안전한 인공지능 시스템을 위한 심층 신경망 강화

249

부록

A

수식 설명

[표-

1

]은 이 책에서 사용한 수학 용어를 요약한 내용입니다.

표

A-1

수식 설명

수식 설명

x

스칼라를 나타냅니다.

x

벡터를 나타냅니다.

(; )xyf=

H

함수

f

는 벡터 입력

x

에 대한 결과입니다. 여기서

f

는 매개변수

H

에 종속됩니다. 이

책에서는 특정 입력에 대한

DNN

모델의 출력을 나타냅니다.

f

는

DNN

모델 알고리

즘을 나타내고

H

는 훈련 중에 결정된 매개변수를 나타내며

x

는 모델 입력입니다.

(; )C( ,)xf y

H

f

(

x

;

H

)와 벡터

y

가 주어진 함수

C

. 이 책에서는 필요한 출력

y

와 관련하여 특정 입

력에 대한

DNN

모델의 비용(또는 손실)을 나타냅니다.

x

i

벡터

x

의 요소

i.

dx

dy

x

에 대한

y

의 미분.

x

y

2

2

x

에 대한

y

의 편미분입니다. 여기서

x

는

y

에 영향을 미치는 변수입니다.

∇

x

f

나블라 기호(역삼각형)는 ‘기울기(

gradient

)’를 의미합니다.

∇

x

f

는 벡터

x

에 대한

함수

f

의 편미분 벡터를 나타냅니다. 간단히 말해서,

x

값의 아주 작은 변화가 함수

f

에 미치는 영향을 의미합니다.

{1, 2, . . . L} 1

에서

L

까지의 숫자 집합입니다.

R

실수 세트.

{x : P(x)} P(x)

가 참인

x

의 모든 값 집합입니다. 여기서

P(x)

는 부울 문입니다.

수식 설명

APPENDIX

A

250

안전한 인공지능 ...