문서 둘러보기
반지도 학습의 현실적 평가
반지도 학습의 현실적 평가 연구는 통상적인 벤치마크가 실제 자료 조건을 얼마나 반영하는지 조사했다. 여러 방법을 공통으로 재구현해 기준선과 자료 구성의 영향을 비교한다.
DST 편향 완화 자기 학습
DST는 의사 표지의 생성과 사용을 분리하고 최악의 편향을 피하도록 표현을 학습하는 반지도 학습 방법이다. 반복 자기 학습에서 잘못된 의사 표지의 오차가 쌓이는 문제를 다룬다.
ReMixMatch
ReMixMatch는 분포 정렬과 증강 고정을 도입해 MixMatch를 확장한 반지도 학습 방법이다. 무표지 예측의 클래스 분포와 같은 입력의 여러 증강 예측을 함께 조정한다.
FreeMatch
FreeMatch는 모형의 학습 상태에 맞춰 의사 표지의 신뢰 문턱값을 스스로 조정하는 반지도 학습 방법이다. 초기 학습에서 다양한 예측을 유도하는 클래스 공정성 정규화도 함께 사용한다.
SoftMatch
SoftMatch는 신뢰도에 따라 표본에 부드러운 가중치를 부여하는 반지도 학습 방법이다. 의사 표지의 양과 질 사이의 절충을 다루기 위해 잘린 가우스 함수를 이용한다.
CoMatch
CoMatch는 클래스 확률과 낮은 차원의 임베딩을 함께 학습하는 반지도 학습 방법이다. 두 표현이 서로의 학습을 보완하도록 그래프 기반 대조 학습과 의사 표지를 연결한다.
FlexMatch
FlexMatch는 클래스마다 의사 표지를 채택하는 문턱값을 다르게 조정하는 반지도 학습 방법이다. 모형의 학습 상태에 맞춰 무표지 자료를 활용하는 커리큘럼 의사 표지를 FixMatch에 적용했다.
SimMatch
SimMatch는 의미 수준과 개별 표본 수준의 유사도를 함께 맞추는 반지도 학습 방법이다. 표지가 적은 조건에서 두 수준의 일관성과 표지 메모리를 이용해 학습 목표를 구성한다.
OpenCon
OpenCon은 알려진 클래스와 새로운 클래스의 무표지 표본을 함께 다루는 개방 세계 대조 학습 방법이다. 두 종류의 클래스에 대해 조밀한 표현을 학습하면서 새 범주 발견을 돕는다.
OpenMatch
OpenMatch는 무표지 자료에 알려지지 않은 클래스가 섞여 있는 반지도 학습 방법이다. FixMatch와 일대다 신규성 탐지기를 결합해 정상 범주의 표현을 배우면서 이상치를 거부한다.
개방 집합 인식의 강한 기준선
개방 집합 인식의 강한 기준선 연구는 알려진 클래스의 분류 정확도와 미지 클래스를 거부하는 능력의 관계를 조사했다. 최대 로짓 점수에 좋은 폐쇄 집합 분류기를 결합한 기준선을 제시한다.
OpenGAN 개방 집합 인식
OpenGAN은 실제 이상치와 합성 표본을 이용해 알려진 클래스 밖의 입력을 구별하는 방법이다. 기존 다중 클래스 신경망의 특징 위에 가벼운 판별기를 붙이는 형태로 구성한다.
ARPL 개방 집합 인식
ARPL은 알려진 클래스를 분류하면서 보지 못한 클래스를 미지로 식별하는 개방 집합 인식 방법이다. 클래스 바깥 공간을 상호점이라는 표현으로 모델링해 알려진 분포와 미지 분포의 겹침을 줄인다.
Generalized ODIN
Generalized ODIN은 분포 밖 자료로 학습하거나 조정하지 않고 탐지하도록 ODIN을 확장한 방법이다. 신뢰 점수의 분해와 수정한 입력 전처리라는 두 전략을 제안했다.
OpenMax
OpenMax는 입력이 알려지지 않은 클래스에 속할 확률을 추정하는 신경망 출력 층이다. 알려진 클래스 중 하나를 반드시 고르는 폐쇄 집합 분류기를 개방 집합 인식에 맞게 확장한다.
OpenOOD
OpenOOD는 분포 밖 탐지 방법을 공통 조건에서 구현하고 비교하기 위한 코드 기반과 벤치마크다. 이상 탐지와 개방 집합 인식 등 관련 분야의 방법을 일반화된 탐지 평가 틀에서 함께 다룬다.
