자기지도화 지도

SOM

저차원 격자에 고차원 데이터의 각 개체들이 대응하도록 군집을 도출해내는 기법.

차원 축소와 군집화 동시 수행 기법

과정

1. 3차원의 입력으로 부터 격자 안의 벡터의 초기값을 랜덤으로 설정
2. 새로운 입력 벡터를 제시한다.
3. 입력 데이터와 벡터 값의 BMU : best Matching 거리 값을 찾는다.
4. 격자 벡터를 업데이트한다.

2번부터 4번을 반복한 후, 여러개의 BMU 가 생긴다.

1. BMU들 을 중심으로 원 안의 노드들을 Update 한다 (중심점에 가까울수록 가중치가 높아짐..)
2. 원 의 크기를 점진적 축소

5번을 반복

SOM 의 핵심 내용

1. SOM 은 입력 세트의 토폴로지를 유지한다.

입력 데이터의 고차원 데이터의 구조적 특성을 그래도 유지하면서 2차원으로 표현

1. SOM 은 찾기 힘든 연관성을 찾아낼 수 있다.
2. SOM 은 자율적으로 Data 를 찾을 수 있다.
3. 역전파가 없다.

응용 예시

• SOM 을 활용한 의료 영상 분석 입력 데이터를 저차원 맵에 배치하여 유사한 데이터를 가까운 위치에 배치하여, 정상 패턴과 비정상 패턴을 시각적으로 구분할 수 있다.
  

SOM을 활용한 의료 영상 분석

• 논문 제목: Identifying Regions of Interest in Medical Images Using Self-Organizing Maps
• 저자: Wei-Guang Teng, Ping-Lin Chang
• 출처: Journal of Medical Systems, 2012
• 요약: 이 논문은 SOM을 사용하여 의료 이미지에서 관심 영역을 식별하는 방법을 제안합니다. SOM은 이미지의 각 픽셀이나 섹션의 특징 벡터를 학습하고, 이를 통해 중요한 영역을 자동으로 찾아냅니다.