딥러닝(Deep Learning) 에 대해서 오차최적화 함수에 대해서 궁금한 것이 Modeling 을 수학적으로 Expression 을 많이 하던데,

Deep Learning 에서 오차최적화 함수의 최적화 Modeling 은 잘 모르겠지만, 기본적인 전략은 Deep Copy 에 대해서 이것인 듯...

학습 Dataset 과 평가 Dataset 이 있으면,

학습 Dataset 에 대해서 Copy 하는 것이 Overfitting 이 많을 수가 있는데 Copy 결과 자체는 기본적으로 공통점의 편차에 대한 Weight 가 높으면 되고,

차이점의 편차에 대한 Weight 가 낮으면 되는 것같음.. ㅇㅅㅇ;

결국에는 Dataset 의 List 에 대해서 Dataset 이 공통점과 차이점에 대해서 통계적으로 내포하는 부분의 List 가 Grouping 이 잘 되어있어야 하는데,

이것을 가정하면,

훈련 Dataset 에 대해서 딥러닝 중에 Data 의 Expression 에 대한 List 에 대해서 List 내의 값이 동등한 것이 많으면 공통점이 많아지는 것이고,

List 내의 값이 동등하지 못한 것이 많으면 통계적 지속에 대해서 차이점이 많아지는 것으로 볼 수 있음.. ㅇㅅㅇ;

그렇다면, 공통점의 편차에 대한 Weight 와 차이점의 편차에 대한 Weight 를 Deep Copy(딥 러닝) 에 대해서 Ranking 에 대해서

지금 시점과 직전 시점에 대해서 Iteraton 에 대한 동등성의 Weight 를 놓아서 여기에서,

다음 시점에 대해서 Iteration 에 대한 관성이 있도록 Deep Copy 를 하는 것이 맞을 것같음. ㅇㅅㅇ..

기본적으로 최적화 방향으로 오차가 떨어지기는 할텐데,

학습 Dataset 의 List 에 대해서 Copy 결과가 공통점과 차이점 둘 다에 대해서 많이 학습이 되어야 하고, 통계적으로 결과가 유의미해져야 하니까,

학습률이 지속적으로 Deep Copy 로 올라간다고 가정하면,

Iteration 에 대한 Weight 에 대해서 공통점과 차이점에 대한 통계성이 지속적으로 올라가야 하는 것같음.. ㅇㅅㅇ;