Główne pojęcia
신경진화 기반 심층 신경망 최적화 기법인 NeuroLGP-SM은 고차원 데이터에 효과적인 Kriging Partial Least Squares (KPLS) 기법을 활용하여 부분적으로 학습된 모델의 성능을 정확하게 추정할 수 있다. 이를 통해 전체 모델 학습 없이도 효율적으로 최적의 모델 구조를 찾을 수 있다.
Streszczenie
이 연구는 신경진화 기반 심층 신경망 최적화 기법인 NeuroLGP-SM을 제안한다. NeuroLGP-SM은 다음과 같은 특징을 가진다:
고차원 데이터에 효과적인 Kriging Partial Least Squares (KPLS) 기법을 활용하여 부분적으로 학습된 모델의 성능을 정확하게 추정할 수 있다.
전체 모델 학습 없이도 효율적으로 최적의 모델 구조를 찾을 수 있다.
12개의 다른 기법들과 비교했을 때 경쟁력 있거나 우수한 성능을 보인다.
NeuroLGP 대비 25% 더 에너지 효율적이다.
NeuroLGP-SM의 성능 평가를 위해 다음과 같은 실험을 수행했다:
4개의 유방암 조직병리 이미지 분류 데이터셋에 대해 NeuroLGP-SM과 다른 기법들을 비교
NeuroLGP-SM의 예측 정확도, 상관관계, 결정계수 등을 분석하여 추정 성능 평가
NeuroLGP와 NeuroLGP-SM의 에너지 소비량을 비교 분석
분석 결과, NeuroLGP-SM은 경쟁력 있거나 우수한 성능을 보였으며, 에너지 효율성 또한 25% 향상된 것으로 나타났다. 또한 NeuroLGP의 독특한 인코딩 특성을 활용하여 발견된 모델 구조를 심층적으로 분석할 수 있었다.
Statystyki
본 연구에서 제안한 NeuroLGP-SM 기법은 기존 NeuroLGP 대비 25% 더 에너지 효율적이다.
NeuroLGP-SM의 예측 정확도(MSE)는 ×40, ×100, ×200, ×400 데이터셋에서 각각 0.0037, 0.0017, 0.0014, 0.0009로 나타났다.
NeuroLGP-SM의 Kendall's Tau 값은 ×40, ×100, ×200, ×400 데이터셋에서 각각 0.6019, 0.6791, 0.6225, 0.5647로 나타났다.
NeuroLGP-SM의 R2 값은 ×40, ×100, ×200, ×400 데이터셋에서 각각 0.5026, 0.6665, 0.7079, 0.7786으로 나타났다.