시.공간 정보를 포함하여 구조화된 데이터 생성을 위한 오토엔코딩 대립적 오토엔코더

Abstract

인간-로봇 상호작용과 같은 적용 분야에서는 담화, 제스처와 같이 시·공간 정보를 포함하여 구조화된 데이터를 학습하고 생성할 수 있는 능력을 가진 생성 모델의 필요성이 강조되고 있다. 본 학위논문에서는 이러한 구조화된 데이터를 학습하여 확률 기반 조건부 데이터를 생성 할 수 있는 확률 기반 조건부 생성 모델인 오토엔코딩 대립적 오토엔코더(AAAE

Autoencoding Adversarial Autoencoder) 구조를 제안한다. AAAE 구조는 오토엔코더에 대립적 오토엔코더를 내장한 구조를 가지며, 대립적 학습을 통해 사용자 정의 사전 확률 분포에 사후 확률 분포 집합을 매칭하여 확률 기반 조건부 결과를 생성하기 위해 활용한다. 이러한 내장형 구조를 통해 네트워크의 성능 저하 없이 사용자에게 레이블 정보를 포함한 2차원의 직관적인 잠재 공간 분포를 제공하는 것이 가능하다. 또한, 과적합 현상을 일으키는 깊은 구조를 가지는 네트워크의 직접적인 학습을 피하며 전체 네트워크의 복잡도를 증가시키는 것이 가능하여, 높은 복잡도와 신호-대비-잡음 비율을 가져 과적합 현상에 취약한 담화 및 제스처와 같은 구조화된 데이터를 학습하고 생성하는 것이 가능하다. AAAE의 내장형 구조의 유효성을 보이기 위하여 기존 모델과 AAAE의 준지도학습 분류 정확도를 제시하여 비교하였으며, 제스처 데이터를 포함한 다양한 데이터셋으로 확률 기반 조건부 결과를 복원, 생성 및 합성하는 시뮬레이션을 진행하였다.