Random Transformation 기반 데이터 증강을 통한 화학 물질 농도 분류 성능 개선

초록

오늘날 화학 산업은 다양한 산업 및 일상 생활과 밀접하게 연관되어 그 규모가 매우 방대하다. 하지만 이러한 규모의 유해 화학 물질 관리는 한계가 있어 신속하고 정밀한 유해 화학 물질 검출이 어려운 상황이다. 본 연구는 이러한 동기를 바탕으로 높은 정확도와 효율성을 갖춘 농도 분류 모델을 개발하는 것을 목표로 한다. 특히, random transformation 기반의 jittering과 scaling 기법을 적용해 적은 학습 데이터로도 모델의 일반화 성능이향상됨을 확인하였다. Jittering 기법의 경우 cosine similarity를 통해 deviation 값을 조정하여 원본 데이터의 특성을 유지하면서 노이즈를 추가 하였고, scaling 기법의 경우 다양한 실험을 통해 최적 factor 범위를 찾음으로써모델의 성능을 개선하였다. 이러한 증강 기법을 활용하여 제안한 시스템은 최대 17%의 성능 향상 효과를 보였다.