Neural Architecture Search 및 하이퍼파라미터 튜닝 기반 모델 최적화

Model Optimization via Neural Architecture Search and Hyperparameter Tuning

연구 내용

전처리 조건을 비교한 뒤 Neural Architecture Search와 하이퍼파라미터 탐색으로 모델을 튜닝하여 웨어러블 심박 추정의 정확도와 효율을 동시에 확보하는 연구

심박 추정 문제를 위한 신경망 모델에서 입력 전처리와 학습 설정이 성능에 미치는 영향을 체계적으로 다룹니다. 전처리 기법과 파라미터 조합을 비교하여 유효한 입력 표현을 선택하고, 이후 하이퍼파라미터 탐색을 수행합니다. 더 나아가 Microsoft의 Neural Network Intelligence를 활용한 Neural Architecture Search로 네트워크 구조를 자동 탐색하여 파라미터 규모를 줄이면서도 추정 품질을 확보하는 최적화 전략을 제시합니다.

관련 프로젝트

0건

연구 흐름

먼저 PPG 기반 심박 추정 파이프라인에서 전처리 구성과 파라미터가 성능에 미치는 영향을 확인했습니다. 이후 성능 변동 요인을 줄이기 위해 하이퍼파라미터 튜닝 절차를 적용하여 학습 안정성과 예측 정확도를 동시에 고려했습니다. 마지막으로 Neural Architecture Search로 모델 구조를 탐색해 파라미터 효율을 높이고, 스마트워치 환경에서 적용 가능한 경량화 방향으로 연구를 확장했습니다.

활용 가능성

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

AutoML 기반 생체신호 모델 설계
경량 신경망 구조 탐색
파라미터 효율 중심 최적화
임베디드 추론 모델 제작
전처리-모델 공동 최적화
웨어러블 기기용 모델 자동 튜닝
현장 배포형 AI 성능 개선
개인화 추정 모델 확장
센서 데이터 품질 향상 루프
모델 설계 반복 프로세스 표준화