패스트캠퍼스 환급챌린지 53일차 : 딥러닝·인공지능 Signature 초격차 패지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

 

강의 수강 시작

 

학습인증샷

 

 

 

학습 수강 완료

 

 

오늘은 다양한 메트릭 러닝 모델 구조에 대해 배웠다. 각각의 구조는 입력 데이터의 구성 방식과 학습 전략에 따라 차별화된 특징을 가지고 있었고, 데이터 간의 거리나 유사성을 학습하는 데 중점을 두고 있었다. 같은 데이터라도 어떤 구조를 사용하느냐에 따라 학습하는 방식과 결과가 달라질 수 있다는 점이 흥미로웠다.
그래프 기반 모델에 대해서도 자세히 배웠다. 그래프 기반 모델은 각 데이터 포인트를 그래프의 노드로 표현하고, 노드 간의 간선으로 데이터 사이의 관계나 거리를 나타낸다. 이런 방식을 통해 데이터 사이의 복잡한 구조적 관계를 좀 더 직관적이고 명확하게 파악할 수 있다. 그리고 그래프 대비 손실이나 그래프 삼중항 손실 같은 특수한 손실 함수를 사용하여 학습을 진행하는데, 단순한 거리 계산을 넘어, 데이터 간의 연결성과 전체적인 패턴까지 고려한다는 점에서 기존의 방식들과는 다른 깊이를 가지고 있다고 느꼈다.
또한 최근 메트릭 러닝 분야에서 주목받고 있는 SwAV 방법도 배웠다. SwAV는 클러스터링 기반 접근 방식을 사용하여 데이터를 구조화된 형태로 파악하는 데 강점을 가진다. 특히 데이터에 명확한 레이블이 없더라도, 자체적으로 데이터의 패턴을 찾아내어 좋은 성능을 낸다고 들었다. 이미지 분류나 검색 같은 분야에서 SwAV가 최첨단 성능을 달성했다는 사실이 인상적이었다.
BYOL이라는 방법도 함께 다루었는데, 이 방식은 자기 지도 학습을 기반으로 한다. BYOL은 별도의 레이블 없이, 데이터를 스스로 비교하고 유사성을 찾아내면서 학습을 진행한다. 듀얼 인코더 구조를 사용하고, 모멘텀 기반의 업데이트 방법을 적용하여 안정적인 학습을 가능하게 한다. 데이터의 잠재적인 특성과 구조를 더 깊이 이해할 수 있도록 도와주기 때문에, 여러 이미지 분류나 검색 작업에서도 좋은 결과를 얻었다고 한다.
이외에도 다양한 모델과 개념들이 소개되었는데, 아무래도 처음 듣는 개념들이 많아서 쉽지 않게 느껴졌다. 새로운 용어도 많고, 각각의 모델이 왜 필요한지, 어떤 상황에서 유리한지까지 이해하려다 보니 머릿속이 복잡해지는 느낌도 들었다.
그럼에도 불구하고 오늘 수업을 통해 메트릭 러닝이 단순히 거리만 계산하는 것이 아니라, 다양한 구조와 전략을 통해 데이터의 복잡한 관계를 세밀하게 학습할 수 있다는 점을 확실히 알게 되었다. 각각의 네트워크 방식이 가지고 있는 강점과 한계를 비교하면서, 앞으로 어떤 문제를 풀 때 어떤 방식을 선택하면 좋을지 고민해보는 연습이 필요하겠다는 생각이 들었다. 

 

https://bit.ly/4hTSJNB