초록
자기 조직화 맵(Self-Organizing Map, SOM)은 비지도 학습, 특히 임베디드 애플리케이션에서 매우 유망한 뇌에서 영감을 받은 신경 모델입니다. 그러나 복잡한 데이터셋을 처리할 때 효율적인 프로토타입을 학습하는 데 어려움이 있습니다. 본 연구에서는 원시 데이터 대신 추출된 특징을 사용하여 SOM의 성능을 개선하고자 합니다. 우리는 두 가지 다른 접근 방식을 사용하여 비지도 특징 추출에 대한 SOM 분류 정확도를 비교 분석하였습니다: 기계 학습 접근 방식으로는 경사 기반 학습을 사용하는 희소 컨볼루셔널 오토인코더(Sparse Convolutional Auto-Encoder)와 신경 과학 접근 방식으로는 스파이크 타iming 의존적 가소성(Spike Timing Dependent Plasticity, STDP) 학습을 사용하는 스파이킹 신경망(Spiking Neural Network)입니다. SOM은 추출된 특징으로 훈련되며, 그 후에는 매우 적은 수의 라벨링된 샘플을 사용하여 뉴런들을 해당 클래스로 라벨링합니다. 우리는 다양한 특징 추출 방법을 사용하여 특징 맵, SOM 크기 및 라벨링된 부분 집합 크기가 분류 정확도에 미치는 영향을 조사하였습니다. 이 결과를 통해 SOM 분류 정확도를 6.09% 개선하였으며, 비지도 이미지 분류에서 최고 수준의 성능을 달성하였습니다.