Command Palette
Search for a command to run...
판별형 인공지능(Discriminative Artificial Intelligence)은 입력에서 라벨(또는 목표)로의 매핑을 학습하거나 조건부 확률 분포 P(y | x)를 직접 모델링하는 인공지능 방법론의 한 유형으로, 분류, 순위 매기기 및 이상 탐지에 주로 사용됩니다. 생성형 방법은 주로 데이터 분포, 결합 분포 P(x, y) 또는 조건부 분포 P(x | y) 등을 모델링하며 이를 바탕으로 샘플을 생성할 수 있습니다. 두 방법의 주요 차이점은 모델링 목표에 있으며, 단순히 “콘텐츠 생성 여부”로 요약할 수 없습니다.
초기의 퍼셉트론, 서포트 벡터 머신(SVM) 모두 이 범주에 속합니다. 2001년, Ng와 Jordan은 NIPS 논문 《On Discriminative vs. Generative Classifiers: A Comparison of Logistic Regression and Naive Bayes》에서 양자의 경계를 체계화했습니다: 생성형 모델은 결합 분포 P(x, y)를 모델링하고, 판별형 모델은 조건부 분포 P(y | x)를 직접 모델링합니다. 해당 연구에서 비교된 로지스틱 회귀와 나이브 베이즈 모델 및 실험 조건 하에서, 생성형 방법은 소규모 표본 단계에서 수렴 속도가 빠르지만, 판별형 방법은 데이터가 증가함에 따라 더 낮은 점근 오차를 달성할 수 있습니다. 이는 특정 모델과 가정에 기반한 이론적 및 실험적 결론이며, 모든 모델에 적용 가능한 “소규모 데이터에는 생성형, 대규모 데이터에는 판별형”이라는 법칙으로 단순화해서는 안 됩니다.
역사적으로 스팸 필터링, 신용 점수 산정, 이미지 분류, 그리고 오늘날 BERT, DeBERTa와 같은 양방향 인코더 모두 판별형 접근법의 대표 사례입니다. 2026년, Kasliwal과 Singh은 arXiv 프리프린트 《Multi-Label Topic Assignment via LLM Distillation: A Comparative Analysis of Generative vs. Discriminative Student Models》에서 동일한 작업에 대한 현대적인 트레이드오프를 제시했습니다: 전자 상거래의 다중 레이블 주제 할당 작업에서, 구조화된 상품 리뷰에서는 판별형 모델이 더 정확하지만, 복잡한 다중 턴 대화에서는 가장 작은 1B 생성형 모델조차도 이를 능가할 수 있습니다. 레이블 규모가 112개 주제로 확장될 때, 판별형 기준선의 Macro-F1은 약 35% 감소합니다. 이는 “대형 모델 기반 라벨링 + 소형 판별형 모델”이라는 일반적인 형태를 설명합니다. 리스크 관리, 품질 검사, 의료 보조 진단, 검색 순위 매기기 등 “판단”을 수행하는 시나리오에서는 여전히 판별형 모델이 주류입니다.