문서 둘러보기
다항 특징 확장
다항 특징 확장은 입력 특징의 거듭제곱과 곱을 새 특징으로 만드는 전처리 방법이다. 선형 모델이 입력의 곡선 관계나 상호작용을 표현하도록 사용할 수 있다. 특징을 생성하는 과정과 그 특징의 계수를 학습하는 과정은 다르다.
단순 결측값 대치
단순 결측값 대치는 비어 있는 자료를 특징별 평균·중앙값·최빈값이나 지정한 상수로 채우는 전처리 방법이다. 모델에 완성된 입력을 제공하는 데 쓸 수 있다. 채운 값이 실제로 관측됐던 원래 값이라는 뜻은 아니다.
로버스트 스케일링
로버스트 스케일링은 중앙값과 분위수 간 범위를 사용해 특징의 중심과 규모를 바꾸는 전처리 방법이다. 대표적인 설정은 중앙값을 빼고 사분위 범위로 나누는 방식이다. 평균과 표준편차를 사용하는 표준화보다 일부 극단값의 영향을 덜 받도록 구성한다.
최소 최대 스케일링
최소 최대 스케일링은 특징의 최솟값과 최댓값을 기준으로 수치 범위를 바꾸는 전처리 방법이다. 흔히 훈련 자료의 값을 0부터 1 사이로 옮긴다. 새 입력까지 항상 그 범위 안에 들어오는 것은 아니다.
특징 표준화
특징 표준화는 각 특징에서 평균을 빼고 표준편차로 나누어 수치 규모를 조절하는 전처리 방법이다. 기계 학습에서는 보통 훈련 자료에서 계산한 통계를 저장해 새 자료에도 적용한다. 변환했다고 자료가 자동으로 정규분포가 되는 것은 아니다.
서수 인코딩
서수 인코딩은 범주형 특징의 각 범주를 하나의 정수 코드로 바꾸는 표현 방법이다. 원래 특징마다 열 하나를 유지할 수 있다. 부여한 숫자가 실제 순서와 간격을 뜻하는지는 자료와 코드 규칙을 따로 살펴야 한다.
원핫 인코딩
원핫 인코딩은 범주마다 별도 위치를 두고 해당 범주의 위치만 1로 표시하는 표현 방법이다. 범주형 자료를 수치 입력으로 바꿀 때 사용한다. 번호를 하나 붙이는 표현과 달리 번호 사이의 크기 관계를 직접 부여하지 않는다.
확률 보정 곡선
확률 보정 곡선은 예측 확률과 실제 양성 비율의 관계를 구간별로 비교하는 그림이다. 비슷한 확률을 낸 표본들을 묶어 평균 예측값과 관측 비율을 한 점으로 나타낸다. 신뢰도 도표라고도 한다.
ROC AUC
ROC AUC는 이진 분류의 ROC 곡선 아래 면적을 수치로 요약한 지표다. 점수가 양성을 음성보다 앞에 놓는 순위 능력을 평가한다. 특정 임계값에서의 정확도나 예측 확률의 보정 정도와는 다르다.
성능 정체 기반 학습률 감소
성능 정체 기반 학습률 감소는 관찰하는 지표가 일정 기간 개선되지 않을 때 학습률을 낮추는 규칙이다. 단계 수만으로 값을 정하는 고정 스케줄과 달리 학습 결과에 반응한다. Reduce learning rate on plateau라는 이름으로도 쓰인다.
학습률 다항 감쇠
학습률 다항 감쇠는 남은 학습 구간의 비율을 거듭제곱해 학습률을 끝값으로 낮추는 스케줄이다. 지수 p가 감소 곡선의 모양을 정한다. 이름과 달리 구현에서는 p를 정수가 아닌 양수로 설정할 수도 있다.
학습률 코사인 감쇠
학습률 코사인 감쇠는 정해진 구간에서 코사인 곡선의 절반을 따라 학습률을 낮추는 스케줄이다. 시작 학습률과 최저 학습률, 감쇠할 단계 수를 정한다. 학습률을 다시 올리는 재시작이나 초반에 올리는 워밍업은 별도 규칙이다.
