베스트
10대 기계 학습 알고리즘
핵심 포인트트랜스포머는 RNN과 달리 병렬 처리와 지속적 메모리를 가능하게 하여 NLP에 혁명을 일으켰습니다.
더 보기
- 트랜스포머는 RNN과 달리 병렬 처리와 지속적 메모리를 가능하게 하여 NLP에 혁명을 일으켰습니다.
- GAN은 판별자의 오류 피드백을 차단함으로써 생성기가 다양한 해결책을 탐색하도록 강제합니다.
- 년의 K-최근접 이웃은 직원 이직 예측에서 현대 알고리즘을 여전히 능가합니다.
GPU로 가속되는 머신러닝에서 놀라운 혁신이 이어지는 시대이지만, 최신 연구 논문에도 수십 년 전, 때로는 무려 70년 전에 개발된 알고리즘이 자주 중요한 역할로 등장한다.
이런 오래된 방법 중 상당수는 머신러닝보다 ‘통계 분석’에 속한다고 주장하며, 이 분야의 시작을 1957년의 퍼셉트론 발명으로만 거슬러 올라가려는 사람도 있을 것이다.
그러나 이런 오래된 알고리즘이 머신러닝의 최신 흐름과 주목받는 발전을 얼마나 뒷받침하고 깊이 연결되어 있는지 생각하면, 그 주장은 논쟁의 여지가 있다. 최신 혁신의 기반인 ‘고전적인’ 구성 요소와, 일찍부터 AI 명예의 전당에 이름을 올리려는 새로운 알고리즘 몇 가지를 살펴보자.
1: 트랜스포머
2017년 Google Research가 주도한 공동 연구는 논문 Attention Is All You Need로 결실을 맺었다. 이 논문은 어텐션 메커니즘 을 인코더/디코더와 순환 신경망 모델의 보조 구성 요소에서 독립적인 핵심 변혁 기술로 끌어올리는 새로운 아키텍처를 제시했다.
이 접근법은 트랜스포머라는 이름을 얻었고, 이후 자연어 처리(NLP)의 혁신적 방법론이 되었다. 자기회귀 언어 모델이자 AI의 상징이 된 GPT-3 등 수많은 사례를 구동한다.

트랜스포머는 시퀀스 변환문제를 우아하게 해결했다. ‘변환’이라고도 하는 이 문제는 입력 시퀀스를 출력 시퀀스로 처리하는 것이다. 트랜스포머는 순차적인 묶음이 아니라 연속적으로 데이터를 받아 관리하므로, RNN 아키텍처가 얻도록 설계되지 않은 ‘기억의 지속성’을 가능하게 한다. 트랜스포머에 대한 더 자세한 설명은 참고 기사를 살펴보자.
CUDA 시대에 머신러닝 연구를 지배하기 시작한 순환 신경망(RNN)과 달리, 트랜스포머 아키텍처는 쉽게 병렬화할 수 있어 RNN보다 훨씬 큰 데이터 집합을 효율적으로 처리할 길을 열었다.
주요 활용 사례
트랜스포머는 2020년 OpenAI의 GPT-3 출시로 대중의 상상력을 사로잡았다. GPT-3는 당시 기록적인 1,750억 개의 매개변수를 자랑했다. 놀라워 보였던 이 성과도 이후 프로젝트들에 가려졌다. 예를 들어 2021년 Microsoft가 출시 한 Megatron-Turing NLG 530B는 이름에서 알 수 있듯 5,300억 개가 넘는 매개변수를 갖췄다.

초대규모 트랜스포머 NLP 프로젝트의 연대표. 출처: Microsoft
트랜스포머 아키텍처는 NLP에서 컴퓨터 비전으로도 확장되어 새로운 세대 의 이미지 합성 프레임워크를 구동한다. OpenAI의 CLIP 과 DALL-E등은 텍스트>이미지 도메인 매핑을 사용해 불완전한 이미지를 완성하고 학습한 도메인에서 새 이미지를 합성하며, 관련 응용 분야도 늘고 있다.

