# 판별 모델과 생성 모델
판별 모델
데이터 X가 주어졌을 때, 특성 Y가 나타날 조건부 확률 p(Y|X)를 직접적으로 반환하는 모델
주어진 데이터를 통해 데이터 사이의 경계를 예측
ex) 로지스틱 회귀 분석
활용
특정 데이터를 서로 다른 클래스로 분류하는 문제에 활용
정상 데이터에 대한 경계를 최대한 좁혀 이를 벗어나는 이상치를 감지
생성 모델
데이터 X와 특성 Y의 결합(joint)분포 p(X, Y) or Y가 주어질 때 X의 조건부(conditional) 분포 p(X|Y)를 추정하는 모델
주어진 Y가 없는 경우, 데이터의 주변 (marginal) 분포 p(X)를 추정하는 모델
주어진 데이터를 통해 데이터 분포를 학습
ex) 가우시안 혼합 모델 (Gaussian Mixture Model, GMM), p(X) = 여러 개의 정규 분포
어려움
1. 고차원 데이터를 모델링함
데이터의 복잡한 모든 특성의 분포를 학습해야함( 얼굴의 경우 눈, 코, 입 등 모든 특성의 분포를 학습해야함)
-> 데이터는 저차원의 정보로 표현 가능하다는 가정을 활용( 얼굴의 경우 기존 데이터의 일부 특성에 포즈, 광원, 표정등 일부특성(저차원 데이터)을 더하는 것으로 표현 가능)
2. 평가 지표가 명확하지 않음
판별 모델과 달리 생성된 데이터에 대한 정량적 평가가 어려움
활용
- 이미지의 품질 개선
- 맥락에 맞게 이미지 빈공간 자동 완성
| 판별 모델 | 생성 모델 | |
| 학습 과정 | 데이터의 분류 경계 | 데이터 분포 |
| 확률 모델 | p(Y|X) | p(X) 또는 p(X|Y) |
| 활용 분야 | 객체 분류 (Classification) 객체 검출 (Object Detection) 이상치 탐지 (Anomaly Detection) |
데이터 생성 (Generation) 신호 품질 개선 (Super Resolution) 이미지 인페인팅 (Inpainting) |