학습률 지수 감쇠
학습률 지수 감쇠는 학습 단계가 진행될수록 기본 학습률에 일정한 비율을 반복 적용하는 스케줄이다. 일정한 양을 빼는 선형 감소와 달리 비율에 따라 줄어든다. 연속형과 계단형 규칙을 구분할 수 있다.
가우스 잡음 층
가우스 잡음 층은 신경망 학습 중 입력이나 중간 활성값에 평균이 0인 정규분포 잡음을 더하는 구성 요소다. 값에 작은 변동을 주는 정칙화나 자료 증강의 한 형태로 사용할 수 있다. 일반적인 추론에서는 잡음을 더하지 않는다.
공간 드롭아웃
공간 드롭아웃은 특징 지도의 개별 원소 대신 채널 전체에 같은 제거 마스크를 적용하는 정칙화 방법이다. 한 채널의 공간 위치들을 함께 남기거나 함께 0으로 만든다. 일반적인 이차원 구성에서는 입력의 형태를 유지한다.
양방향 순환 신경망
양방향 순환 신경망은 입력 순서를 앞에서 뒤로 처리하는 경로와 뒤에서 앞으로 처리하는 경로를 함께 사용하는 구조다. 각 위치에서 앞쪽 문맥과 뒤쪽 문맥을 결합할 수 있다. 두 방향의 계산 결과를 어떻게 합칠지도 모델의 일부다.
유튜브 음악 모음과 Content ID
음악 영상이 공개되어 있다는 사실과 업로더가 광고 수익을 받는다는 사실은 다르다. Content ID의 권리자 정책과 채널의 재사용 콘텐츠 심사를 구분한다.
GRU
GRU는 갱신 게이트와 리셋 게이트로 은닉 상태를 조절하는 순환 신경망 구조다. 이름은 Gated Recurrent Unit에서 왔다. 대표적인 기본형은 LSTM처럼 별도의 셀 상태를 두는 대신 하나의 은닉 상태를 이어 갱신한다.
LSTM
LSTM은 셀 상태와 은닉 상태를 유지하며 게이트로 정보의 보존과 추가를 조절하는 순환 신경망 구조다. 이름은 Long Short-Term Memory에서 왔다. 단순 순환 신경망과 달리 상태의 흐름을 여러 게이트로 나누어 다룬다.
단순 순환 신경망
단순 순환 신경망은 현재 입력과 이전 은닉 상태를 함께 사용해 새 상태를 계산하는 순차 모델이다. 같은 갱신 규칙을 시간 위치마다 반복한다. 과거 정보는 은닉 상태를 통해 다음 단계에 전달된다.
잔차 연결
잔차 연결은 신경망에서 입력을 몇 개의 층을 거쳐 얻은 값에 더하는 연결 구조다. 기본 형태는 y=x+F(x)다. 변환 전체를 새로 만드는 대신 입력에 더할 변화 F를 학습하는 관점을 제공한다.
멀티헤드 어텐션
멀티헤드 어텐션은 여러 개의 어텐션 계산을 서로 다른 학습 투영으로 수행한 뒤 결과를 결합하는 방법이다. 각 헤드는 질의·키·값 표현을 따로 사용한다. 단일 가중합 하나로 정보를 모으는 대신 여러 표현 공간의 결과를 함께 활용한다.
내적 어텐션
내적 어텐션은 질의와 키의 내적으로 점수를 구하고, 그 점수에서 만든 가중치로 값들을 결합하는 방법이다. 입력마다 참조할 값의 비중을 다르게 만들 수 있다. 신경망에서 정보를 선택적으로 모으는 구성 요소로 사용한다.
플래튼 층
플래튼 층은 신경망에서 각 입력의 여러 특징 축을 하나의 긴 축으로 펼치는 구성 요소다. 값들을 평균내거나 골라내지 않고 배열 형태를 바꾼다. 일반적인 사용에서는 배치 축을 유지한다.
