Page 28 -

13.1.2 생성 모델의 유형

생성 모델의 유형에는 다음 그림과 같이 모델의 확률 변수를 구하는 ‘변형 오토인코더 모델’과 확
률 변수를 이용하지 않는 ‘GAN 모델’이 있습니다.

그림 13-2 생성 모델의 유형

ࢤࢿ ݽ؛ ਬഋ

ݺद੸ ߑߨ ঐद੸ ߑߨ

߸ഋ য়షੋ௏؊ ("/

다시 정리하면 생성 모델은 크게 명시적 방법(explicit density)과 암시적 방법(implicit density)으로
분류할 수 있습니다. 명시적 방법은 확률 변수 p(x)를 정의하여 사용합니다. 대표적인 모델로 변

형 오토인코더(variational autoencoder)가 있습니다. 암시적 방법은 확률 변수 p(x)에 대한 정의 없
1
이 p(x)를 샘플링 하여 사용합니다. 대표적인 모델로 GAN(Generative Adversarial Network)이 있습
니다.

2
변형 오토인코더는 이미지의 잠재 공간(latent space) 에서 샘플링하여 완전히 새로운 이미지나 기
존 이미지를 변형하는 방식으로 학습을 진행합니다. GAN은 생성자와 판별자가 서로 경쟁하면서
가짜 이미지를 진짜 이미지와 최대한 비슷하게 만들도록 학습을 진행합니다.
13
변형 오토인코더부터 살펴보겠습니다. 생성 모델

13.2 변형 오토인코더 P Y T O R C H

변형 오토인코더는 오토인코더의 확장입니다. 따라서 오토인코더가 무엇인지 확인한 후 변형 오
토인코더로 넘어가겠습니다.

1 모집단의 데이터에서 최대한 모집단과 유사한 일부 데이터를 추출하는 과정입니다.
2 숫자 5 이미지를 입력하면 인코더는 숫자 5를 받아서 분석한 후 2차원 좌표평면, 예를 들어 (5,5)에 표현합니다. 이때 숫자 5 이미지를 고차원
데이터라고 하며 좌표평면에 표현된 벡터는 점 (5,5)에 해당됩니다. 그리고 2차원 좌표평면을 잠재 공간이라고 합니다.

683