초록
본 논문에서는 MNIST 및 CIFAR-10 데이터셋을 대상으로 자체 개발한 활성화 함수인 아날로그 활성화 함수(TAAF: The Analog Activation Function)의 성능을 평가한 결과를 제시한다. TAAF는 고유한 수학적 구성 방식을 활용하여 신경망의 성능을 향상시키도록 설계된 새로운 활성화 함수이다. 우리는 이 함수를 합성곱 신경망(CNN) 아키텍처에 적용하여 MNIST 데이터셋에서는 기존의 표준 활성화 함수들과, CIFAR-10 데이터셋에서는 ELU와의 성능을 비교하였다. 실험 결과, TAAF는 MNIST 데이터셋에서 99.39%의 테스트 정확도를 달성하였으며, CIFAR-10 데이터셋에서는 79.37%의 테스트 정확도를 기록하였다. MNIST에서는 TAAF가 표준 활성화 함수들을 약간 상회하는 99.39%의 정확도를 달성하여 우수한 성능을 보였다. 특히 CIFAR-10에서는 동일한 아키텍처에서 ELU의 72.06% 대비 79.37%로 유의미하게 높은 정확도를 기록하며, 더 우수한 일반화 능력을 갖추고 있음을 시사한다. 본 연구는 TAAF가 다양한 이미지 분류 과제에서 안정적이고 높은 성능을 보임을 입증하며, 향후 연구를 위한 강력한 성능 기준을 제시한다.