생성 모델

생성 모델은 주어진 데이터를 학습하여 데이터 분포를 따르는 유사한 데이터를 생성하는 모델이다.

기존 합성곱 신경망에서 다룬 이미지 분류, 이미지 검출 등은 입력 이미지(x)가 있을 때 그에 따른 정답(y)을 찾는 것이다.

예를 들어 개와 고양이 이미지 데이터셋이 주어졌을 때, 그 이미지를 개와 고양이로 분류하는 문제들을 다룬다.

이렇게 이미지를 분류하는 것을 ‘판별(자) 모델(discriminative model)’이라고 한다.

일반적으로 판별자 모델에서는 이미지를 정확히 분류(구별)하고자 해당 이미지를 대표하는 특성들을 잘 찾는 것을 목표로 한다.

그리고 판별자 모델에서 추출한 특성들의 조합을 이용하여 새로운 개와 고양이 이미지를 생성할 수 있는데, 이것을 ‘생성(자) 모델(generative model)’이라고 한다.

즉, 생성 모델은 입력 이미지에 대한 데이터 분포 p(x)를 학습하여,

새로운 이미지(새로운 이미지이면서 기존 이미지에서 특성을 추출했기 때문에 최대한 입력 이미지와 유사한 이미지)를 생성하는 것을 목표로 합니다.

생성 모델의 유형에는 다음 그림과 같이 모델의 확률 변수를 구하는 ‘변형 오토인코더 모델’과 확률 변수를 이용하지 않는 ‘GAN 모델’이 있다.

생성 모델은 크게 명시적 방법(explicit density)과 암시적 방법(implicit density)으로 분류할 수 있다.

명시적 방법은 확률 변수 p(x)를 정의하여 사용한다.

대표적인 모델로 변형 오토인코더(variational autoencoder)가 있다.

암시적 방법은 확률 변수 p(x)에 대한 정의 없이 p(x)를 샘플링하여 사용한다.

대표적인 모델로 GAN(Generative Adversarial Network)이 있다.

변형 오토인코더는 이미지의 잠재 공간(latent space)에서 샘플링하여 완전히 새로운 이미지나 기존 이미지를 변형하는 방식으로 학습을 진행합니다.

GAN은 생성자와 판별자가 서로 경쟁하면서 가짜 이미지를 진짜 이미지와 최대한 비슷하게 만들도록 학습을 진행합니다.

* 참고 잠재공간 : 숫자 5 이미지를 입력하면 인코더는 숫자 5를 받아서 분석한 후 2차원 좌표평면, 예를 들어 (5,5)에 표현합니다.

이때 숫자 5 이미지를 고차원 데이터라고 하며 좌표평면에 표현된 벡터는 점 (5,5)에 해당됩니다.

그리고 2차원 좌표평면을 잠재 공간이라고 합니다.

모 하 지