관계형 오토인코더를 이용한 특성 추출

데이터의 차원이 증가함에 따라 특성 추출의 중요성이 더욱 커지고 있습니다. 신경망 기반의 특성 추출 방법 중 하나인 오토인코더는 고차원 데이터의 추상적 특성을 생성하는 데 큰 성공을 거두었습니다. 그러나, 원래 특성과 새로운 특성을 사용한 실험 결과에 영향을 미칠 수 있는 데이터 샘플 간의 관계를 고려하지 못한다는 한계가 있습니다. 본 논문에서는 데이터 특성뿐만 아니라 그 관계까지 고려하는 관계형 오토인코더(Relation Autoencoder) 모델을 제안합니다. 또한 이 모델을 희소 오토인코더(Sparse Autoencoder), 노이즈 제거 오토인코더(Denoising Autoencoder), 변분 오토인코더(Variational Autoencoder) 등 주요 오토인코더 모델들과 함께 사용할 수 있도록 확장하였습니다. 제안된 관계형 오토인코더 모델들은 벤치마크 데이터셋 집합에서 평가되었으며, 실험 결과는 데이터 관계를 고려함으로써 더 강건한 특성을 생성하여, 다른 오토인코더 변형들보다 낮은 구조 손실과 더 나은 분류 정확도를 달성할 수 있음을 보여주었습니다.