VOS 가상 이상치 합성
VOS는 특징 공간에서 가상의 이상치를 합성해 분포 밖 탐지 학습에 사용하는 방법이다. 실제 이상치 자료를 별도로 확보하는 대신 생성한 표본으로 모형의 결정 경계를 정규화한다.
DICE 분포 밖 탐지
DICE는 신경망의 가중치를 기여도에 따라 선택해 분포 밖 탐지 출력을 계산하는 방법이다. 모든 가중치를 그대로 사용하는 대신 중요한 연결을 선택적으로 활용하는 희소화 접근이다.
심층 최근접 이웃 분포 밖 탐지
심층 최근접 이웃 분포 밖 탐지는 학습 자료의 신경망 특징과 검사 입력 사이의 이웃 거리를 이용하는 방법이다. 특징 공간의 분포를 특정 모수 형태로 가정하지 않는 비모수 접근이다.
ASH 활성화 변형
ASH는 추론할 때 신경망 뒤쪽 층의 활성화 일부를 제거하고 나머지를 조정하는 분포 밖 탐지 방법이다. 학습 자료에서 계산한 통계 없이 표본의 활성화를 즉시 변형한다.
ViM 분포 밖 탐지
ViM은 특징 공간에서 얻는 클래스 비의존 점수와 분류기의 클래스별 로짓을 결합하는 분포 밖 탐지 방법이다. 가상의 분포 밖 클래스를 나타내는 로짓을 만들어 원래 출력과 함께 비교한다.
ReAct 활성화 정류
ReAct 활성화 정류는 신경망 내부의 지나치게 큰 활성화 값을 상한으로 잘라 분포 밖 입력의 과신을 줄이는 방법이다. 사전 학습 모형에 적용하고 여러 탐지 점수와 결합할 수 있다.
마할라노비스 분포 밖 탐지
마할라노비스 분포 밖 탐지는 신경망 특징에 클래스별 가우스 분포를 맞추고 거리 기반 신뢰 점수를 얻는 방법이다. 사전 학습 소프트맥스 분류기를 이용해 비정상 입력을 탐지한다.
에너지 기반 분포 밖 탐지
에너지 기반 분포 밖 탐지는 신경망 분류기의 출력에서 에너지 점수를 계산해 학습 분포 밖 입력을 구별하는 방법이다. 검사 점수로 사용하는 방식과 에너지 모양 자체를 학습하는 방식을 함께 제안했다.
ODIN 분포 밖 탐지
ODIN은 온도 조정과 작은 입력 교란을 이용해 분포 밖 영상을 탐지하는 방법이다. 사전 학습 신경망 자체를 바꾸지 않고 소프트맥스 점수의 구별력을 높이려는 접근이다.
최대 소프트맥스 확률 탐지
최대 소프트맥스 확률 탐지는 분류기가 내놓는 가장 큰 클래스 확률을 이용해 오분류나 분포 밖 입력을 찾는 기준선이다. 별도의 복잡한 표현보다 기존 분류 출력에서 탐지 신호를 얻는다.
Outlier Exposure
Outlier Exposure는 보조 이상치 자료를 학습에 사용해 새로운 이상 입력을 구별하도록 하는 방법이다. 풍부한 영상과 텍스트 자료를 탐지기의 학습 신호로 활용한다.
가능도비 기반 분포 밖 탐지
가능도비 기반 분포 밖 탐지는 생성 모형의 가능도가 배경 통계에 크게 좌우되는 문제를 보정하려는 방법이다. 2019년 연구는 가능도 자체와 이상 여부가 일치하지 않을 수 있다는 점에 주목했다.
CSI 신규성 탐지
CSI는 원래 표본과 분포가 달라지는 증강 표본을 대조해 신규성 탐지용 표현을 학습하는 방법이다. 학습 분포 밖에서 온 표본을 식별하도록 대조 학습과 탐지 점수를 연결한다.
기하 변환 기반 이상 탐지
기하 변환 기반 이상 탐지는 정상 영상에 가한 변환의 종류를 구별하는 보조 과제로 표현을 학습하는 방법이다. 변환한 검사 영상에 대한 분류 모형의 반응을 이용해 이상 여부를 판단한다.
GANomaly
GANomaly는 입력 영상과 재구성 영상의 잠재 표현을 함께 학습하는 이상 탐지 모델이다. 생성기 안에 인코더와 디코더 및 추가 인코더를 연결해 정상 자료의 분포를 익힌다.
