소개글
"딥러닝 Autoencoder"에 대한 내용입니다.
목차
1. 서론
1.1. Autoencoder 기반 추천 시스템의 이해
1.2. 추천 시스템의 발전과 한계
1.3. Autoencoder 적용의 필요성
2. Autoencoder 기반 추천 시스템 개요
2.1. 기존 추천 시스템 모델의 분류와 한계
2.2. Autoencoder 기반 추천 시스템의 등장
2.3. 분류 프레임워크 제안
3. Autoencoder만을 기반으로 하는 모델
3.1. Autoencoder 기반 collaborative filtering (ACF)
3.2. Collaborative denoising AE (CDAE)
3.3. Supervised neural recommendation (SNR)
3.4. Trust-aware collaborative filtering denoising autoencoder (TDAE)
3.5. Hybrid collaborative recommendation via semi-autoencoder(HCRSAE)
3.6. Imputation-boosted denoising autoencoder (IDAE)
4. 통합 모델
4.1. 전통적인 추천 시스템과 결합된 Autoencoder
4.1.1. 긴밀하게 통합된 모델
4.1.2. 느슨하게 통합된 모델
4.2. 다른 딥러닝 기술과 통합된 Autoencoder
4.3. 정성 분석
5. 참고 문헌
본문내용
1. 서론
1.1. Autoencoder 기반 추천 시스템의 이해
Autoencoder는 여러 규제 기법을 적용하여 다양한 application에 적용되고 있다. 특히 Autoencoder는 추천 시스템인 collaborative filtering의 성능을 높이는 데 주로 사용된다. 추천 시스템은 최근 이슈로 떠오르면서, 아마존, 넷플릭스와 같은 기업들에서 효과적인 추천 시스템을 개발하였고, 국내 기업들도 추천 시스템 개발에 힘쓰고 있다. 추천 시스템은 콘텐츠 기반 모델, 협업 필터링 모델, 지식 기반 모델 그리고 하이브리드 기반 모델로 나뉘는데 기존 모델들에는 한계가 존재한다. 사용자에 대한 정보가 부족하여 발생하는 데이터 희소성, 콜드 스타트 문제가 있다. 이러한 기존 추천 시스템의 한계를 개선하는 방법으로 Autoencoder 기반 추천 시스템이 제시되었다. 따라서 여러 추천 시스템에 Autoencoder가 적용되면 성능 향상을 기대할 수 있다.
1.2. 추천 시스템의 발전과 한계
추천 시스템은 최근 이슈로 떠오르며 아마존, 넷플릭스와 같은 기업들에서 효과적인 추천 시스템을 개발하였고, 국내 기업들도 추천 시스템 개발에 힘쓰고 있다. 추천 시스템은 콘텐츠 기반 모델, 협업 필터링 모델, 지식 기반 모델 그리고 하이브리드 기반 모델로 나뉘는데 이러한 기존 모델들에는 한계가 존재한다. 사용자에 대한 정보가 부족하여 발생하는 데이터 희소성, 콜드 스타트 문제 등이 있기 때문이다. 이러한 기존 추천 시스템의 한계를 개선하는 방법으로 Autoencoder 기반 추천 시스템이 제시되었다.
1.3. Autoencoder 적용의 필요성
기존 추천 시스템 모델들은 데이터 희소성, 콜드 스타트 문제와 같은 한계를 가지고 있다. 이러한 문제를 해결하기 위해 Autoencoder 기반 추천 시스템이 제시되었다. Autoencoder는 입력 데이터를 압축하여 낮은 차원의 잠재 표현을 학습하고, 이 잠재 표현을 활용하여 입력 데이터를 재구성하는 비지도 학습 모델이다. Autoencoder 기반 추천 시스템은 Autoencoder의 이러한 특성을 활용하여 희소한 사용자-아이템 상호작용 데이터로부터 고차원의 복잡한 관계를 효과적으로 학습하고 압축할 수 있다. 또한 학습된 잠재 표현은 콜드 스타트 문제를 해결하는 데에도 도움이 된다. Autoencoder는 입력 데이터의 특성을 효과적으로 압축하고 잠재 표현을 학습할 수 있기 때문에, 기존 추천 시스템 모델들의 한계를 극복하고 추천 시스템의 성능을 향상시킬 수 있다. 이를 통해 사용자 경험을 향상시키고 다양한 산업 분야에 활용되고 있다. 따라서 Autoencoder는 추천 시스템 분야에서 널리 활용되고 있으며, 그 중요성이 점점 더 증가하고 있다.