전치 합성곱
전치 합성곱은 합성곱의 선형 연산을 행렬로 나타냈을 때 그 전치에 대응하는 연산이다. 작은 특징 지도에서 더 큰 공간 형태의 출력을 만드는 데 쓰일 수 있다. 이름에 역방향 의미가 있어도 원래 입력을 복원하는 역연산과는 다르다.
깊이별 분리 합성곱
깊이별 분리 합성곱은 채널별 공간 처리와 채널 간 결합을 두 단계로 나누는 연산이다. 먼저 깊이별 합성곱을 적용하고 이어 1×1 점별 합성곱으로 채널을 섞는다. 공간 방향의 필터를 가로·세로로 분해하는 방식과는 다른 구분이다.
깊이별 합성곱
깊이별 합성곱은 입력 채널마다 별도의 공간 필터를 적용하는 연산이다. 서로 다른 입력 채널의 값을 한 출력 안에서 섞지 않는다는 점이 일반 합성곱과 다르다. Depthwise convolution이라고 한다.
합성곱 층
합성곱 층은 작은 필터의 가중치를 여러 위치에서 공유하며 입력 특징을 변환하는 신경망 구성 요소다. 위치 주변의 값들을 결합해 새 특징 지도를 만든다. 필터 크기, 이동 간격, 패딩과 채널 수가 출력의 형태를 정한다.
완전연결 층
완전연결 층은 입력 특징과 출력 특징 사이에 가중치 행렬을 두는 신경망의 기본 구성 요소다. 각 출력은 입력들의 가중합과 편향으로 계산하며 활성화 함수를 이어 적용할 수 있다. 밀집 층 또는 Dense layer라고도 한다.
임베딩 층
임베딩 층은 정수 식별자를 일정한 길이의 벡터로 바꾸는 신경망 구성 요소다. 단어나 항목의 번호에 대응하는 표의 행을 찾아 출력한다. 일반적인 학습형 임베딩에서는 이 표의 값도 손실에 따라 조정된다.
전역 평균 풀링
전역 평균 풀링은 특징 지도의 공간 위치 전체를 평균내어 채널마다 하나의 값으로 만드는 연산이다. 작은 창을 옮기는 평균 풀링과 달리 공간 영역 전체를 한 번에 요약한다. 배치의 서로 다른 입력이나 채널을 함께 평균내는 것은 아니다.
유심 없는 휴대전화의 분실 대응
유심을 빼도 남는 사진·계정과 Wi-Fi 연결을 구분하고, 안드로이드 원격 잠금·초기화의 조건과 한계를 설명한다.
평균 풀링
평균 풀링은 특징 지도의 일정한 영역에서 평균을 구해 대표값으로 사용하는 연산이다. 창을 이동하며 채널별로 처리한다. 최댓값 하나를 남기는 최대 풀링과 달리 창 안의 모든 값이 평균에 기여한다.
최대 풀링
최대 풀링은 신경망의 특징 지도에서 일정한 영역의 최댓값을 대표값으로 남기는 연산이다. 창을 이동하며 반복하고, 보통 공간 크기를 줄이는 데 사용한다. 입력 채널별로 처리하므로 여러 채널 중 하나만 고르는 연산과는 다르다.
RMSNorm
RMSNorm은 신경망의 활성값을 제곱평균제곱근으로 나누어 크기를 조절하는 정규화 방법이다. 평균을 먼저 빼는 층 정규화와 달리 중심화 단계를 생략한다. 일반적인 형태에서는 정규화 뒤 성분별 학습 배율을 곱한다.
그룹 정규화
그룹 정규화는 신경망의 채널을 여러 묶음으로 나누어 묶음별 평균과 분산으로 활성값을 변환하는 방법이다. 한 입력 안에서 통계를 계산하므로 다른 배치 표본의 값에 직접 의존하지 않는다. 채널을 몇 그룹으로 나누는지가 중요한 설정이다.
