AI / 데이터 · 중급
전이 학습(Transfer Learning)이 딥러닝 모델 개발 과정에서 어떤 이점을 제공하는지 설명하고, 특히 데이터셋이 적거나 특정 도메인에 특화된 문제를 해결할 때 어떻게 활용될 수 있는지 구체적인 예시와 함께 설명해 주세요.
힌트 · 전이 학습은 대규모 데이터셋으로 사전 학습된 모델의 지식을 활용하여 적은 데이터로도 새로운 태스크를 효과적으로 학습하게 합니다. 주로 특징 추출기(Feature Extractor)를 재사용하고 마지막 레이어를 미세 조정(Fine-tuning)합니다.
전이 학습사전 학습 모델특성 추출미세 조정데이터 증강
모범답안
전이 학습은 딥러닝 모델 개발 시 크게 두 가지 이점을 제공합니다. 첫째, 학습 시간 단축 및 성능 향상입니다. 대규모 데이터셋으로 미리 학습된 모델을 활용하기 때문에 적은 데이터로도 빠르게 좋은 성능을 낼 수 있습니다. 둘째, 데이터 부족 문제 해결에 효과적입니다.
데이터셋이 적거나 특정 도메인에 특화된 문제에서 전이 학습은 더욱 빛을 발합니다. 예를 들어, 의료 영상 분석에서 희귀 질병 진단 모델을 개발한다고 가정해 봅시다. 희귀 질병 데이터는 구하기 어렵기 때문에 ImageNet으로 사전 학습된 ResNet 모델을 가져와 특징 추출기로 사용하고, 마지막 분류 레이어만 희귀 질병 데이터에 맞춰 미세 조정(Fine-tuning)합니다. 이렇게 하면 적은 데이터로도 높은 정확도의 진단 모델을 만들 수 있습니다. 추가적으로 데이터 증강 기법을 활용하여 데이터 부족 문제를 더욱 완화할 수 있습니다.
읽었다면, 이제 직접 답해볼 차례예요
패스잇 앱에서 이 질문에 말로 답하면 AI가 꼬리질문까지 이어가며 1:1 코칭합니다.
함께 보는 딥러닝 면접 질문
- 배치 정규화(Batch Normalization)가 딥러닝 모델 학습 과정에 어떤 긍정적인 영향을 미치는지, 내부 공변량 변화(Internal Covariate Shift) 관점에서 설명하고, 추론 시에는 어떻게 동작하는지 설명해 주세요.
- 과적합(Overfitting)을 방지하기 위한 대표적인 정규화 기법인 Dropout과 L1/L2 정규화의 원리 및 각각의 장단점을 비교 설명하고, 실제 모델 학습 시 어떤 기준으로 선택하는 것이 좋을지 의견을 제시해 주세요.
- Adam, RMSprop, 그리고 SGD 옵티마이저의 주요 차이점은 무엇이며, 각각의 옵티마이저가 어떤 상황에서 더 효과적인지, 그리고 실제 딥러닝 프로젝트에서 옵티마이저를 선택할 때 고려해야 할 사항들을 설명해 주세요.
- 엣지 디바이스나 리소스 제약이 있는 환경에 딥러닝 모델을 배포할 때, 모델의 정확도 손실을 최소화하면서 추론 속도를 극대화하고 메모리 사용량을 줄이기 위한 구체적인 모델 압축 및 양자화 전략에 대해 설명하고, 각 기법의 장단점과 적용 시 고려사항을 논하시오.
- 데이터 프라이버시가 중요하고 데이터가 분산되어 있는 환경에서 연합 학습(Federated Learning)을 도입하려 합니다. 중앙 서버와 클라이언트 간의 통신 오버헤드, 모델 수렴 안정성, 그리고 악의적인 클라이언트로부터의 공격 방어 등 연합 학습의 주요 기술적 도전 과제들을 설명하고, 이를 해결하기 위한 구체적인 방법론들을 제시하시오.
- 최근 이미지 생성 분야에서 확산 모델(Diffusion Models)이 GAN을 뛰어넘는 성능을 보여주고 있습니다. 확산 모델의 기본 원리(순방향/역방향 과정)를 설명하고, 고해상도 이미지 생성 시의 계산 복잡도 문제 및 샘플링 속도 개선을 위한 SDE/ODE 솔버 기반의 가속화 기법(예: DDIM, DPM-Solver)들에 대해 심층적으로 논하시오.