DALL-E가 플라톤 흉상의 일부 이미지를 완성하려 한다. 출처: https://openai.com/blog/dall-e/
2: 생성적 적대 신경망(GAN)
트랜스포머가 GPT-3의 출시와 도입을 통해 엄청난 언론의 관심을 받았지만, 생성적 적대 신경망 (GAN)도 그 자체로 알아볼 수 있는 이름이 되었고, 언젠가 딥페이크 처럼 동사로 쓰일지도 모른다.
처음 2014년에 제안되어 주로 이미지 합성에 쓰이는 생성적 적대 신경망의 아키텍처 는 생성기 와 판별기로 구성된다. 생성기는 데이터셋의 수천 장 이미지를 순회하며 반복적으로 재구성을 시도한다. 시도할 때마다 판별기는 생성기의 결과를 평가하고 더 잘하도록 돌려보내지만, 이전 재구성이 어디서 잘못되었는지는 알려주지 않는다.

출처: https://developers.google.com/machine-learning/gan/gan_structure
따라서 생성기는 판별기가 잘못된 지점을 알려줬다면 빠졌을 수도 있는 막다른 길을 따르는 대신 여러 경로를 탐색해야 한다(아래 8번 참조). 훈련이 끝날 때쯤 생성기는 데이터셋의 점들 사이 관계를 상세하고 포괄적으로 파악한 지도를 갖게 된다.

다음 논문에서: Improving GAN Equilibrium by Raising Spatial Awareness. 새로운 프레임워크가 때로는 수수께끼 같은 GAN의 잠재 공간을 순회하며 이미지 합성 아키텍처를 반응성 있게 조작하는 수단을 제공한다. 출처: https://genforce.github.io/eqgan/
비유하면 이는 런던 중심부로 향하는 단조로운 통근 경로 하나를 익히는 것과, 런던 택시 운전사에게 요구되는 방대한 도로 지식인 The Knowledge를 애써 습득하는 것의 차이다.
그 결과 훈련된 모델의 잠재 공간에 고수준 특징의 집합이 만들어진다. 고수준 특징의 의미적 표지는 ‘사람’일 수 있으며, 해당 특징을 더 구체적으로 내려가면 ‘남성’, ‘여성’ 등의 다른 학습된 특성이 드러날 수 있다. 더 낮은 수준에서는 하위 특징이 ‘금발’, ‘백인’ 등으로 나뉜다.
특징의 얽힘은 주목할 만한 문제 다. GAN 및 인코더/디코더 프레임워크의 잠재 공간에서 GAN이 생성한 여성 얼굴의 미소는 그녀의 ‘정체성’과 얽힌 특징인가, 아니면 별도의 평행한 분기인가?

thispersondoesnotexist에서 GAN으로 생성한 얼굴들. 출처: https://this-person-does-not-exist.com/en
지난 2년 동안 이 문제에 관한 새로운 연구가 늘어나면서 GAN의 잠재 공간에서 특징 단위로 포토샵처럼 편집하는 길이 열릴지도 모른다. 하지만 현재 많은 변환은 사실상 ‘전부 아니면 전무’인 묶음이다. 특히 NVIDIA가 2021년 말 출시한 EditGAN은 높은 해석 가능성 을 의미론적 분할 마스크를 사용해 잠재 공간에서 달성한다.
주요 활용 사례
대중적인 딥페이크 동영상에 대한 실제로는 상당히 제한적인 기여 외에도, 이미지·동영상 중심 GAN은 지난 4년 동안 급증하며 연구자와 대중을 모두 매료시켰다. 새 릴리스의 어지러운 속도와 빈도를 따라가기는 어렵지만, GitHub 저장소 Awesome GAN Applications 는 포괄적인 목록을 제공하려 한다.
생성적 적대 신경망은 이론적으로 잘 정의된 어떤 도메인에서도 특징을 추출할 수 있으며, 텍스트도 포함된다.
3: SVM
처음 1963년에등장한 서포트 벡터 머신 (SVM)은 새 연구에도 자주 등장하는 핵심 알고리즘이다. SVM에서는 벡터가 데이터셋의 점들이 놓인 상대적 위치를 나타내고, 서포트 벡터는 서로 다른 집단, 특징, 특성 사이의 경계를 정한다.

서포트 벡터가 집단 사이의 경계를 정의한다. 출처: https://www.kdnuggets.com/2016/07/support-vector-machines-simple-explanation.html
이렇게 도출된 경계는 초평면이라고 한다.
특징 수준이 낮으면 SVM은 2차원 (위 그림)이지만, 인식되는 집단이나 유형의 수가 더 많아지면 3차원이 된다.