배치 정규화
배치 정규화는 신경망 학습 중 배치에서 구한 평균과 분산으로 활성값을 변환하는 방법이다. 보통 채널이나 특징마다 통계를 계산한다. 학습에서는 현재 배치의 통계를, 일반적인 추론에서는 누적해 둔 통계를 사용하는 차이가 있다.
층 정규화
층 정규화는 신경망의 한 입력 안에서 지정한 특징들의 평균과 분산을 계산해 활성값을 변환하는 방법이다. 배치에 들어 있는 다른 입력들과 통계를 섞는 대신 각 입력을 독립적으로 처리한다. Layer normalization 또는 레이어 정규화라고 한다.
드롭아웃
드롭아웃은 신경망 학습 중 일부 활성값을 무작위로 0으로 만드는 정칙화 방법이다. 특정 활성값의 조합에 지나치게 의존하는 것을 줄이기 위해 사용한다. 일반적인 추론에서는 이 무작위 제거를 적용하지 않는다.
기울기 클리핑
기울기 클리핑은 학습 중 계산한 기울기가 정해진 크기를 넘을 때 줄이는 방법이다. 성분별 값을 제한하거나 기울기 벡터의 노름을 제한할 수 있다. 어떤 범위의 기울기를 함께 제한하는지에 따라 결과가 달라진다.
Adamax
Adamax는 Adam 계열의 최적화 방법으로, 기울기 제곱의 이동평균 대신 감쇠된 절댓값의 최댓값을 이용해 갱신 배율을 정한다. 기울기의 일차 이동평균도 유지하며 이 상태에는 초기화 편향 보정을 적용한다.
의사 허버 손실
의사 허버 손실은 작은 잔차에서는 제곱 손실처럼, 큰 잔차에서는 선형적으로 증가하는 매끄러운 손실 함수다. 잔차의 크기에 따라 두 구간을 잘라 붙이는 대신 하나의 식으로 전환을 표현한다. Pseudo-Huber loss라고도 한다.
ELU
ELU는 음수 구간에 지수함수를 사용하는 활성화 함수다. 양수 입력은 그대로 출력하며 음수 입력의 출력은 일정한 하한에 가까워진다. 음수 구간도 직선인 LeakyReLU와 구별된다.
PReLU
PReLU는 음수 구간의 기울기를 학습하는 활성화 함수다. 입력이 0 이상이면 그대로 출력하고 음수이면 학습 매개변수 α를 곱한다. 고정된 음수 기울기를 사용하는 LeakyReLU와 함수 모양은 비슷하지만 계수를 다루는 방식이 다르다.
LeakyReLU
LeakyReLU는 입력이 음수인 구간에도 기울기를 두는 활성화 함수다. 양수 입력은 그대로 통과시키고 음수 입력에는 정해진 계수를 곱한다. 음수 구간의 출력을 모두 0으로 만드는 ReLU를 변형한 방식이다.
Adadelta
Adadelta는 기울기 제곱과 매개변수 이동량 제곱의 이동평균을 이용하는 최적화 방법이다. 과거 기울기의 제곱합을 계속 누적하는 Adagrad와 달리 오래된 정보의 비중을 줄인다. 갱신 배율에는 이전 이동량도 반영한다.
Adagrad
Adagrad는 과거 기울기의 크기를 누적해 매개변수별 갱신 배율을 조절하는 최적화 방법이다. 대표적인 대각형 방식은 각 성분의 기울기 제곱합을 사용한다. 누적량이 큰 성분은 같은 기울기가 주어져도 더 작게 이동한다.
도서관 보안 장비와 자기 기록 매체
도서관의 RFID 장비와 자기식 보안 장비를 구분하고 CD·자기테이프·전자기기의 차이를 설명한다.
AdamW
AdamW는 Adam의 적응형 갱신과 가중치 감쇠를 분리한 최적화 방법이다. 손실의 기울기로 모멘트를 추정하면서, 매개변수를 줄이는 항은 별도로 적용한다. L2 벌점을 기울기에 더하는 방식과는 일반적으로 결과가 다르다.
