 설명할 수 있는 몇몇 지점을 선택해 전체 시뮬레이션을 돌리고, 실제 모델의 시뮬레이션 결과와 통계적으로 유사한 결과를 근사할 수 있도록 대체 모델을 학습

Active Learning

• 훈련할 때 계속해서 훈련 데이터셋을 개선하고 증가시키는 과정
• 기계가 학습할 때 사람에게 적극적으로 특정 데이터셋에 대한 라벨링(=정답)을 요구하는 것을 의미
  • "기계가 라벨링이 필요한 데이터 중 자동적으로, 점진적으로 가장 정보량이 많은 데이터를 선택하는 것을 목표로 한다. 라벨링이 이루어지지 않은 데이터 중 학습에 중요한 것들에 대해 기계가 human labelling(=사람이 정답을 알려주는 것)을 요구한다. 정보량이 풍부한 데이터를 이용해 학습 진행 및 데이터를 요구하는 사이클을 통해 모델은 점차 고도화된다." (link2)

관련 링크 (link1, link2)