더 복잡한 점과 집단의 배열에는 3차원 SVM이 필요하다. 출처: https://cml.rhul.ac.uk/svm.html
주요 활용 사례
서포트 벡터 머신은 여러 종류의 고차원 데이터를 효과적으로, 특정 분야에 의존하지 않고 다룰 수 있어 머신러닝의 다양한 분야에 널리 등장한다. 그 예는 딥페이크 탐지, 이미지 분류, 혐오 발언 분류, DNA 분석 , 인구 구조 예측등이다.
4: K-평균 군집화
군집화는 일반적으로 비지도 학습 접근법으로, 밀도 추정을 통해 데이터 점을 범주화하고 연구 중인 데이터의 분포 지도를 만든다.

K-평균 군집화가 데이터의 구간, 집단, 커뮤니티를 찾아낸다. 출처: https://aws.amazon.com/blogs/machine-learning/k-means-clustering-with-amazon-sagemaker/
K-평균 군집화 는 이 접근법의 가장 널리 쓰이는 구현이 되었다. 데이터 점들을 서로 다른 ‘K개 집단’으로 모으며, 이는 인구통계학적 구분, 온라인 커뮤니티 또는 원시 통계 데이터에서 발견되기를 기다리는 숨은 집합일 수 있다.

K-평균 분석에서 군집이 형성된다. 출처: https://www.geeksforgeeks.org/ml-determine-the-optimal-value-of-k-in-k-means-clustering/
K값 자체가 과정의 유용성과 군집의 최적값 설정을 결정하는 요소다. 처음에는 K값을 무작위로 부여하고, 그 특징과 벡터 특성을 이웃과 비교한다. 무작위 값을 부여받은 데이터 점과 가장 비슷한 이웃을 해당 군집에 반복해서 배정하며, 과정이 허용하는 모든 집단이 드러날 때까지 계속한다.
군집 사이 서로 다른 값의 제곱오차 또는 ‘비용’을 그리면 데이터의 엘보 지점 이 나타난다.

군집 그래프의 ‘엘보 지점’. 출처: https://www.scikit-yb.org/en/latest/api/cluster/elbow.html
엘보 지점은 데이터셋 훈련 세션의 끝에서 손실 감소가 평탄해지며 추가 개선 폭이 작아지는 것과 비슷한 개념이다. 집단 사이의 추가 구분이 더는 뚜렷해지지 않는 지점이며, 데이터 파이프라인의 다음 단계로 넘어가거나 결과를 보고할 시점을 나타낸다.
주요 활용 사례
K-평균 군집화는 많은 상업 기록을 인구통계학적 통찰과 잠재 고객으로 바꾸는 명확하고 설명 가능한 방법을 제공하므로, 고객 분석의 핵심 기술이다.
이 밖에도 K-평균 군집화는 산사태 예측, 의료 영상 분할, GAN을 이용한 이미지 합성, 문서 분류, 도시 계획등 수많은 잠재적·실제 용도로 쓰인다.
5: 랜덤 포레스트
랜덤 포레스트는 앙상블 학습 방법으로, 여러 결정 트리 의 결과를 평균내어 전체 결과를 예측한다.

출처: https://www.tutorialandexample.com/wp-content/uploads/2019/10/Decision-Trees-Root-Node.png
이 주제를 조금만 알아봤더라도, 심지어 백 투 더 퓨처 3부작을 본 정도라도 결정 트리는 쉽게 이해할 수 있다. 눈앞에 여러 경로가 있고, 각 경로는 또 다른 가능한 경로를 포함하는 새로운 결과로 갈라진다.
강화 학습에서는 한 경로에서 물러나 이전 상태에서 다시 시작할 수 있지만, 결정 트리는 선택한 경로를 따른다.
따라서 랜덤 포레스트 알고리즘은 본질적으로 여러 결정에 위험을 분산하는 방식이다. ‘랜덤’이라고 불리는 이유는 상황에 따른 선택과 관찰을 통해 결정 트리 배열에서 나온 결과의 중앙값 총합을 파악하기 때문이다.
여러 요인을 고려하므로 랜덤 포레스트는 하나의 결정 트리보다 의미 있는 그래프로 옮기기 어려울 수 있지만, 훨씬 더 생산적일 가능성이 높다.
결정 트리는 과적합에 취약하다. 즉, 얻은 결과가 해당 데이터에만 특화되어 일반화되지 않을 수 있다. 랜덤 포레스트가 데이터 점을 무작위로 선택하는 방식은 이런 경향을 억제해 데이터에서 의미 있고 유용한 대표적 추세를 찾아낸다.