Skip-GANomaly
Skip-GANomaly는 건너뛰기 연결을 갖춘 인코더 디코더와 적대적 학습을 결합하는 영상 이상 탐지 모델이다. 정상 영상의 분포를 학습하고 영상 및 잠재 공간에서의 재구성 차이를 활용한다.
CFLOW-AD
CFLOW-AD는 조건부 정규화 흐름으로 영상 특징의 가능도를 추정하는 이상 탐지 방법이다. 사전 학습 인코더와 여러 규모의 생성적 디코더를 연결해 이상 유무와 위치를 다룬다.
FastFlow 이상 탐지
FastFlow는 이차원 정규화 흐름으로 영상 특징의 확률 분포를 학습하는 비지도 이상 탐지 방법이다. 학습한 분포에서 얻는 가능도를 이용해 이상 유무와 위치를 추정한다.
EfficientAD
EfficientAD는 가벼운 특징 추출기와 교사 학생 모형을 이용하는 영상 이상 탐지 방법이다. 국소 특징의 이상뿐 아니라 정상 부분들이 잘못 조합된 논리적 이상도 함께 다룬다.
역방향 증류 이상 탐지
역방향 증류 이상 탐지는 교사 인코더의 압축된 표현에서 학생 디코더가 여러 수준의 특징을 복원하게 하는 방법이다. 두 모형의 표현 차이를 이상 탐지에 활용한다.
CutPaste
CutPaste는 영상의 일부를 잘라 다른 위치에 붙이는 변형을 이용해 이상 탐지용 표현을 학습하는 방법이다. 실제 이상 자료 없이 정상 영상으로 표현을 학습한 뒤 단일 클래스 탐지기를 구성한다.
STFPM
STFPM은 교사와 학생 신경망이 만든 특징 피라미드의 차이로 영상의 이상 부분을 찾는 방법이다. 정상 영상에서 여러 크기의 특징을 맞추는 지식 증류를 수행한다.
PaDiM
PaDiM은 영상 패치의 정상 특징 분포를 모델링해 이상 유무와 위치를 함께 추정하는 방법이다. 사전 학습 합성곱 신경망의 패치 표현과 다변량 가우스 분포를 결합한다.
PatchCore
PatchCore는 정상 영상에서 얻은 패치 특징을 대표적인 메모리 뱅크로 구성하는 이상 탐지 방법이다. 결함 예시 없이 정상 예시만으로 시작하는 산업 검사 설정에서 이상 유무와 위치를 함께 다룬다.
Anomaly Transformer
Anomaly Transformer는 시계열의 각 시점이 다른 시점과 맺는 연관 관계를 이용하는 비지도 이상 탐지 모델이다. 자기 어텐션으로 얻는 관계와 정상 및 이상 시점의 연관 차이를 탐지 기준으로 활용한다.
DRAEM
DRAEM은 표면 영상에서 이상 부분을 찾기 위해 재구성과 판별을 함께 학습하는 모델이다. 이상이 있는 입력과 정상 모습으로 재구성한 결과를 함께 표현해 이상 위치를 추정한다.
MemAE
MemAE는 정상 자료의 대표적인 표현을 메모리에 저장하고 이를 조합해 입력을 재구성하는 이상 탐지 방법이다. 이상 입력까지 잘 복원해 버리는 오토인코더의 문제를 줄이려는 구조다.
Deep SAD
Deep SAD는 소량의 정상 및 이상 표지와 많은 무표지 자료를 함께 활용하는 심층 이상 탐지 방법이다. 이상 표지가 있는 경우까지 다루는 일반적인 반지도 설정을 목표로 한다.
Deep SVDD
Deep SVDD는 신경망 표현을 작은 초구에 모으는 목표로 학습하는 단일 클래스 이상 탐지 방법이다. 생성이나 재구성을 위한 모형을 나중에 전용하는 대신 이상 탐지 목적을 직접 사용한다.
비등방 아이솔레이션 포레스트
비등방 아이솔레이션 포레스트는 특징이나 방향마다 다른 민감도로 이상을 탐지하도록 확장한 모델이다. 모든 특징의 편차를 같은 중요도로 보지 않는 설정을 다룬다.
확장 아이솔레이션 포레스트
확장 아이솔레이션 포레스트는 무작위 기울기의 초평면으로 자료를 분할하는 이상 탐지 방법이다. 기존 아이솔레이션 포레스트의 분기 기준이 이상 점수에 만드는 인공적 패턴을 다룬다.
