데코렐레이션과 라벨 예측 가능성의 균형을 통한 적응적 자기지도 학습

Adaptive Self-Supervised Learning Balancing Decorrelation and Label Predictability

연구 내용

그래프 자기지도학습에서 표현 간 상관을 낮추는 데코렐레이션과 라벨 예측 가능성 간 균형을 정량적으로 고려하고, 샘플링 효율을 함께 개선하는 연구

표현 학습에서 서로 다른 정보가 과도하게 결합되면 모델이 라벨과의 관계를 충분히 반영하지 못할 수 있으므로, 데코렐레이션 목표와 라벨 예측 가능성 목표를 동시에 다루는 학습 구성을 고려합니다. 이를 위해 그래프 딥러닝에서 자기지도학습 신호가 학습에 미치는 영향을 정렬하고, 표현의 상관 구조를 제어하는 방향으로 설계합니다. 또한 가중집합 샘플링 관점의 효율성 향상 기법을 반영해 데이터 샘플링·증강 전략을 학습 과정과 결합하는 접근을 수행합니다.

관련 프로젝트

2건

연구 흐름

초기에는 가중집합 샘플링의 효율성 향상 기법을 통해 학습에 필요한 샘플링 비용과 분포 품질의 균형을 다루는 실험을 수행했습니다. 이후 그래프 딥러닝으로 확장하여 자기지도학습에서 데코렐레이션과 라벨 예측 가능성 간 균형을 고려하는 학습 목표 구성을 제안했습니다. 최근에는 적응적 자기지도학습 프레임워크에서 데이터 샘플링, 데이터 증강, 다중작업학습, 일관성 학습, 대조 학습을 결합해 그래프 데이터의 특성에 따라 성능이 안정적으로 유지되도록 하는 방향으로 연구를 진행하고 있습니다.

활용 가능성

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

데코렐레이션 기반 표현 학습
라벨 예측 가능성 제어
자기지도학습 목표 설계
적응적 데이터 샘플링
가중집합 샘플링 최적화
그래프 데이터 증강 정책
대조 학습 신호 정렬
일관성 학습 모듈
다중작업학습 구성
표현 상관 구조 분석 도구