확률적 자율 학습을 위한 베이지안 모델 = Bayesian model for probabilistic unsupervised learning

국문 초록 (Abstract)

Bishop이 제안한 Generative Topographic Mapping(GTM)은 Kohonen이 제안한 자율 학습 신경망인 Self Organizing Maps(SOM)의 확률 버전이다. GTM은 데이터가 생성되는 확률 분포를 잠재 변수, 혹은 은닉 변수를 사용하여 모형화한다. 이것은 SOM에서는 구현될 수 없는 GTM만의 특징이며 이러한 특징으로 인하여 SOM의 한계들을 극복할 수 있게 된다. 본 논문에서는 이러한 GTM 모형에 베이지안 학습(Bayesian learning)을 결합하여 작은 오분류율을 가지는 분류 알고리즘인 베이지안 GTM(Bayesian GTM)을 제안한다. 이 알고리즘은 기존의 GTM의 빠른 계산 처리 능력과 데이터에 대한 확률 분포, 그리고 베이지안 추론의 정확성을 이용하여 기존의 분류 알고리즘보다 우수한 결과를 얻게 된다. 본 논문에서는 기존의 분류 알고리즘에서 많이 실험하였던 학습 데이터를 통하여 이를 확인하였다.

다국어 초록 (Multilingual Abstract)

GTM(Generative Topographic Mapping) model is a probabilistic version of the SOM(Self Organizing Maps) which was proposed by T. Kohonen. The GTM is modelled by latent or hidden variables of probability distribution of data. It is a unique characteristic not implemented in SOM model, and, therefore, it is possible with GTM to analyze data accurately, thereby overcoming the limits of SOM. In the present investigation we proposed a BGTM(Bayesian GTM) combined with Bayesian learning and GTM model that has a small mis-classification ratio. By combining fast calculation ability and probabilistic distribution of data of GTM with correct reasoning based on Bayesian model, the BGTM model provided improved results, compared with existing models.

목차 (Table of Contents)

• 1. 서론
• 2. GTM 모형
• 2.1 Latent variable
• 2.2 EM 알고리즘
• 2.3 GTM 알고리즘
• 3. Bayesian GTM
• 3.1 베이지안 학습
• 3.2 모형의 구조
• 3.3 Slice Sampling
• 3.4 Bayesian GTM 알고리즘
• 4. 실험 및 결과
• 4.1 Fisher의 붓꽃 자료를 이용한 실험
• 4.2 Digit data를 이용한 실험
• 5. 결론
• 참고문헌