설명
Self-Organizing Map(SOM), 또는 Self-Organizing Feature Map(SOFM) 또는 Kohonen map으로도 알려진 이 기법은 차원 축소 및 데이터 시각화를 위해 설계된 강력한 비지도 학습 기법입니다. 고차원 입력 데이터를 저차원 표현, 일반적으로 2차원 그리드로 변환하면서도 원본 데이터에 존재하는 위상 관계를 중요하게 보존합니다. 이는 고차원 공간에서 유사한 데이터 포인트가 저차원 맵의 가까운 위치에 매핑되고, 유사하지 않은 포인트는 더 멀리 떨어져 매핑된다는 것을 의미합니다.
SOM의 주요 목표는 복잡한 데이터의 쉽게 해석 가능한 "맵"을 생성하는 것입니다. 예를 들어, 수많은 관측치에 대해 측정된 여러 변수를 가진 데이터셋은 2D 그리드의 클러스터로 표현될 수 있습니다. 맵의 각 클러스터는 원본 변수에 걸쳐 유사한 값을 가진 관측치 그룹에 해당합니다. 이러한 시각화는 원시 고차원 데이터에서 가려질 수 있는 패턴, 클러스터 및 관계를 식별하는 데 도움이 됩니다.
역전파와 같은 오류 수정 학습을 사용하는 많은 다른 인공 신경망과 달리, SOM은 경쟁 학습 접근 방식을 사용하여 훈련됩니다. 이 방법은 입력 데이터를 더 잘 표현하기 위해 네트워크 노드(뉴런)의 "가중치"를 반복적으로 조정하는 것을 포함합니다. 훈련 과정은 네트워크에 입력 벡터를 제시하고, 입력과 가장 유사한 가중치를 가진 노드인 "최적 일치 단위"(BMU)를 식별한 다음, 그리드 상의 BMU 및 해당 이웃 노드의 가중치를 업데이트하는 것을 포함합니다. 이 과정은 여러 번 반복되어 맵이 점차 입력 데이터의 분포와 위상을 근사하게 됩니다.
SOM은 1980년대 핀란드 교수 Teuvo Kohonen에 의해 개척되었으며, 신경 시스템 및 형태 형성의 생물학적 모델에서 영감을 얻었습니다. 유사한 데이터 포인트가 함께 클러스터링되는 의미론적 맵을 생성하는 능력은 다양한 과학 및 산업 분야에서 탐색적 데이터 분석, 패턴 인식 및 데이터 클러스터링에 매우 유용합니다. 훈련된 SOM의 해석은 이웃 노드 간의 거리를 보여 클러스터 경계를 강조하는 U-Matrix를 시각화하거나, 노드 가중치를 입력 공간의 포인터로 간주하여 데이터 농축 영역을 나타냄으로써 수행될 수 있습니다.
SOM의 주요 응용 분야에는 금융 분석, 지진 데이터 해석, 프로젝트 우선순위 지정 및 대규모 데이터셋에서 대표 데이터 포인트 찾기 등이 있습니다. 유연성을 통해 적절한 거리 측정 기준을 정의할 수 있는 한 다양한 데이터 유형을 처리할 수 있습니다. 알고리즘의 핵심 설계 선택은 그리드 모양, 이웃 함수 및 학습률 스케줄을 중심으로 이루어지며, 이 모든 것이 최종 맵의 구조와 정확성에 영향을 미칩니다.
Self-Organizing Map 하이라이트
비지도 학습 기법
차원 축소
데이터의 위상 구조 보존
저차원(일반적으로 2D) 표현 생성
경쟁 학습을 사용한 훈련
데이터의 클러스터 및 패턴 식별
고차원 데이터 시각화
그리드(육각형 또는 직사각형)에 배열된 노드(뉴런)
각 노드와 관련된 가중치 벡터
최적 일치 단위(BMU) 식별
가중치 업데이트를 위한 이웃 함수
단조 감소 학습 계수
거리 측정 기준을 사용하여 다양한 디지털 객체 표현 가능
Self-Organizing Map 시작하기
노드 가중치 벡터를 무작위로 또는 주성분을 사용하여 초기화합니다.
훈련 에포크를 반복하며 입력 데이터 벡터를 제시합니다.
각 입력 벡터에 대해 최적 일치 단위(BMU)를 찾습니다.
BMU 및 해당 이웃의 가중치를 업데이트합니다.
학습률 및 이웃 크기를 점진적으로 감소시킵니다.
수렴 또는 설정된 반복 횟수까지 반복합니다.
훈련된 맵에서 가장 가까운 BMU를 찾아 새로운 입력 데이터를 매핑합니다.
Self-Organizing Map의 사용 사례
- 데이터 시각화
- 클러스터링
- 차원 축소
- 패턴 인식
- 탐색적 데이터 분석
- 특징 추출
- 이상 탐지
- 의미론적 매핑
