초록
우리는 쌍 없는 이미지 간 번역 작업을 수행하는 CycleGAN을 위한 신경망 아키텍처 탐색(Neural Architecture Search, NAS) 프레임워크를 개발하였다. 기존의 생성적 적대 학습망(GAN)을 위한 NAS 기법을 CycleGAN에 확장하는 것은 작업의 특성 차이와 더 큰 탐색 공간으로 인해 단순한 확장이 불가능하다. 따라서 간단한 ResNet 기반 셀의 스택으로 구성된 아키텍처를 설계하고, 큰 탐색 공간을 효과적으로 탐색할 수 있는 탐색 방법을 개발하였다. 본 연구에서 제안하는 프레임워크인 CycleGANAS는 원래 CycleGAN과 동등하거나 그 이상의 성능을 갖는 고성능 아키텍처를 효과적으로 탐색함과 동시에, 각 번역 방향에 대해 개별적인 아키텍처 탐색을 통해 데이터 불균형 문제도 성공적으로 해결함을 보였다. 현재까지의 지식에 비추어 볼 때, 본 연구는 CycleGAN에 대한 최초의 NAS 결과이며, 더 복잡한 구조에 대한 NAS 연구에 중요한 시사점을 제시한다.