Adam (최적화)
Adam은 기울기의 일차 모멘트와 이차 모멘트를 이동평균으로 추정해 매개변수 갱신량을 조절하는 최적화 방법이다. 이름은 Adaptive Moment Estimation에서 왔다. 기본 알고리즘은 0으로 초기화한 추정량의 편향을 보정한다.
RMSprop
RMSprop은 기울기 제곱의 이동평균으로 갱신 크기를 조절하는 최적화 방법이다. 각 매개변수에 대해 최근 기울기 크기의 누적 상태를 유지하고 그 제곱근으로 기울기를 나눈다. 현재 기울기만 일정한 학습률로 곱하는 기본 경사 하강법과 다르다.
모멘텀 (최적화)
최적화에서 모멘텀은 현재 기울기뿐 아니라 이전 갱신 방향의 일부를 누적해 매개변수를 바꾸는 방법이다. 한 표현은 vₜ=μvₜ₋₁-ηgₜ, wₜ=wₜ₋₁+vₜ다. μ는 이전 이동의 유지 비율이고 η는 학습률이다.
활성화 함수
활성화 함수는 신경망 층에서 계산한 값에 적용해 출력을 정하는 함수다. ReLU나 로지스틱 함수처럼 비선형 변환을 넣거나, 항등함수처럼 값을 그대로 통과시킬 수 있다. 은닉층과 출력층에서 요구하는 성질이 다를 수 있다.
ReLU
ReLU는 입력의 양수 부분을 그대로 두고 음수 부분을 0으로 만드는 활성화 함수다. 기본형은 f(x)=max(0,x)이며 Rectified Linear Unit의 약칭이다. 입력 배열에서는 각 원소에 따로 적용한다.
소프트플러스
소프트플러스는 f(x)=ln(1+exp(x))로 정의하는 매끄러운 함수다. 양의 부분을 남기는 ReLU 함수 max(0,x)의 부드러운 근사로 사용한다. 표준 로지스틱 함수와 연결되지만 출력 자체가 0과 1 사이의 확률인 것은 아니다.
허버 손실
허버 손실은 작은 잔차에는 이차식을, 큰 잔차에는 절댓값에 비례하는 식을 적용하는 손실 함수다. 양의 경계값 δ를 기준으로 형태가 바뀐다. 제곱 오차에 비해 큰 잔차의 영향을 줄이는 강건 추정과 기계 학습에 사용한다.
로그섬엑스프
로그섬엑스프는 여러 값의 지수를 더한 뒤 자연로그를 취하는 함수다. L(z)=ln(Σexp(zᵢ))로 정의하며 큰 지수를 직접 만들지 않는 계산에 사용한다. 각 입력에 로그를 취한 값을 단순히 더하는 연산과 다르다.
소프트맥스
소프트맥스는 여러 실수 점수를 지수함수로 변환하고 그 합으로 나누어 합이 1인 벡터를 만드는 함수다. 각 성분은 exp(zⱼ)/Σexp(zₖ)로 정의한다. 같은 벡터의 다른 점수도 분모에 들어가므로 각 성분을 서로 독립적으로 변환하는 연산은 아니다.
조기 종료 (기계 학습)
기계 학습에서 조기 종료는 미리 정한 지표가 더 이상 개선되지 않을 때 학습 반복을 멈추는 방법이다. 최대 반복 횟수와 별개로 정지 시점을 정하며, 감시할 지표와 개선 방향, 기다릴 횟수를 지정한다. 멈추는 시점과 최선의 모델을 고르는 시점은 다를 수 있다.
배기가스 처리와 FGT
FGT의 뜻, 탈질·탈황·집진의 차이와 복합화력발전소에서 확인할 사항을 설명한다.
로지스틱 회귀
로지스틱 회귀는 입력 특성의 선형 결합을 로지스틱 함수로 바꾸어 사건의 확률을 추정하는 모델이다. 이진 문제의 기본형은 p=1/(1+exp(-z)), z=b+wᵀx다. 확률을 그대로 사용하거나 별도의 임계값으로 범주를 정할 수 있다.
