Key points are not available for this paper at this time.
초록 데이터 부족은 딥 러닝(DL) 모델을 훈련할 때 주요한 도전 과제입니다. DL은 뛰어난 성능을 달성하기 위해 많은 양의 데이터를 요구합니다. 불행히도, 많은 응용 프로그램은 DL 프레임워크를 훈련할 수 있는 적거나 불충분한 데이터를 가지고 있습니다. 일반적으로 레이블이 있는 데이터를 제공하려면 수작업 레이블링이 필요하며, 이는 일반적으로 방대한 배경 지식을 가진 인간 주석자가 포함됩니다. 이 주석 과정은 비용이 많이 들고, 시간이 소요되며, 오류가 발생할 수 있습니다. 보통 모든 DL 프레임워크는 자동으로 표현을 학습하기 위해 상당한 양의 레이블이 있는 데이터로 공급됩니다. 궁극적으로, 더 많은 양의 데이터는 더 나은 DL 모델을 생성하고 성능은 응용 프로그램에 따라 달라집니다. 이 문제는 많은 응용 프로그램이 DL 사용을 기각하게 만드는 주요 장벽입니다. 충분한 데이터 확보는 성공적이고 신뢰할 수 있는 DL 응용 프로그램을 만드는 첫 번째 단계입니다. 이 논문은 작은, 불균형한 데이터 세트 및 일반화 부족을 포함한 세 가지 도전 과제를 극복하기 위해 DL 모델 훈련을 다루는 최신 기술에 대한 포괄적인 조사를 제공합니다. 이 조사는 학습 기술 목록을 나열하는 것으로 시작합니다. 다음으로 DL 아키텍처의 유형이 소개됩니다. 그 후, 학습 데이터 부족 문제를 해결하기 위한 최신 솔루션이 나열됩니다. 여기에는 전이 학습(TL), 자기 지도 학습(SSL), 생성적 적대 신경망(GAN), 모델 아키텍처(MA), 물리 정보 신경망(PINN), 딥 합성 소수 오버 샘플링 기법(DeepSMOTE) 등이 포함됩니다. 그런 다음 이러한 솔루션에 대한 훈련 목적에 필요한 데이터 수집 관련 팁과 훈련 데이터 세트의 신뢰성을 보장하기 위한 권장 사항이 뒤따릅니다. 이 조사는 데이터 부족으로 고통받는 응용 프로그램 목록으로 끝나며, 전자기 이미징(EMI), 구조 건강 모니터링, 의료 이미징, 기상학, 무선 통신, 유체 역학, 마이크로 전자 기계 시스템, 사이버 보안을 포함하여 각 응용 프로그램에서 더 많은 데이터를 생성하기 위한 몇 가지 대안이 제안됩니다. 저자들이 아는 바에 따르면, 이는 DL에서 데이터 부족 해결을 위한 전략에 대한 포괄적인 개요를 제공하는 최초의 리뷰입니다.
Alzubaidi et al. (Fri,)는 이 질문을 연구하였습니다.