Core Concepts
유전 프로그래밍 기반의 새로운 손실 함수 NGL은 기존의 손실 함수들보다 우수한 성능을 보여준다.
Abstract
이 연구에서는 유전 프로그래밍(GP) 기법을 사용하여 이미지 분류 문제에 적용할 수 있는 새로운 손실 함수를 설계하였다.
5가지 실험을 통해 다양한 데이터셋과 모델 아키텍처에서 성능을 평가하였다.
그 결과, NGL이라 명명된 새로운 손실 함수가 기존의 손실 함수들보다 전반적으로 우수한 성능을 보여주었다.
NGL은 암묵적인 정규화 기능을 가지고 있어 과적합을 방지하는 데 도움이 되는 것으로 분석되었다.
ImageNet-1k 및 COCO-Stuff164k 데이터셋에서도 NGL이 기존 손실 함수들보다 우수한 성능을 보여주었다.
이를 통해 NGL이 다양한 이미지 분류 및 분할 문제에 일반적으로 적용할 수 있는 손실 함수임을 확인하였다.
Stats
기존 CE 손실 함수 대비 NGL 손실 함수의 성능 향상은 1-7% 수준이다.
ResNet101 모델에서 NGL은 CE 대비 1-3% 성능 향상을 보였다.
Swin Transformer 모델에서 NGL은 CE와 유사한 성능을 보였다.
Pascal VOC 2012 데이터셋에서 U-Net 모델의 경우 NGL이 CE 대비 약 3-7% 성능 향상을 보였다.
COCO-Stuff164k 데이터셋에서 DeepLabv2 모델의 경우 NGL이 CE와 유사한 성능을 보였다.
Quotes
"NGL은 암묵적인 정규화 기능을 가지고 있어 과적합을 방지하는 데 도움이 되는 것으로 분석되었다."
"NGL이 다양한 이미지 분류 및 분할 문제에 일반적으로 적용할 수 있는 손실 함수임을 확인하였다."