자기 감독 적응 방식에 의한 SOFM의 성능 향상 = Performance Improvement of SOFM by using Self-supervised Adaptive Algorithm

다국어 초록 (Multilingual Abstract)

Topological organization is obtained by neighborhood learning algorithms that can be used to extract the features in the input space. Luttrell proposed a new topological neighborhood learning algorithm which uses the correlation between input vectors in determining the shape of the topological neighborhood functions. He calls it the self-supervised adaptive algorithm. In this paper, we verified that Luttrell's self-supervised adaptive algorithm outperformed other conventional topographic learning algorithms using vector quantization problems of different degrees of difficulty. We found that Luttrell's algorithm increased entropy and that the entropy can not be an absolute performance measure for optimizing multi-cluster unsupervised networks. We also found that an entropy formula may be a useful measure for optimizing such networks as the multi-cluster unsupervised networks if it takes into account the systematic correspondence between neurons in different clusters.

국문 초록 (Abstract)

위상적 조직(topological organization)은 학습 자료의 입력 공간을 더 낮은 차원의 출력 공간으로 변환시킴으로써 입력 공간의 특징을 추출 할 수 있는 이웃 학습 알고리즘에 의해 달성된다. Luttrell은 위상적 이웃 함수의 모양을 결정하는 데 입력 벡터 간의 상관성을 이용하는 새로운 위상적 이웃 학습 알고리즘을 제안했다. 그는 이를 자기 감독 적응 알고리즘이라고 부른다. 이 논문에서는, 서로 다른 난이도의 벡터 양자화 문제들을 통하여 Lettrell의 자기 감독 적응 알고리즘이 다른 재래의 위상적 학습 알고리즘들을 능가함을 확인했다. 이 논문에서, Luttrell의 알고리즘이 엔트로피를 증가시키고, 엔트로피가 다중 클러스터 비감독 신경망의 최적화를 위한 절대적 성능 척도가 될 수 없다는 사실을 발견했으며, 또한, 서로 다른 클러스터에 있는 뉴런들 간의 체계적 대응이 엔트로피 공식에 고려된다면, 엔트로피가 다중 클러스터 비감독 신경망들의 최적화에 보다 유용한 척도가 될 수 있음을 발견했다.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 소개
• 2. 자기 감독 적응 알고리즘(self-supervised adaptive algorithm)
• 3. 수학적 모델을 이용한 입력 패턴 생성
• 4. 학습 및 시험 절차
• 5. 결과
• 6. 검토
• 7. 결론
• 참고문헌
• 부록
• 저자소개