| 초록 |
□ 연구개요 심층학습이 전통적인 기계학습 방법들에 비해 월등한 예측 성능을 보이는 이유는 심층학습이 주어진 예측문제에 적합한 표상을 데이터로부터 추출할 수 있게 하는 표상학습의 효과적인 도구이기 때문이다. 본 연구는 심층 신경망의 학습 방법 개선을 통해 예측문제에 무관한 정보에 대한 불변성과 표상의 엉킴 없음 관점에서 최적의 표상을 찾는 것을 목표로 한다. 이를 위해, 우리는 불변성과 엉킴 없음에 대한 획기적인 정의를 제시한다. 단순한 정의를 넘어, 신호를 압축하고 유의미한 정보를 추출하기 위해 정립된 정보이론의 이론적 프레임워크를 창의적으로 이용하여 본 연구가 제시하는 표상의 성질들을 수학적으로 분석할 뿐만 아니라, 우수한 표상을 얻을 수 있는 실질적인 방법들을 제시한다. 이를 통해, 최근 심층학습의 월등한 예측 성능을 설명하기 위해 화두로 떠오른 해석가능성의 새로운 연구방향을 제시하고, 진정한 의미의 인공지능 발전을 위한 발판을 마련한다. □ 연구 목표대비 연구결과 1차년도 (2020.6 – 2021.2)의 목표였던 “최적 표상의 정의와 정보 병목에 기반한 최적 표상학습 방법론 제시”에 대해, 기존의 방법들 대비 우수한 성능을 내는 표상학습 방법을 제시하였고, 실제 문제에 적용하여 유효성을 성공적으로 검증했다. 또한, 3편의 논문이 게재되어 연구 목표를 초과 달성 하였다. 2차년도 (2021.3. - 2022.2)의 목표였던 “표상학습 설명의 다른 프레임워크와의 연관성에 대한 연구”에 대해, 금융 분야 고유의 표상학습 프레임워크인 팩터 모델을 개선시키기 위해 보다 일반적인 표상학습이 추구해야할 목표를 밝혔으며, 3편의 논문이 게재되어 연구 목표를 초과 달성하였다. 3차년도 (2022.3 – 2023.2)에 수행한 연구는 2차년도와 마찬가지로 일반적인 표상학습이 금융분야 고융의 문제를 풀 때 추구해야할 목표를 밝혔다. 이는, “DNN의 학습 진행에 따른 표상의 특성 연구”라는 기존의 목표와 정확히 일치하지는 않으나, 처음의 목표 또한, 크게 보았을 때, 표상학습이 추구해야할 방향을 찾기 위한 노력이라는 점에서 본 연구의 결과도 의미가 있다. 또한, 2편의 논문을 게재함으로써 성공적으로 연구를 마무리하였다. □ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성) 기술적 측면에서, 본 연구는 표상학습과 이것에 핵심을 둔 심층학습을 기반으로 금융분야의 핵심적인 문제를 해결했다는 점에서, 특히 금융분야의 학습/예측문제에 적용함에 있어서 최근 화두로 떠오른 심층학습 분야의 해석가능성의 발판 마련에 역할을 하였다. 사회/경제적 측면에서, 기계학습이 범용적 인공지능으로 거듭나기 위한 핵심기술을, 특히 금융 측면에서, 확보했다는 점에서 데이터사이언스의 국내 산업시장 확보에 필요한 역할을 수행했다. 또한, 이는 심층학습 방법의 발전을 통해 데이터 산업 성장의 촉매 역할을 할 수 있다는 점에서 중요성을 갖는다. 본 연구의 결과는 인공지능 기술을 적용의 가장 큰 재정적/시간적 장애물인 데이터 가공을 효과적으로 수행하는 방법을 제시했다는 점에서, 본 연구의 결과는 궁극적으로 금융, 의료등의 사회적 서비스들을 저렴하게 제공함에 있어 적절한 역할을 수행했다. (출처 : 연구결과 요약문 2p) |
