정의

생성 분류기(Generative Classifier)는 생성 모델(새로운 데이터 인스턴스를 생성하는 모델)의 기능과 기존 분류 알고리즘(기존 데이터에 레이블을 할당하는 알고리즘)의 기능을 통합한 고급 머신러닝 모델입니다. 단순히 클래스 간의 경계만을 학습하는 표준 판별 분류기와 달리, 생성 분류기는 각 클래스 내 데이터의 근본적인 분포를 학습하여 분류뿐만 아니라 일부 아키텍처에서는 해당 클래스를 대표하는 합성 예시를 생성할 수도 있습니다.

중요성

이러한 하이브리드 접근 방식은 순수하게 판별적인 모델의 한계를 해결합니다. 데이터 생성 과정을 이해함으로써, 이 모델들은 단순히 레이블뿐만 아니라 데이터 자체에 대한 더 풍부한 통찰력을 제공합니다. 이는 이상 탐지나 복잡한 시뮬레이션과 같이 예측과 데이터 증강 모두에서 높은 충실도가 요구되는 작업에 매우 중요합니다.

작동 방식

개괄적으로, 이 모델은 입력 데이터를 각 클래스에 대한 확률 분포로 매핑하도록 훈련됩니다. 생성 구성 요소(분류를 위해 조정된 변이형 오토인코더 또는 GAN 등)는 입력의 잠재 공간 표현을 학습합니다. 그런 다음 분류 계층은 이 학습된 분포를 사용하여 가장 가능성이 높은 클래스 멤버십을 결정합니다. 생성적 측면은 모델이 이러한 학습된 분포에서 샘플링할 수 있도록 하여, 효과적으로 합성적이면서도 클래스에 정확한 데이터 포인트를 생성할 수 있게 합니다.

일반적인 사용 사례

• 학습을 위한 합성 데이터 생성: 실제 데이터가 부족하거나 민감할 때(예: 의료 영상) 현실적이고 레이블이 지정된 데이터셋을 생성합니다.
• 이상 탐지: 알려진 어떤 클래스의 학습된 생성 패턴에도 맞지 않는 데이터 포인트를 인식하여 이상치를 식별합니다.
• 도메인 적응: 한 데이터셋에서 훈련된 모델을 다른 관련 데이터셋에서 정확하게 작동하도록 조정합니다.

주요 이점

• 풍부한 특징 표현: 단순한 경계 감지보다 데이터 분포의 더 미묘한 특징을 포착합니다.
• 데이터 증강: 현실성을 저해하지 않으면서 훈련 데이터 볼륨을 늘릴 수 있는 메커니즘을 제공합니다.
• 향상된 강건성: 생성적 사전 지식으로 훈련된 모델은 사소한 입력 변화에 대해 더 강건한 경향이 있습니다.

과제

• 계산 비용: 이러한 복잡하고 이중 목적의 모델을 훈련하는 것은 표준 분류기보다 훨씬 더 많은 리소스를 필요로 합니다.
• 모드 붕괴 (GAN 기반 변형의 경우): 생성 구성 요소가 실제 데이터 분포의 전체 다양성을 포착하지 못할 수 있습니다.
• 해석 가능성: 모델의 결합된 특성 때문에 특정 분류가 왜 이루어졌는지 추적하기가 더 어려울 수 있습니다.

관련 개념

판별 모델, 변이형 오토인코더(VAEs), 생성적 적대 신경망(GANs), 잠재 공간 모델링.