SOM

• 코호넨 맵

비지도신경망을 통해, 고차원의 데이터를 이해하기 쉬운 저차원의 뉴런으로 정렬하여 지도의 형태로 형상화한다. 이러한 형상화는 입력 변수의 위치 관계를 그대로 보존한다는 특징이 있다. 즉, 실제 공간의 입력 변수가 가까이 있으면, 지도상에도 가까운 위치에 있게 된다.

구성

입력층 (Input Layer)

• 입력벡터를 받는 층
• 입벽 변수의 개수와 동일하게 뉴런 수가 존재한다
• 입력층이 자료는 학습을 통하여 경쟁층에 정렬되는데, 이를 지도 (map)라 부른다.
• 입력층에 있는 각각의 뉴런은, 경쟁층에 있는 각각의 뉴런들과 연결되어 있으며, 이때 Fully Connected (완전 연결) 되어 있다.

경쟁층 (Competitive Layer)

• 2차원 격자 (Grid) 로 구성된 층
• SOM 은 경쟁 학습으로 각각의 뉴런이 입력 벡터와 얼마나 가까운가를 계산하여 연결 강도 (Connection Weight) 를 반복적으로 재조정하여 학습한다. 이 과정을 거치면서 연결강도는 입력 패턴과 가장 유사한 경쟁층 뉴런이 승자가 된다.
• 입력층의 표본 벡터에 가장 가까운 프로토타입 벡터를 선택해 BMU (Best-Matching-Unit) 라고 하며, 코호넨의 승자 독점의 학습 규칙에 따라 Topological Neighbors (위상학적 이웃) 에 대한 연결 강도를 조정한다.
• 승자 독식 구조로 인해 경쟁층에는 증가 뉴런만이 나타나며, 승자와 유사한 연결 강도를 갖는 입력 패턴이 동일한 경쟁 뉴런으로 배열된다.

특징

• 고차원의 데이터를 저차원의 지도 형태로 형상화하므로, 시각적 이해가 쉽다.
• 입력 변수의 위치 관계를 그대로 보존하므로, 실제 데이터가 유사하면 지도상에서 가깝게 표현된다.
  • 이런 특징으로 패턴발견, 이미지 분석 등에서 뛰어난 성능을 보인다.
• 역전파 (backpropagation) 알고리즘 등을 이용하는 인공신경망 (ANN) 등과 달리, 단 하나의 Feed-Forward Flow (전방패스) 를 사용하는 것으로 속도가 매우 빠르다.
  • 따라서, 실시간 학습처리를 할 수 있는 모형이다.

	신경망 모형	SOM
학습방법	오차역전파법	경쟁학습방법
구성	입력층, 은닉층, 출력층	입력층, 2차원 격자 (grid) 형태의 경쟁층
기계학습방법의 분류	지도학습	비지도학습