데이터 누출 (기계 학습)
기계 학습에서 데이터 누출은 예측 시점에는 사용할 수 없는 정보가 모델을 만드는 과정에 들어가는 문제다. 검증이나 시험 자료의 정보가 학습에 섞이면 새 자료에 대한 성능을 낙관적으로 평가할 수 있다. 모델 계수뿐 아니라 전처리와 특성 선택에서도 발생한다.
교차 검증
교차 검증은 데이터를 여러 방식으로 나누어 학습에 사용하지 않은 부분에서 모델 성능을 반복 평가하는 방법이다. 대표적인 k겹 교차 검증은 한 묶음을 검증에, 나머지를 학습에 쓰며 검증 묶음을 바꿔 간다. 모델 설정을 비교할 때 활용한다.
엘라스틱 넷
엘라스틱 넷은 선형 모델의 오차에 L1 벌점과 L2 제곱 벌점을 함께 더하는 정칙화 방법이다. 라소와 릿지의 벌점을 결합하지만 두 모델의 예측이나 계수를 단순히 평균내는 방법은 아니다. 전체 벌점의 세기와 혼합 비율을 구분해 조절한다.
라소 회귀
라소 회귀는 선형 회귀의 오차에 회귀계수 절댓값 합의 벌점을 더하는 방법이다. L1 벌점으로 일부 계수가 정확히 0이 될 수 있어 변수 선택에 사용한다. 계수 제곱합을 벌점으로 쓰는 릿지 회귀와 구별된다.
릿지 회귀
릿지 회귀는 선형 회귀의 잔차 제곱합에 회귀계수의 제곱 크기를 벌점으로 더하는 추정 방법이다. 서로 강하게 연관된 설명변수로 인한 계수의 민감도를 줄이는 데 사용한다. 벌점의 세기는 0 이상의 매개변수 λ로 조절한다.
데이터센터 액체 냉각
직접 냉각과 액침 냉각의 차이, 냉각 전력 절감의 원리와 성능·수명을 평가할 때의 조건을 설명한다.
D램과 하이브리드 본딩
D램 셀 구조, 수직 적층, 웨이퍼 본딩의 관계와 대역폭·전력·제조 수율의 쟁점을 설명한다.
카카오톡 메시지 삭제
‘이 기기에서 삭제’와 ‘모든 대화 상대에게서 삭제’의 차이, 보낸 메시지의 삭제 가능 시간과 남는 표시를 설명한다.
설치된 RAM과 사용 가능한 메모리
RAM 모듈 용량, 시스템이 인식한 총용량, 하드웨어 예약과 현재 사용량의 차이를 설명한다.
아이폰 집중 모드 상태 공유
메시지에 표시되는 ‘알림 소리가 울리지 않음’의 뜻과 집중 모드 상태 공유를 설명한다.
펄스 폭 변조
펄스 폭 변조는 펄스가 켜져 있는 시간을 바꾸어 신호를 표현하거나 출력을 제어하는 방식이다. PWM이라고 부른다. 일정한 주파수로 높은 상태와 낮은 상태를 반복하는 구현에서는 한 주기 중 높은 상태의 비율인 듀티비가 핵심 변수다.
안드로이드의 Apple Music
Apple Music은 안드로이드에서도 앱과 웹으로 이용할 수 있다. 공유 링크 열람과 전체 곡 재생 권한은 구별해야 한다.
CMOS 이미지 센서
CMOS 이미지 센서는 광다이오드에서 생성한 전하를 화소 주변의 트랜지스터와 판독 회로를 통해 전기 신호로 읽는 반도체 영상 소자다. 화소의 신호 변환과 선택 회로를 센서 안에 구성하여 빠른 판독과 회로 집적에 활용한다.
화소 비닝
화소 비닝은 인접한 여러 화소의 신호를 묶어 더 큰 하나의 유효 화소로 다루는 방법이다. 신호를 더 모으는 대신 공간 표본 수를 줄이며, 판독 전 전하 결합과 판독 후 디지털 결합은 잡음에 미치는 영향이 다르다.
