총변동과 오일러 탄성으로 배우는 고차원 지도학습
** 본 논문은 이미지 처리에 성공적으로 적용된 총변동(TV)과 오일러 탄성(EE) 정규화를 고차원 지도학습에 확장한다. 손실 함수와 TV·EE 스무딩을 결합한 에너지 함수를 정의하고, 변분 원리를 통해 얻은 고차원 편미분 방정식을 직접 푸는 대신 방사형 기저 함수(RBF) 전개를 이용해 선형 계수 문제로 변환한다. 이 방법을 이진·다중 클래스 분류와 회귀에 적용한 실험에서 경쟁력 있는 성능을 확인하였다. **
저자: Tong Lin (Peking University), Hanlin Xue (Peking University), Ling Wang (LTCI
**
본 논문은 이미지 처리 분야에서 널리 활용된 총변동(Total Variation, TV)과 오일러 탄성(Euler’s Elastica, EE) 정규화 기법을 고차원 지도학습에 적용하는 새로운 프레임워크를 제시한다. 서론에서는 TV가 경계 보존 특성으로 인해 노이즈 제거에 강점이 있고, EE는 곡률 제어를 통해 부드러운 곡선을 유지하면서도 세밀한 구조를 보존한다는 점을 강조한다. 이러한 특성을 머신러닝 모델의 일반화와 과적합 방지에 활용하고자, 저자는 Tikhonov 정규화 형태의 에너지 함수를 다음과 같이 정의한다.
\
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기