Deep Learning 에 대해서 꾸밈명세가 있는 Theme 의 자료에 대한 묶음에 대해서 학습이 이뤄진다고 이전의 게시글에서 밝혔음. 


그래서 게시글의 기술적 내용에 대해서 기술적인 내용에 대해서 원론적으로 정리를 해봄. 


>>


Q1) Deep Learning 에 대해서 꾸밈명세가 있는 Theme 의 자료묶음에 대해서 <어떠한 무엇의 어떠함..> 에 대한 꾸며짐의 AND List 대량 Scketch 한다. 라고 했는데 이것은 정확히 어떻게 되는가?


A1) 자료에 대해서 인지적으로 명세를 가지는 자료에 대해서는 명세에 대한 인지적 Theme 에 대해서 묶음이 있을 수 있다. 이러한 공통사항을 Theme 라고 한다. 인지적으로 이러한 자료에 대해서는 인지적인 <어떠한 무엇의 어떠함..> 의 요소들을 가진다. 이에 대해서 인지적 요소에 대해서 List 를 작성하는 것을 이러한 공통사항의 Theme 묶음에 대해서 List 를 Sampling 하는 것을 말한다. 




Q2) 이에 대한 Group 의 Map 을 Deep Learning 시킨다. 라고 했는데 생성형 AI 가 이로부터 어떻게 만들어지는 것인가? 


A2) 앞서의 Theme 의 자료묶음에 대해서 인지적 <어떠한 무엇의 어떠함..> 의 요소에 대한 Sampling 묶음에 대해서는 인지적인 Feature 의 List 가 된다. 이에 대해서 공통사항의 Theme 가 맞다면, 이로부터 인지적인 Feature 를 가지고 있는 사항들에 대해서도 공통의 Theme 를 가진다. Map 이라고 언급한 부분에 관련해서 이러한 공통의 인지적 Feature 가 있다면 이로부터 부가되는 평가의 Feature 의 Group 또한 파생된다. Deep Learning 에 의해서 이것은 인지적 요소지우기를 수행한다고 가정해보면 Theme 의 자료묶음에 대해서 꾸밈명세에 대한 Erase 에 관해서 Filter Factor 에 대한 List 로 볼 수 있다. 이러한 꾸밈명세에 대한 Erase 관계에 의해서 Map 이 성립한다. 이러한 Erase List 에 대해서 자료묶음에 대해서 오류역전파 알고리즘은 원본과의 Matching 에 대한 근사를 일으키므로 이로부터 Erase 관계에 대한 재현적 생성함수를 만든다고 볼 수 있다. 이러한 과정으로 Deep Learing 이 생성형 AI 를 만든다고 할 수 있다. 




Q3) 그렇지만 그러한 Erase 관계에 대해서 List 가 만드는 원본과의 재현적 생성함수에 대해서 오차가 심하지는 않나? 다양한 입력조합에 대해서 Style 이 뭉개질 수가 있는 것으로 보인다. 


A3) 맞다. 그래서 이에 대해서 아주 많은 데이터를 Theme 의 공통사항에 대해서 편집적으로 대량학습시킬 수도 있다. 하지만 자료의 편집에 대한 현실적인 한계도 존재한다. 그래서 이에 대한 대안으로 이러한 Erase 관계에 대한 재현적 생성함수에 대해서 Erase 의 Filter Factor 가 되는 인지적 <어떠한 무엇의 어떠함..> 의 요소의 Sample 에 대해서 Deep Learnig 이 오류역전파 알고리즘을 쓰는 일에 대해서 그 관계가 자료에 대해 투영관계를 가진다는 점에 주목해야할 것같다. 이러한 투영관계에 대해서 자료는 컴퓨터 상에서 배열이다. 그리고 이러한 배열에 대한 Theme 의 자료는 추상적 공간으로써 나열된 배열이다. 배열이 나열되는 점에 대해서 Deep Learning 의 오차함수에 대해 나열관계에 대한 자료적 특성을 구현할 수도 있다. 투사함수에 대해서 자료의 나열공간에 대한 일반적 특성을 구현한다면 투영투사관계에 대한 Style 의 정렬성이 깊은 학습의 뒤에 얻어질 수가 있을 것으로 기대가능하다.




Q4) Deep Learning 은 Erase 관계에 대한 Style List 와 자료와의 투영투사관계인 것같다. 이에 대해서는 결과적으로 Deep Learning 모델의 레이어는 어떻게 설계되어야 하는가? 


A4) Deep Learing 은 재현적 생성함수로써 생성형 AI 에 대해 앞서의 Erase 관계에 대한 Style List 와 자료와의 투영투사관계에 대한 학습이 맞다. 그렇지만 이에 대해서는 정확한 답변을 위해서 다음에 언급하겠다. 추가적인 연구가 필요로 하다.

 

>>


대략 이렇게 정리할 수 있음. ㅇㅅㅇ;


abcd3421