VAE 기반 분포학습과 불균형 데이터 증강 연구

VAE-driven distributional learning and imbalanced data augmentation

연구 내용

VAE의 잠재공간 분포를 추정하고 데이터 밀도·분류 난이도를 반영해 불균형 학습 성능을 개선하는 연구

변분자기생성모형(VAE)을 활용해 저차원 잠재공간에서 데이터의 분포를 정량화하고, 라벨 정보 및 분류 난이도를 함께 반영하는 방식으로 데이터 증강을 설계합니다. 불균형 문제에서는 증강 과정에서 성능을 저해하는 소수 클래스 표본을 선택적으로 배제하고, 이웃 표본을 데이터 공간에서 보간·증강하여 과적합을 완화합니다. 또한 반대적(Adversarial) 영향도 기반 증강과 혼합 Cramer–Wold 거리 기반의 탭ular 합성, 분위함수 추정 등을 통해 분포학습의 안정성과 활용성을 확장하는 차별성을 보유합니다.

관련 프로젝트

2건

연구 흐름

초기에는 VAE를 기반으로 잠재공간에서 분포를 학습하고, 반지도 학습에서 잠재공간을 설명가능하게 구성하기 위한 구조 제약과 보간 설계를 제안했습니다. 이후 저차원 분포 밀도와 분류 난이도를 활용해 불균형 분류에서 SMOTE 성능을 개선하는 데이터-적응형 노이즈 필터링과 증강 선택 전략으로 확장했습니다. 최근에는 분위함수 기반 분포학습, 영향도 함수를 이용한 적응형 반대적 증강, 탭ular 합성에서 주변·결합 분포를 균형 있게 반영하는 이산화 지표를 도입하여 합성과 일반화 성능을 동시에 다루는 흐름을 형성하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

불균형 분류 성능 개선
데이터-적응형 노이즈 필터링
설명가능 반지도 학습
잠재공간 기반 분포학습
반대적 영향도 기반 증강
프라이버시 조절 탭ular 합성
분자 특성 예측 일반화 향상
데이터 공간 보간 기반 학습 안정화
소표본 환경의 증강 자동화
불균형 그래프 수준 작업 지원