분포가 달라진 환경에서 생성모델을 데이터 증강에 쓰려면, 소스 도메인에서 배운 샘플이 타깃 도메인과 얼마나 맞는지가 핵심이 된다. 이 arXiv 프리프린트는 그런 불일치를 줄이기 위해 Similarity-based Generative Network(SGN)를 제안한다. 핵심은 한 번의 소스 학습으로 재사용 가능한 생성 틀을 만들고, 타깃 도메인에서는 작은 표본 집합만 이용해 새 샘플을 만든다는 점이다.
SGN은 인코더-디코더 구조를 바탕으로 잠재공간을 구성하고, 레이블에서 유도된 쌍별 유사도를 그 공간의 기준으로 삼는다. 학습 단계에서는 원 데이터와 잠재 표현 사이의 재구성을 함께 맞추며, 생성 단계에서는 타깃 도메인의 소수 대표 샘플을 인코딩해 잠재공간에서 결합한다. 이렇게 하면 생성 샘플이 타깃 특성을 일부 반영하면서도 클래스 일관성을 유지하도록 설계된다.
논문은 이 유사도 구조의 실현 가능성과 차원 요구조건도 따로 분석한다. 본문 3.1절에서는 서로 다른 레이블의 잠재 표현이 직교하도록 두고, 같은 레이블은 내적값 1, 다른 레이블은 0이 되도록 평가 메커니즘을 정의한다. 3.2절의 손실함수는 데이터 쌍에 대한 정규화 손실과 개별 샘플 재구성 손실을 함께 포함하며, 두 항의 상대적 비중을 η로 조절한다.
실험은 이미지와 표형 데이터셋에서 수행됐다. 이미지 실험에서는 원본 데이터셋을 90도 회전해 타깃 도메인을 만들었고, 각 생성 패러다임마다 레이블당 200장을 생성해 분류 성능을 봤다. 표 1에서 SGN의 대응 모델인 NeurSpec은 BloodMNIST 0.75±0.01, OctMNIST 0.43±0.03, TissueMNIST 0.44±0.03, RetinaMNIST 0.50±0.03, SVHN 0.55±0.01, FashionMNIST 0.53±0.02의 정확도를 보였다. 본문은 NormSpec 대비 약 2%~6% 향상이 있었다고 적는다.
표형 데이터에서는 회귀용 R2와 분류 결과를 비교했으며, Insect 계열 데이터에서 소스→타깃 조합을 바꿔 성능을 제시했다. 표 2의 예를 들면 InsectA→InsectI에서 SGN은 LR 0.5028, MLP 0.0422를 기록했고, CTGAN은 LR -0.8304, MLP -0.2169, TVAE는 LR 0.4923, MLP -0.2887이었다. 연구진은 결과가 대칭적이지 않다고도 지적해, 한 방향의 소스-타깃 관계가 반대 방향과 같지 않음을 보여준다.
| 구분 | 값 | 근거 위치 |
|---|---|---|
| 이미지 실험 설정 | 타깃 도메인은 원본 데이터셋을 90도 회전해 생성, 각 생성 패러다임마다 레이블당 200장 생성 | p.8 | source_excerpt |
| 이미지 결과 예시 | NeurSpec 정확도: BloodMNIST 0.75±0.01, OctMNIST 0.43±0.03, TissueMNIST 0.44±0.03, RetinaMNIST 0.50±0.03, SVHN 0.55±0.01, FashionMNIST 0.53±0.02 | p.8 | source_excerpt; Table 1 p.8-9 |
| 표형 데이터 결과 예시 | InsectA→InsectI에서 SGN LR 0.5028, MLP 0.0422; CTGAN LR -0.8304, MLP -0.2169; TVAE LR 0.4923, MLP -0.2887 | Table 2 p.10 |
| 방법 핵심 | 소스 데이터에 한 번 학습 후 파라미터 업데이트 없이 타깃 도메인에 적용 | p.1 abstract; p.2 source_excerpt |
자료: STORIUM 정리
이 논문은 현재 심사 전 상태의 arXiv에 공개된 첫 원고이며, 이미지와 표형 데이터에서 소스-타깃 분포 이동 상황의 타깃 유도 증강 가능성을 검증하려는 시도다. 카드에 제공된 범위에서는 어떤 외부 데이터셋 전체 구성, 정확한 내부 설정, 추가 지표의 세부 산출식까지는 확인되지 않는다. 확인 가능한 근거만으로 보면, SGN은 소스 도메인 재학습 없이 타깃의 소수 대표 표본을 활용하려는 재사용형 생성 구조로 요약된다.
저작권자 © STORIUM 무단전재 및 재배포 금지