Extra-Trees
Extra-Trees는 특징과 임곗값을 무작위로 뽑아 만든 여러 결정 트리의 예측을 평균하는 앙상블 방법이다. 분할의 무작위성과 선택 점수를 함께 사용한다.
SPORF
SPORF는 소수 특징의 선형 결합으로 만든 희소 무작위 투영을 사용하는 결정 숲이다. 축 정렬 분할과 조밀한 기울어진 분할 사이의 표현력 및 효율 문제를 다룬다.
정준 상관 숲
정준 상관 숲은 학습 중 계산한 국소 정준 상관을 이용해 초평면으로 분할하는 결정 트리 앙상블이다. 입력 축에 제한되지 않는 분할로 상관된 특징을 다룬다.
FIGS
FIGS는 여러 결정 트리를 합의 형태로 동시에 성장시키는 해석 가능한 학습 방법이다. 논리 규칙과 덧셈을 함께 사용해 하나의 트리가 표현하기 어려운 가산 구조를 다룬다.
규칙 앙상블 학습
규칙 앙상블 학습은 자료에서 얻은 간단한 규칙들을 선형 결합해 회귀와 분류를 수행하는 접근이다. 각 규칙의 영향과 변수 상호작용을 여러 범위에서 해석한다.
xNN 가산 지수 신경망
xNN은 입력의 선형 결합과 일변량 비선형 변환을 구조적으로 분리하는 설명 가능한 신경망이다. 가산 지수 모형을 신경망으로 표현해 학습한 특징을 추출하고 설명한다.
GAMSEL
GAMSEL은 고차원 자료에서 희소한 일반화 가산 모델을 적합하는 벌점 우도 방법이다. 변수마다 효과를 없애거나 선형으로 두거나 낮은 복잡도의 곡선으로 추정한다.
SpAM 희소 가산 모델
SpAM은 희소 선형 모델과 비모수 가산 회귀를 결합한 고차원 학습 방법이다. 변수 수가 표본 수보다 많은 조건의 회귀와 분류를 다룬다.
GRANDE
GRANDE는 축에 정렬된 결정 트리 앙상블을 종단 간 경사 하강으로 학습하는 표 자료 모델이다. 트리의 분할 구조와 기울기 기반 최적화를 결합한다.
DNDT
DNDT는 결정 트리를 신경망으로 구현해 경사 하강으로 학습하는 모델이다. 트리의 구조적 해석 가능성과 신경망 도구의 학습 방식을 함께 활용한다.
GradTree
GradTree는 단단한 축 정렬 결정 트리를 경사 하강으로 학습하는 방법이다. 조밀한 트리 표현과 직통 연산자를 이용해 모든 트리 모수를 함께 최적화한다.
소프트 결정 트리 증류
소프트 결정 트리 증류는 신경망의 예측 지식을 확률적인 분기를 갖는 결정 트리로 옮기는 방법이다. 분산된 은닉 표현 대신 계층적인 결정을 통해 예측을 설명하려는 접근이다.
gcForest
gcForest는 결정 트리 앙상블을 여러 층으로 연결해 표현을 학습하는 깊은 숲 모델이다. 미분 가능한 신경망만으로 깊은 모델을 구성해야 하는지 탐구한 연구에서 제안됐다.
개념 드리프트
개념 드리프트는 시간에 따라 자료의 기반 분포나 예측에 관련된 통계적 성질이 변하는 현상이다. 과거 자료에서 학습한 패턴이 이후 자료에 덜 적합해질 수 있다.
float 스트림 평가 도구
float는 변화하는 자료 스트림의 학습 방법을 표준화한 조건에서 평가하기 위한 파이썬 프레임워크다. 예측 모델뿐 아니라 특징 선택과 개념 변화 탐지의 평가도 함께 다룬다.
MOA 스트림 분석 도구
MOA는 변화하는 자료 스트림의 온라인 학습 알고리즘을 구현하고 실험하는 환경이다. 온라인 및 오프라인 방법과 평가 도구를 묶어 스트림 연구를 지원한다.
River 스트림 학습 도구
River는 동적인 자료 스트림과 지속 학습을 위한 파이썬 라이브러리다. 학습 방법뿐 아니라 자료 생성과 변환, 성능 측정과 평가를 같은 환경에서 다룬다.
scikit-multiflow
scikit-multiflow는 다중 출력과 다중 레이블 문제를 포함하는 파이썬 스트림 학습 프레임워크다. 자료 스트림의 학습 방법과 생성기, 평가기를 연구 환경에 묶는다.
