ITPE * JackerLab

개요Self-Supervised Learning(SSL)은 별도의 인간 레이블 없이, 데이터 자체로부터 학습 신호를 생성하여 모델을 학습시키는 방법입니다. 주로 대규모 비정형 데이터(이미지, 텍스트, 오디오 등)에서 특징 표현(Representation)을 학습하는 데 활용되며, 최근 자연어 처리(NLP)와 컴퓨터 비전(CV) 분야의 혁신을 주도하는 핵심 기술로 자리잡았습니다.1. 개념 및 정의 항목 내용 정의데이터에서 일부 정보를 인위적으로 제거하고, 이를 복원하거나 예측하는 과제를 통해 학습하는 방법론목적인간의 직접 레이블링 없이 강력한 데이터 표현 학습필요성레이블링 비용 문제와 방대한 비정형 데이터 활용 한계 극복SSL은 지도학습(Supervised Learning)과 비지도학습(Unsupervi..

개요Continual Learning(지속 학습)은 인공지능 모델이 한 번 학습한 후 고정되는 것이 아니라, 시간에 따라 변화하는 데이터나 연속적인 과제를 차례로 학습하면서 기존 지식을 유지하고 새로운 지식을 습득하는 능력을 의미합니다. 인간처럼 끊임없이 적응하고 발전하는 AI를 구현하기 위한 필수 연구 분야로, Catastrophic Forgetting(망각 문제)을 극복하는 데 중점을 둡니다.1. 개념 및 정의 항목 내용 정의모델이 과거 학습한 정보를 보존하면서 새로운 정보를 순차적으로 학습하는 능력목적지속적 환경 변화에 적응하며, 학습 성능을 누적적으로 향상필요성기존 딥러닝은 새로운 데이터를 학습할 때 이전 지식을 망각하는 한계 존재Continual Learning은 현실 세계 적용을 위해 AI가..

개요Neuro-Symbolic AI는 딥러닝(Neural Networks)의 학습 능력과 기호 기반 인공지능(Symbolic AI)의 논리적 추론 능력을 결합한 새로운 AI 접근 방식입니다. 대규모 데이터 기반 패턴 인식과 인간처럼 명시적 논리 추론을 동시에 수행할 수 있어, 복잡한 문제 해결과 높은 신뢰성, 해석 가능성(Explainability)을 추구하는 차세대 AI로 각광받고 있습니다.1. 개념 및 정의 항목 내용 정의신경망 기반 학습과 기호 추론 시스템을 통합하여, 인식과 추론을 모두 가능한 인공지능 기술목적패턴 인식 정확성 + 논리 추론 능력 동시 확보필요성순수 신경망 모델의 불투명성, 순수 기호 모델의 확장성 한계 극복Neuro-Symbolic AI는 데이터 기반 학습과 논리적 사고를 통합..