결정 트리 회귀. 출처: https://scikit-learn.org/stable/auto_examples/tree/plot_tree_regression.html
주요 활용 사례
이 목록의 다른 많은 알고리즘처럼 랜덤 포레스트도 일반적으로 초기 단계에서 데이터를 분류하고 걸러내므로, 새 연구 논문에 꾸준히 등장한다. 활용 사례로는 자기공명영상 합성, 비트코인 가격 예측, 인구조사 데이터 세분화, 텍스트 분류 , 신용카드 사기 탐지등이 있다.
랜덤 포레스트는 머신러닝 아키텍처의 저수준 알고리즘이므로 다른 저수준 방법이나 시각화 알고리즘의 성능에도 기여할 수 있다. 예를 들어 귀납적 군집화, 특징 변환, 희소 특징을 이용한텍스트 문서 분류, 파이프라인 표시등이 있다.
6: 나이브 베이즈
밀도 추정(위의 4번 참조)과 결합된 나이브 베이즈 분류기는 계산된 데이터 특징을 토대로 확률을 추정할 수 있는 강력하면서도 비교적 가벼운 알고리즘이다.

나이브 베이즈 분류기의 특징 간 관계. 출처: https://www.sciencedirect.com/topics/computer-science/naive-bayes-model
‘나이브’라는 말은 베이즈 정리 에서 특징들이 서로 관련되지 않는다고 가정하는 것을 가리키며, 이를 조건부 독립이라고 한다. 이 관점에서는 오리처럼 걷고 말하는 것만으로 오리라고 단정할 수 없으며, ‘명백해 보이는’ 가정도 성급히 받아들이지 않는다.
상식으로 판단할 수 있는 상황에서는 이런 학문적·탐구적 엄밀성이 지나칠 수 있다. 하지만 머신러닝 데이터셋에 존재할 수 있는 수많은 모호함과 실제 관련성이 없을 수도 있는 상관관계를 살필 때는 중요한 기준이다.
원래의 베이지안 네트워크에서 특징에는 점수 함수가 적용되며, 최소 기술 길이와 베이지안 점수등이 포함된다. 이들은 데이터 점 사이에서 추정된 연결과 그 연결의 방향에 따라 데이터에 제약을 가할 수 있다.
반면 나이브 베이즈 분류기는 특정 객체의 특징들이 독립적이라고 가정한 다음, 베이즈 정리로 그 특징에 기반한 해당 객체의 확률을 계산한다.
주요 활용 사례
나이브 베이즈 필터는 질병 예측과 문서 분류, 스팸 필터링, 감정 분류, 추천 시스템, 사기 탐지등에 널리 쓰인다.
7: K-최근접 이웃(KNN)
미국 공군 항공의학학교가 처음 1951년에제안했으며 20세기 중반 컴퓨터 하드웨어의 수준에 맞춰야 했던 K-최근접 이웃 (KNN)은 간결한 알고리즘으로, 지금도 학술 논문과 민간 부문의 머신러닝 연구에 두드러지게 등장한다.
KNN은 완전한 머신러닝 모델의 훈련을 요구하는 대신, 데이터셋을 빠짐없이 훑어 데이터 점 사이의 관계를 평가하기 때문에 ‘게으른 학습자’라고 불린다.

KNN 군집화. 출처: https://scikit-learn.org/stable/modules/neighbors.html
KNN의 아키텍처는 간결하지만, 체계적인 접근법으로 인해 읽기·쓰기 작업에 상당한 부담을 준다. 매우 큰 데이터셋에서는 주성분 분석(PCA) 같은 보조 기술 없이 사용하기 어려울 수 있다. PCA는 복잡하고 방대한 데이터셋을 대표적인 집단 으로 바꾸어 KNN이 더 적은 노력으로 탐색할 수 있게 한다.
최근 연구 에서는 직원의 퇴사 여부를 예측하는 여러 알고리즘의 효과와 경제성을 평가했다. 그 결과 70년 된 KNN이 정확도와 예측 효과 면에서 더 현대적인 경쟁 기법보다 여전히 우수했다.
주요 활용 사례
개념과 구현이 단순하다고 해서 KNN이 1950년대에 머무르는 것은 아니다. 펜실베이니아주립대학교의 2018년 제안에서는 심층 신경망(DNN)에 더 중점을 둔 접근법 으로 발전했으며, 훨씬 복잡한 많은 머신러닝 프레임워크에서도 핵심 초기 단계 처리나 후처리 분석 도구로 쓰인다.
다양한 구성의 KNN은 온라인 서명 검증, 이미지 분류, 텍스트 마이닝, 작물 수확량 예측, 얼굴 인식등에 활용되거나 통합되었다.