몬드리안 숲
몬드리안 숲은 몬드리안 과정으로 무작위 결정 트리의 앙상블을 구성하는 온라인 학습 방법이다. 자료가 순차적으로 들어올 때 숲을 점진적으로 확장한다.
분위수 회귀 숲
분위수 회귀 숲은 입력에 조건부인 반응값의 분위수를 추정하는 랜덤 포레스트의 일반화다. 평균 예측을 넘어 조건부 분포의 정보를 활용한다.
InterpretML
InterpretML은 해석 가능한 모델과 기존 모델을 설명하는 기법을 통합해 비교하는 파이썬 도구다. 2019년 연구에서 공통 인터페이스와 확장 가능한 시각화 환경을 제안했다.
NGBoost
NGBoost는 결과값 하나 대신 입력에 조건부인 확률분포를 예측하는 부스팅 알고리즘이다. 분포의 여러 모수를 함께 학습하며 자연 기울기로 학습 방향을 조정한다.
DART 트리 부스팅
DART는 가산 회귀 트리 앙상블에 드롭아웃을 적용하는 부스팅 방법이다. 뒤에 추가한 트리가 소수 예시에만 영향을 주는 과도한 전문화 문제를 다룬다.
LightGBM
LightGBM은 큰 자료와 많은 특징에서 트리 부스팅을 효율적으로 학습하도록 설계한 시스템이다. 초기 연구는 기울기 기반 표본 추출과 상호 배타적 특징 묶기를 핵심 기법으로 제안했다.
CatBoost
CatBoost는 범주형 특징 처리와 순서 기반 부스팅을 결합한 기울기 부스팅 도구다. 목표값의 정보가 학습 과정에 새어 들어가 생기는 예측 이동을 줄이는 데 초점을 둔다.
XGBoost
XGBoost는 대규모 자료의 트리 부스팅을 위한 학습 시스템이다. 희소한 입력 처리와 근사 분할 탐색, 메모리 및 저장 장치의 효율을 함께 설계한 연구에서 제안됐다.
Cornac
Cornac은 여러 종류의 보조 정보를 활용하는 추천 모델을 구축하고 비교하는 파이썬 프레임워크다. 희소한 사용자와 항목의 상호작용을 다중 모달 정보로 보완하는 접근에 초점을 둔다.
RecBole
RecBole은 추천 알고리즘의 개발과 재현을 통합한 연구용 프레임워크다. 여러 추천 유형을 공통 자료 구조와 평가 절차로 다루도록 제안됐다.
추천 모델의 재현성
추천 모델의 재현성은 공개한 방법과 실험 조건으로 예측 성능을 다시 얻을 수 있는지 다루는 평가 문제다. 구현 차이, 기준선 선택, 하이퍼파라미터 조정이 비교 결론에 영향을 줄 수 있다.
BPR 개인화 순위 학습
BPR은 클릭이나 구매 같은 암묵적 피드백에서 개인화한 항목 순위를 직접 최적화하는 학습 기준이다. 베이즈 분석에서 도출한 사후확률 최대화 기준을 사용한다.
NCF 신경 협업 필터링
NCF는 사용자와 항목 사이의 상호작용 함수를 신경망으로 학습하는 협업 필터링 프레임워크다. 잠재 특징의 내적을 사용하는 행렬 분해를 더 일반적인 함수로 확장한다.
EASE 추천 모델
EASE는 희소한 암묵적 피드백으로 항목 간 선형 가중치를 학습하는 추천 모델이다. 은닉층 없이 입력을 재구성하며 닫힌 형태의 학습 해를 갖는다.
변분 오토인코더 협업 필터링
변분 오토인코더 협업 필터링은 사용자의 암묵적 피드백을 확률적인 잠재 표현으로 모델링하는 추천 접근이다. 다항 우도를 이용한 비선형 생성 모델로 선형 요인 모형을 확장한다.
LightGCL
LightGCL은 특잇값 분해로 대조 학습의 그래프 보기를 구성하는 추천 방법이다. 무작위 구조 교란이나 휴리스틱 증강 대신 전역적인 협업 관계를 활용한다.
SimpleX
SimpleX는 손실 함수와 음성 표본 비율의 중요성을 강조하는 협업 필터링 기준선이다. 코사인 대조 손실을 단순한 통합 모델에 적용한다.
