샤플리 기반 의존 특징 제어를 통한 데이터셋 증류

국문 초록 (Abstract)

데이터셋 증류는 원본 데이터셋과 비슷한 학습 성능을 보이는 매우 작고 유용한 데이터셋을 합성하는 것을 목표로 한다. 설명가능한 AI 분야에서 학습된 모델의 표현들 중 예측에 중심적으로 사용되는 의존도가 높은 특징들을 샤플리 값을 이용해 식별할 수 있음을 밝혔다. 본 논문은 이러한 발견으로 바탕으로 샤플리 값을 이용하여 각 클래스의 의존 특징을 효과적으로 고려한 데이터셋 증류 방법을 제안한다. 즉, 각 합성 데이터가 일부 특징만 학습하지 않도록 모델 뉴런의 샤플리 값을 계산하여 의존도가 높은 뉴런들을 식별하고, 이들 중 상위 n%의 뉴런을 조절하여 데이터셋 증류를 수행한다. CIFAR10 데이터셋, 10 IPC(Image per class)의 조건에서 제안 방법을 실험하였고 기존 데이터셋 증류 방법 대비 최대 1.3%p의 성능 향상을 보인다. 이는 제안하는 데이터셋 증류 방법이 효과적으로 각 클래스의 차별적인 특징을 포착할 수 있음을 시사한다.

목차 (Table of Contents)

• 요약
• 1. 서론
• 2. 관련 연구
• 3. 제안 방법
• 4. 실험 및 분석
• 5. 결론
• 참고문헌