훈련 중인 KNN 기반 얼굴 인식 시스템. 출처: https://pdfs.semanticscholar.org/6f3d/d4c5ffeb3ce74bf57342861686944490f513.pdf
8: 마르코프 결정 과정(MDP)
미국 수학자 리처드 벨먼이 1957년에도입한 수학적 틀인 마르코프 결정 과정(MDP)은 강화 학습 아키텍처의 가장 기본적인 구성 요소 중 하나다. 그 자체로 개념적 알고리즘인 MDP는 수많은 다른 알고리즘에 적용되었으며 최근 AI·머신러닝 연구에도 자주 등장한다.
MDP는 현재 상태, 즉 데이터에서 ‘어디에’ 있는지를 평가해 다음에 탐색할 데이터 노드를 결정하면서 데이터 환경을 탐색한다.

출처: https://www.sciencedirect.com/science/article/abs/pii/S0888613X18304420
기본적인 마르코프 결정 과정은 더 바람직한 장기 목표보다 단기 이익을 우선한다. 따라서 보통 강화 학습의 더 포괄적인 정책 아키텍처에 포함되며, 할인된 보상과 그 밖의 행동을 조정하는 환경 변수 같은 제약을 받는다. 이들은 더 큰 바람직한 결과를 고려하지 않고 당장의 목표로 달려가는 것을 방지한다.
주요 활용 사례
MDP의 저수준 개념은 연구와 실제 머신러닝 배포에 널리 쓰인다. 제안된 분야로는 IoT 보안 방어 시스템, 어류 수확, 시장 예측등이 있다.
체스 등 엄격한 순차 게임에 명백히 적용 가능 할 뿐 아니라, 아래 동영상에서 볼 수 있듯 로봇 시스템의 절차적 훈련에도 자연스러운 후보가 된다.
9: 단어 빈도–역문서 빈도
단어 빈도(TF)는 문서에서 한 단어가 나타나는 횟수를 문서의 전체 단어 수로 나눈다. 따라서 1,000단어짜리 글에 물개 라는 단어가 한 번 나오면 단어 빈도는 0.001이다. TF만으로는 단어의 중요성을 판단하기 어렵다. 영어의 a, and, the, it처럼 독립적인 의미 내용이 없는 기능어가 대부분을 차지하기 때문이다.
의미 있는 값을 얻기 위해 역문서 빈도(IDF)는 데이터셋의 여러 문서에 걸쳐 단어의 TF를 계산하고, 관사처럼 매우 자주 나오는 불용어에 낮은 점수를 부여한다. 결과로 나온 특징 벡터는 정수값으로 정규화되며, 각 단어에는 적절한 가중치가 부여된다.

