생성적 적대 신경망(Generative Adversarial Networks, GANs)는 딥러닝 기반의 생성 모델 중 하나로, 다른 생성 모델보다 뛰어난 품질의 데이터를 생성하면서 주목을 받고 있다. 최근에는 미디어 변환, 문자를 통한 이미지 생성, 초 해상도, 스타일 변형, 비디오 생성 및 프레임 예측 등 다양한 영역에서 이미지, 비디오, 오디오 기반의 고차원 데이터를 생성하기 위해 활용되고 있다. 

생성적 적대 신경망은 노이즈로부터 합성 데이터를 생성하는 생성 신경망(Generator)과 입력된 데이터가 합성 데이터인지 실제 데이터인지 그 여부를 구분하는 판별 신경망(Discriminator)으로 구성되어 있다. 판별 신경망은 생성 신경망이 만들어 낸 데이터와 학습 데이터를 정확히 구별하는 것을 목적으로 하며, 반대로 생성 신경망은 판별 신경망이 제대로 구별하지 못하도록 학습 데이터와 유사한 데이터를 생성하는 것을 목표로 한다. 이렇듯 상반된 목표로 인해 두 네트워크는 서로를 적대하며 학습하며, 학습이 끝나면 생성 신경망은 실제 데이터와 비슷한 데이터를 생성해낼 수 있게 된다.

본 연구실은 생성적 적대 신경망의 활용성을 높이기 위해 생성적 적대 신경망의 학습에 대해 연구하며, 단순한 데이터 생성에서 그치는 것이 아니라 예측, 데이터 전처리 등 다양한 활용 방안을 찾고자 하는 연구를 수행한다. 

● 생성적 적대 신경망의 안정성 강화

- 생성적 적대 신경망에서 생성 신경망과 판별 신경망이 서로 적대하는 구조는 생성된 데이터의 질을 향상하지만 간혹 학습이 제대로 되지 않는 경우를 발생시킨다. 아래 그림과 같이 제대로 학습되던 생성신경망이 어느 시점을 기준으로 갑자기 동일한, 그리고 망가진 이미지를 생성한다. 따라서 이러한 문제점을 해결하기 위한 여러 연구를 수행한다.

그림 1 학습이 제대로 되지 않는 생성적 적대 신경망

그림 2 기존 생성적 적대 신경망과 제안된 모델의 학습 안정성 비교

● 생성적 적대 신경망을 활용한 데이터 클래스 불균형 문제 해결

- 데이터 클래스 불균형 문제는 주어진 데이터 내에서 데이터의 클래스가 한 쪽으로 편향된 상태로, 이 경우 기계학습 및 딥러닝 모델은 제대로 된 학습을 수행할 수 없다. 이를 해결하기 위해 생성적 적대 신경망이 사실적인 데이터를 생성한다는 이점을 활용한다. 즉, 학습된 생성 신경망으로 수가 적은 클래스의 데이터를 생성함으로써 데이터 수를 맞추고 이를 모델의 학습 데이터로 사용한다. 

그림 3 생성적 적대 신경망을 활용한 소수 데이터 생성