인공지능 재귀 학습에 따른 모델 붕괴 현상 개선 방안 = Improvement of Model Collapse Phenomenon due to Artificial Intelligence Recursive Learning

국문 초록 (Abstract)

인공지능 분야 중, 사물 인식 기술은 공정 자동화, 자율 주행, 스마트 시스템 구축 등을 위한 기반 기술로널리 사용되고 있다. 이러한 사물 인식 기술에서는, 인식의 정확도를 높이기 위해 인공지능이 생성한 이미지를 다시 학습 데이터로 활용하는 재귀 학습(Recursive Learning) 기법을 널리 사용한다. 하지만, 이러한 재귀학습은 모델 붕괴(Model Collapse) 현상이 발생하여 사물 인식의 성능을 저하하는 문제를 발생시킬 수 있다.
이러한 문제를 해결하기 위해, 본 논문에서는 모델 붕괴의 원인이 되는 이미지 품질 저하 과정을 수학적으로분석하고, 이를 기반으로 특이점 분석과 자연로그 함수를 활용한 생성 이미지 평가 기법을 제안하였다. 또한, 논문의 이미지 평가 기법을 실험적으로 구현하여, 원본 이미지와 서로 다른 손상 비율을 가진 이미지들에 대한 분석을 수행하였다. 이러한 실험과 실험 결과를 통해, 논문에서 제안한 이미지 평가 기법이 재귀 학습의모델 붕괴에서 발생할 수 있는 이미지 손상을 조기에 감지하여 모델 붕괴 현상을 개선하는 데 충분히 활용될수 있음을 보였다.

다국어 초록 (Multilingual Abstract)

Object recognition technology is widely used as a basic technology for process automation, autonomous driving, and smart system construction in the field of artificial intelligence. In such object recognition technology, recursive learning techniques are widely used to improve the accuracy of recognition, in which images generated by artificial intelligence are reused as learning data. However, this recursive learning can cause the problem of model collapse, which reduces the performance of object recognition. To solve this problem, in this paper, we mathematically analyzes the image quality degradation process that causes model collapse, and propose a generated image evaluation technique using singularity analysis and natural logarithm function based on this. In addition, the image evaluation technique in the paper was experimentally implemented, and analysis was performed on images with different damage ratios from the original image. Through these experiments and experimental results, it was shown that the image evaluation technique proposed in the paper can be sufficiently utilized to improve the model collapse phenomenon by early detecting image damage that can occur in model collapse of recursive learning.