TF-IDF는 여러 문서의 빈도에 따라 단어의 관련성에 가중치를 부여하며, 드문 출현을 중요성의 지표로 삼는다. 출처: https://moz.com/blog/inverse-document-frequency-and-the-importance-of-uniqueness
이 접근법은 의미상 중요한 단어가 이상치로 사라지는 것을 막지만, 빈도 가중치를 뒤집는다고 해서 저빈도 단어가 이상치가 아니라는 뜻은 아니다. 어떤 것은 드물면서도 동시에 쓸모없기 때문이다. 따라서 저빈도 단어는 데이터셋의 여러 문서에 등장함으로써, 문서당 빈도가 낮더라도, 더 넓은 아키텍처 맥락에서 가치를 증명해야 한다.
그 오랜 역사에도 불구하고 TF-IDF는 자연어 처리 프레임워크의 초기 필터링에 쓰이는 강력하고 널리 알려진 방법이다.
주요 활용 사례
TF-IDF가 지난 20년 동안 Google의 상당 부분 비공개인 PageRank 알고리즘 개발에 적어도 일부 역할을 했기 때문에, 조작적인 SEO 전술로 매우 널리 채택 되었다. John Mueller가 2019년 검색 결과에 대한 중요성을 부정 했음에도 그렇다.
PageRank의 비밀성 때문에, TF-IDF가 현재 Google 순위를 높이는 효과적인 전술이 아니라는 명확한 증거는 없다. 최근 IT 전문가들 사이의 격렬한 논의 는 옳든 그르든 단어의 남용이 여전히 SEO 순위 개선으로 이어질 수 있다는 통념을 보여준다. 다만 추가적인 독점적 지위 남용 의혹 과 과도한 광고 에 관한 논란은 이 이론의 경계를 흐린다.
10: 확률적 경사 하강법
확률적 경사 하강법 (SGD)은 머신러닝 모델의 훈련을 최적화하는 데 점점 널리 쓰이는 방법이다.
경사 하강법 자체는 훈련 중 모델이 이루는 개선을 최적화하고 이어서 정량화하는 방법이다.
이때 ‘경사’는 색상 그라데이션이 아니라 아래로 향하는 기울기를 뜻한다(아래 그림 참조). 왼쪽 ‘언덕’의 가장 높은 지점은 훈련 과정의 시작을 나타낸다. 이 단계에서 모델은 전체 데이터를 한 번도 보지 못했고, 효과적인 변환을 생성할 만큼 데이터 사이의 관계를 충분히 학습하지 못했다.

FaceSwap 훈련 세션에서의 경사 하강. 후반부에 한동안 훈련이 정체되었으나, 결국 다시 경사를 따라 내려가 허용 가능한 수렴에 도달하는 모습을 볼 수 있다.
오른쪽의 가장 낮은 지점은 수렴을 뜻한다. 주어진 제약과 설정 안에서 모델이 도달할 수 있는 최대 효율의 지점이다.
경사는 오류율(모델이 현재 데이터 관계를 얼마나 정확히 매핑했는지)과 가중치(모델의 학습 방식에 영향을 주는 설정) 사이 차이를 기록하고 예측하는 역할을 한다.
이 진행 기록은 학습률 일정을 정하는 데 사용할 수 있다. 이는 초기의 불명확한 세부 사항이 뚜렷한 관계와 매핑으로 바뀌면서 아키텍처가 더 세밀하고 정확해지도록 지시하는 자동 과정이다. 사실상 경사 손실은 다음 훈련이 어디로, 어떻게 진행되어야 할지 적시에 지도를 제공한다.
확률적 경사 하강법의 혁신은 반복마다 각 훈련 예제에서 모델의 매개변수를 갱신한다는 것이다. 이는 일반적으로 수렴에 이르는 속도를 높인다. 최근 초대규모 데이터셋이 등장하면서 발생한 운영 문제에 대처할 수 있는 한 방법으로 SGD의 인기가 높아졌다.
반면 SGD는 특징 스케일링에 부정적인 영향 을 주며, 동일한 결과를 얻는 데 더 많은 반복이 필요할 수 있다. 따라서 일반적인 경사 하강법보다 추가적인 계획과 매개변수가 요구된다.
주요 활용 사례
설정의 유연성이 있고 단점도 있지만, SGD는 신경망을 데이터에 적합시키는 가장 널리 쓰이는 최적화 알고리즘이 되었다. 새로운 AI·머신러닝 논문에서 주류로 떠오르는 SGD 구성 중 하나는 적응적 모멘트 추정(ADAM) 최적화 기법을 선택하는 것으로, 이는 2015년에도입되었다.
ADAM은 각 매개변수의 학습률을 동적으로 조정하는 ‘적응적 학습률’을 사용하며, 이전 갱신 결과를 다음 구성에 반영하는 ‘모멘텀’도 포함한다. 또한 네스테로프 모멘텀같은 후속 혁신을 사용하도록 설정할 수도 있다.
그러나 일부는 모멘텀의 사용이 ADAM과 비슷한 알고리즘을 최선이 아닌 결론으로 더 빨리 몰아갈 수도 있다고 주장한다. 머신러닝 연구의 다른 많은 최첨단 영역처럼 SGD도 여전히 발전 중이다.
최초 발행: 2022년 2월 10일. 수정: 2월 10일 20:05 EET — 서식.












