Talk: “AI Research in Agriculture and Beyond — Successful Machine Learning under Limited Resources”

(업데이트: 2021년 11월 5일)

• 일시: 2021년 12월 중

• 장소: 한경대학교

• 발표자: 최태영 박사
  • 현재 영국 링컨대학교 Lincoln Institute for Agri-Food Technology 박사후연구원
  • 2020년 미국 애리조나주립대학교 PhD in Computer Science 졸업
  • 2015년 숭실대학교 컴퓨터학부 졸업

 

• 요약:

  • 최근 딥러닝 기술을 토대로 컴퓨터비전, 자연어처리, 비디오게임, 로봇, 자율주행, 자연과학, 농업 등에서의 활발한 AI연구가 진행되고 있다. 머신러닝 알고리즘이 성공적으로 동작하기 위해서는 소위 빅데이터라고 불리는 방대한 양의 데이터가 필수적인 요소로 여겨진다. 특히, 지도학습 (Supervised Learining) 으로 대표되는 전형적인 학습 방법을 사용하기 위해서는 각 데이터 샘플 x에 대해 의미 있는 레이블 y를 결정하기 위해 많은 양의 인력과 시간이 소비된다. 따라서 두번에 걸친 본 발표에서는 학계에서 주목하고 있는 딥러닝과 관련한 다양한 연구주제들에 대한 전반적인 소개와 더불어, 보다 실용적인 — 즉, 데이터 수집단계에서 자원이 제한적인 상황에서의 — 효과적인 머신러닝 알고리즘의 설계 방법들에 대해 소개한다. 구체적으로, 1) 감지해야 하는 일부 클래스의 데이터가 사전에 얻기 어려운 경우, 2) 로봇 제어를 위한 사람의 개입을 최소화 해야 하는 경우, 3) 지역 모니터링을 위한 로봇의 가용한 시간/배터리 등이 제한적인 경우에 어떻게 머신러닝 모델을 효과적으로 설계할 수 있을지에 대해 살펴본다. 특히, Generative Adversarial Network (GAN); 자기지도학습 (Self-supervise Learning); 강화학습 (Reinforcement Learning); 가우시안 프로세스 회귀 (Gaussian Process Regression) 등을 기반으로 한 성공적인 솔루션들이 토의될 예정이며, 이중 일부는 농업로봇과 관련한 사례와 함께 보다 심층적으로 다뤄질 예정이다.

  • 발표 I: “Learning of Visual Anomalies from Normal Data”
  • 발표 II: “Designing Active Robot Learning”

 

• (Optional) 도움이 될 만한 선행지식 — 중요도순 정렬:
  • 분류 (Classification) vs 회귀 (Regression)
  • 인공 신경망 (Artificial Neural Network) & 지도학습 (Supervised Learning)
    • 크로스 엔트로피 손실 함수 (Cross-entropy Loss Function)
  • 오토인코더 (Autoencoder) & 비지도학습 (Unsupervised Learning)
    • 평균제곱오차 (Mean Squared Error)
  • 합성곱 신경망 (Convolutional Neural Network)
  • 로지스틱 회귀 (Logistic Regression)
  • 강화학습 (Reinforcement Learning)
  • 경사 하강법 (Gradient Descent)
  • 가우시안 프로세스 회귀 (Gaussian Process Regression)