안전한 인공지능 시스템을 위한 심층 신경망 강화

47

3

장

심층 신경망

마다 라벨이 붙어있지는 않기 때문입니다. 모델은 라벨이 없는 데이터를 사용해 패턴을 설정한

다음, 라벨이 있는 데이터를 사용해 정확도를 높입니다.

강화 학습

강화 학습에서 머신러닝 모델은 성능이 얼마나 좋은지 확인하기 위해 피드백을 반환합니다. 모

델은 특정 목표 (예: 비디오 게임에서 이기는 법 배우기)에 최적화되기 위해서 반복적으로 시

도하며 피드백 (이를 테면 얼마나 잘했는지를 알려주는 점수 )을 받고 접근법을 조정해가면서

정교해집니다.

이 책의 대부분은 지도 학습으로 학습한 모델을 다루며 이를 통해 적대적 입력을 집중적으로

배웁니다. 지도 학습을 위주로 하지만 적대적 사례 개념은 비지도, 반지도, 강화 방법으로 학습

한 모델에도 적용할 수 있습니다.

3.2

딥러닝 개념

기존 머신러닝 기술이 아무리 강력하다 해도 작업에 필요한 중요 정보, 즉 두드러진 특성이 명

확하지 않은 복잡다단한 데이터는 처리하지 못합니다. 식물의 특성은 식물에 꽃이 있는지 없는

지를 나타내는 이진값 또는 꽃잎 수를 나타내는 정수와 같은 구조화된 데이터로 표시합니다.

식물 분류에 있어서 각 특성의 중요성은 명확하지 않을 수 있지만, 특성 자체는 매우 뚜렷하게

표현됩니다.

대부분의 작업에서는 구조화되지 않거나 식별하기 어려운 특성이 있는 데이터 유형을 사용합

니다. 그리고 인공지능 세계에서도 이미지나 오디오와 같은 실제 세계에서 추출한 구조화되지

않은 원시 데이터에 초점을 맞추는 경우가 많습니다. 디지털 이미지는 일반적으로 수천 개의

픽셀값으로 ...