EMCCD
EMCCD는 신호를 최종적으로 읽기 전에 칩 안에서 전하를 증배하는 CCD 센서다. 약한 광신호를 읽기 잡음보다 크게 만든 뒤 판독하는 구조이며, 미약한 빛이나 짧게 지속되는 현상을 촬영하는 데 활용한다.
CCD
CCD는 빛으로 생성된 전하를 화소에 모았다가 순차적으로 옮겨 읽는 반도체 소자다. 전하 결합 소자라는 이름으로도 불리며, 영상과 분광 신호를 전기적인 값으로 기록하는 센서에 사용한다.
영상 비트 깊이
영상 비트 깊이는 화소의 신호 값을 디지털 숫자로 표현하는 데 사용하는 비트 수다. 표현 가능한 단계 수와 관련되지만, 센서의 실제 전하 용량이나 잡음까지 포함한 측정 성능을 그 자체로 보장하지는 않는다.
포화 전하 용량
포화 전하 용량은 영상 센서의 한 화소가 포화되기 전까지 저장할 수 있는 전하의 양이다. 풀웰 용량이라고도 하며, 화소의 크기와 동작 조건에 영향을 받고 밝은 신호를 기록할 수 있는 범위와 연결된다.
글로벌 셔터
글로벌 셔터는 영상 센서 전체의 화소가 같은 노출 구간을 기록하도록 하는 방식이다. 행마다 서로 다른 시점을 담는 롤링 셔터와 달리 빠르게 움직이는 대상의 형상을 같은 시간 기준으로 포착하는 데 유리하다.
롤링 셔터
롤링 셔터는 영상 센서의 모든 화소를 같은 순간에 노출하는 대신 행이나 화소 구역에 따라 노출 시점을 순차적으로 진행하는 방식이다. 빠른 움직임을 촬영하면 한 프레임 안에서도 시점 차이가 형상 왜곡으로 나타날 수 있다.
평균 절대 백분율 오차
평균 절대 백분율 오차는 각 예측의 절대오차를 실제값의 절댓값으로 나누어 평균한 지표다. MAPE라고 줄여 부르며, 실제값이 작거나 0인 경우 값이 크게 불안정해질 수 있다. 백분율과 소수 비율의 표시 관례도 구분해야 한다.
평균 절대 오차
평균 절대 오차는 실제값과 예측값의 차이에 절댓값을 취한 뒤 평균한 회귀 평가 지표다. 오차의 방향을 상쇄하지 않고 크기를 요약하며, 기본 형태에서는 원래 측정값과 같은 단위를 갖는다.
평균 정밀도
평균 정밀도는 예측 점수의 임계값을 바꾸어 얻은 정밀도들을 재현율의 증가량으로 가중해 요약하는 지표다. AP라고 줄여 부르며, 비보간 정의는 정밀도와 재현율 곡선을 사다리꼴로 적분한 값과 일반적으로 같지 않다.
ROC 곡선
ROC 곡선은 이진 분류의 판정 임계값을 바꾸면서 거짓양성률과 참양성률의 관계를 그린 곡선이다. 한 임계값의 정답률만 보는 대신, 양성을 더 많이 찾을 때 음성을 잘못 선택하는 비율이 어떻게 함께 달라지는지 보여 준다.
로그 손실
로그 손실은 실제로 관측된 범주에 부여한 확률의 음의 로그를 이용하는 예측 손실이다. 확률 분류에서 교차 엔트로피 손실이라고도 부르며, 실제 범주에 매우 낮은 확률을 주는 예측을 크게 벌점화한다.
브라이어 점수
브라이어 점수는 예측 확률과 실제 결과 사이의 제곱 차이를 평균한 확률 예측 평가 지표다. 작을수록 좋은 손실이며, 범주만 맞혔는지 보는 정확도와 달리 예측한 확률값 자체를 평가한다.
F1 점수
F1 점수는 정밀도와 재현율의 조화평균으로 정의되는 분류 평가 지표다. 관심 범주의 참양성, 거짓양성, 거짓음성을 함께 반영하며, 높은 정밀도와 높은 재현율 중 하나만으로 높은 점수가 보장되지는 않는다.