SGL 추천 학습
SGL 추천 학습은 사용자와 항목 그래프의 여러 보기를 대조하는 자기 지도 과제를 추천 학습에 더하는 방법이다. 긴 꼬리 항목과 상호작용 잡음에 대한 표현 학습을 다룬다.
SimGCL
SimGCL은 그래프 구조를 바꾸는 대신 임베딩 공간에 잡음을 더해 대조 학습의 보기를 만드는 추천 방법이다. 표현 분포의 균일성과 인기 편향의 관계를 조사한다.
LightGCN
LightGCN은 추천을 위한 그래프 합성곱을 이웃 집계 중심으로 단순화한 협업 필터링 모델이다. 사용자와 항목의 상호작용 그래프에서 임베딩을 선형 전파한다.
UltraGCN
UltraGCN은 그래프의 명시적 메시지 전달 대신 제약 손실로 깊은 전파의 극한을 근사하는 추천 모델이다. 이웃 정보의 활용을 유지하면서 반복 전파의 계산 부담을 줄이는 접근이다.
GRU4Rec
GRU4Rec은 짧은 세션의 행동 순서를 순환 신경망으로 처리해 다음 항목을 추천하는 모델이다. 장기간의 사용자 이력이 없는 세션 기반 추천을 주요 문제로 다뤘다.
NGCF
NGCF는 사용자와 항목의 상호작용 그래프에서 임베딩을 전파하는 협업 필터링 모델이다. 고차 연결 관계에 담긴 협업 신호를 표현 학습에 직접 포함한다.
BERT4Rec
BERT4Rec은 행동열의 가린 항목을 양방향 문맥으로 예측하며 학습하는 순차 추천 모델이다. 왼쪽에서 오른쪽으로만 읽는 구조의 표현 제약을 다룬다.
SASRec
SASRec은 사용자 행동 이력에서 관련 항목을 자기 어텐션으로 골라 다음 항목을 예측하는 순차 추천 모델이다. 긴 이력의 의미와 소수의 중요한 행동을 함께 활용한다.
DIEN
DIEN은 사용자 행동에서 잠재 관심을 추출하고 시간에 따른 변화를 모델링하는 클릭률 예측 구조다. 관심 추출과 대상 항목에 관련된 관심의 변화를 별도 층으로 다룬다.
DSIN
DSIN은 사용자의 행동 이력을 세션으로 나누고 세션 안과 세션 사이의 관심을 모델링하는 클릭률 예측 구조다. 시간적으로 구분되는 행동 묶음의 차이를 활용한다.
DIN 관심 모델
DIN은 추천 후보에 따라 사용자 행동 이력의 중요도를 달리 반영하는 클릭률 예측 모델이다. 사용자의 관심을 모든 후보에 공통인 고정 길이 벡터 하나로만 요약하는 한계를 다룬다.
Wide and Deep
Wide and Deep은 넓은 선형 모델과 심층 신경망을 공동 학습하는 추천 구조다. 관측한 특징 조합을 활용하는 능력과 새로운 조합으로 일반화하는 능력을 결합한다.
AutoInt
AutoInt는 다중 헤드 자기 어텐션으로 특징 상호작용을 자동 학습하는 클릭률 예측 모델이다. 수치형과 범주형 특징을 같은 저차원 공간으로 옮겨 조합한다.
xDeepFM
xDeepFM은 명시적인 벡터 수준 상호작용과 신경망의 암묵적 상호작용을 함께 학습하는 추천 모델이다. 압축 상호작용 네트워크와 심층 신경망을 결합한다.
DCN 특징 교차 모델
DCN은 심층 신경망에 명시적인 특징 교차 네트워크를 결합하는 모델이다. 제한된 차수의 특징 상호작용을 효율적으로 배우는 것을 목표로 한다.
DeepFM
DeepFM은 분해 기계와 심층 신경망을 결합해 클릭률을 예측하는 모델이다. 낮은 차수와 높은 차수의 특징 상호작용을 함께 학습하는 구조다.
CTGAN
CTGAN은 연속형과 범주형 열이 섞인 표 자료의 분포를 학습해 합성 행을 생성하는 조건부 GAN이다. 여러 봉우리의 연속 분포와 불균형한 범주 빈도를 다룬다.
TabSyn
TabSyn은 변분 오토인코더의 잠재 공간에서 확산 모델을 학습해 혼합 유형의 표 자료를 생성하는 방법이다. 서로 다른 특징을 하나의 표현 공간으로 옮겨 합성한다.