2. Autoencoder 기반 추천 시스템 개요
2.1. 기존 추천 시스템 모델의 분류와 한계
추천 시스템은 콘텐츠 기반 모델, 협업 필터링 모델, 지식 기반 모델, 하이브리드 기반 모델로 나뉜다. 콘텐츠 기반 모델은 사용자의 과거 선호도와 유사한 항목을 추천하지만, 사용자의 객관적인 정보만으로는 정확한 추천이 어렵다는 한계가 있다. 협업 필터링 모델은 유사한 선호도를 가진 사용자들의 평가정보를 활용하여 추천하지만, 초기 데이터가 부족한 경우 성능이 저하되는 콜드스타트 문제가 있다. 지식 기반 모델은 전문가의 지식을 바탕으로 추천하지만, 지식베이스 구축 및 유지의 어려움과 사용자의 상황 변화를 반영하기 어렵다는 한계가 있다. 이런 한계를 보완하기 위해 하이브리드 기반 모델이 등장하였지만, 모델의 복잡성이 증가하여 실제 구현이 어려워지는 단점이 있다. 이처럼 기존 추천 시스템 모델들은 데이터 희소성, 콜드스타트 문제, 지식 구축의 어려움 등의 한계를 가지고 있어, Autoencoder 기반 추천 시스템의 필요성이 대두되었다.
2.2. Autoencoder 기반 추천 시스템의 등장
추천 시스템은 최근 이슈로 떠오르며, 아마존, 넷플릭스와 같은 기업들에서 효과적인 추천 시스템을 개발하였다. 국내 기업들도 추천 시스템 개발에 힘쓰고 있다. 추천 시스템은 콘텐츠 기반 모델, 협업 필터링 모델, 지식 기반 모델, 하이브리드 기반 모델로 나뉘는데 기존 모델들에는 한계가 존재한다.
사용자에 대한 정보가 부족해 발생하는 데이터 희소성, 콜드 스타트 문제가 있다. 이러한 기존 추천 시스템의 한계를 개선하는 방법으로 Autoencoder 기반 추천 시스템이 제시되었다. Autoencoder는 여러 규제 기법을 적용하여 추천 시스템의 성능을 높이는 데에 주로 사용된다. Autoencoder 기반 추천 시스템은 입력을 효과적으로 특징화하고 시스템의 일반화 성능을 향상시킬 수 있어 추천 시스템의 한계를 극복할 수 있다. 또한 Autoencoder는 사용자-아이템 관계의 비선형적인 특성을 잘 포착할 수 있다. 따라서 Autoencoder 기반 추천 시스템은 기존 모델을 효과적으로 보완하고 개선할 수 있는 대안으로 부각되고 있다.
2.3. 분류 프레임워크 ...
...
참고 자료
Guijuan ZHANG,Yang LIU,Xiaoning JIN,(2020),A survey of autoencoder-based recommender systems,front. comput. sci,14(2),430-450
EEG 신호 분석을 위한 딥러닝 연구 동향김태완*, 곽근창**BK사업단 소속 조선대학교*, 조선대학교**Research trend for Deep learning based on EEG signal Tae-Wan Kim* Keun-Chang Kawk**BK사업단 소속 Chosun University*, Chosun University**- 2408 -2022년도대한전기학회하계학술대회논문집2022.7.13~16www.dbpia.co.kr
정재윤, 박훈석, 박동현, 이상원, 김상연, 남창수, 추상현. (2021). 뇌-컴퓨터 인터페이스(BCI)와 인공지능: 딥러닝 및 설명가능AI. ie 매거진, 28(4), 30-38.
김수빈(2021), Informer Paper Review, 고려대학교
Ben Auffarth(2021), Machine Learning for Time-Series with Python, Packt