재현율
재현율은 실제 양성인 항목 중 양성으로 찾아낸 비율이다. 참양성을 참양성과 거짓음성의 합으로 나누어 계산한다. 관심 범주를 얼마나 놓치지 않고 찾았는지 보여 주지만, 잘못 양성으로 선택한 항목의 수를 직접 반영하지는 않는다.
정밀도 (분류)
분류에서 정밀도는 양성이라고 예측한 항목 중 실제로 양성인 비율이다. 참양성을 참양성과 거짓양성의 합으로 나누어 계산한다. 실제 양성 가운데 찾아낸 몫을 뜻하는 재현율과는 분모가 다르다.
혼동 행렬
혼동 행렬은 실제 범주와 예측 범주를 교차하여 분류 결과를 집계한 표다. 어떤 범주를 맞혔는지뿐 아니라 어느 범주로 잘못 분류했는지도 보여 준다. 행과 열의 방향 및 범주 순서를 확인해야 표를 올바르게 읽을 수 있다.
균형 정확도
균형 정확도는 각 실제 범주의 재현율을 계산한 뒤 같은 가중치로 평균한 분류 성능 지표다. 표본 수가 많은 범주의 정답이 전체 정확도를 지배하는 상황에서, 범주별로 얼마나 잘 맞혔는지를 따로 반영한다.
매튜스 상관계수
매튜스 상관계수는 실제 범주와 예측 범주의 관계를 평가하는 분류 성능 지표다. 이진 분류에서는 참양성, 참음성, 거짓양성, 거짓음성을 모두 반영하며, 정의되는 기본 계수는 -1부터 1 사이의 값을 갖는다.
미니해시 LSH
미니해시 LSH는 집합을 요약한 미니해시 서명을 이용해 비슷한 집합의 후보를 찾는 색인 방법이다. 모든 서명을 하나씩 비교하는 대신 일부 구간이 같은 항목을 모으며, 결과에는 누락과 잘못 포함된 후보가 있을 수 있다.
미니해시
미니해시는 집합의 자카드 유사도를 작은 서명으로 추정하는 확률적 방법이다. 같은 무작위 순서에서 각 집합의 최소 원소를 고르고, 여러 번 만든 서명에서 값이 일치하는 비율을 이용한다.
B 플러스 트리
B 플러스 트리는 내부 노드로 탐색 경로를 안내하고 잎 노드에 데이터 항목이나 레코드 참조를 두는 균형 다진 탐색 트리다. 모든 잎의 깊이를 같게 유지하며 정렬된 키의 탐색과 범위 순회에 활용한다.
스플레이 트리
스플레이 트리는 접근한 노드를 회전으로 루트까지 올리는 자기 조정 이진 탐색 트리다. 높이를 항상 로그 수준으로 유지하는 대신 연속된 연산들의 총비용을 분석하며 표준 탐색과 갱신의 분할 상환 비용은 O(log n)이다.
AVL 트리
AVL 트리는 모든 노드에서 왼쪽과 오른쪽 부분 트리의 높이 차가 1 이하가 되도록 유지하는 균형 이진 탐색 트리다. 이 조건 덕분에 노드 수가 n일 때 높이가 O(log n)으로 제한된다.
적흑 트리
적흑 트리는 노드에 빨강과 검정 정보를 두고 색의 배치 규칙으로 높이를 제한하는 균형 이진 탐색 트리다. 키의 탐색 순서와 색 불변식을 함께 유지하며 탐색, 삽입과 삭제를 O(log n)에 수행할 수 있다.
2단계 커밋
2단계 커밋은 여러 참여자가 수행한 분산 트랜잭션을 모두 확정하거나 모두 중단하도록 조정하는 프로토콜이다. 준비 여부를 모으는 단계와 최종 결정을 전달하는 단계를 구분하며, 조정자 장애 때 일부 참여자가 결정을 기다릴 수 있다.