학술논문
Improving GAN based on Wiener-Khinchin Theorem / 위너-킨친 정리에 근거한 GAN의 성능개선
Document Type
Dissertation/ Thesis
Source
Subject
Language
English
Abstract
Generative adversarial network (GAN) has been used in a variety of fields, including image, signal, and natural language processing. Nevertheless, as a generative model,GAN has the disadvantage of not being certain of convergence, and there are difficulties in performance evaluation. In this paper, we explain the theoretical background of the Probabilistic Power Spectral Density Score (PPSD Score), an evaluation metric defined to improve and evaluate the performance of GAN for generating seismic noise waveforms, through the Wiener-Khinchin Theorem. As a result, the seismic waves generated by GAN using the corresponding evaluation metric improved performance in both visual and quantitative aspects compared to the existing seismic noise wave generation model. In addition, in terms of model convergence, the model converged more stably before using PPSD score.
적대적 생성 신경망(GAN)은 이미지, 신호, 자연어 처리 등등 다양한 분야에서 활용되고 있다. 그럼에도 불구하고 GAN은 생성모델로서 수렴이 확실하지 않은 단점이 있고, 성능 평가에 있어서 어려움이 존재한다. 본 논문에서는 지진 노이즈파 생성을 위한 GAN의 성능 향상 및 평가를 위해 제시된 평가지표인 확률적 전력 스펙트럼 밀도 점수 (PPSD Score)의 이론적 근거를 위너-킨친 정리를 통해 설명한다. 해당 평가지표를 활용한 GAN이 생성해낸 지진파는 기존의 지진 노이즈파 생성 모델과 비교했을때 시각적인 부분과 정량적인 부분 모두에서 발전된 성능을 보이는 것을 확인할 수 있었다. 또한 모델의 수렴성에 있어서도 PPSD Score를 사용하기 이전에 비해 안정적으로 수렴하는 것을 확인할 수 있었다.
적대적 생성 신경망(GAN)은 이미지, 신호, 자연어 처리 등등 다양한 분야에서 활용되고 있다. 그럼에도 불구하고 GAN은 생성모델로서 수렴이 확실하지 않은 단점이 있고, 성능 평가에 있어서 어려움이 존재한다. 본 논문에서는 지진 노이즈파 생성을 위한 GAN의 성능 향상 및 평가를 위해 제시된 평가지표인 확률적 전력 스펙트럼 밀도 점수 (PPSD Score)의 이론적 근거를 위너-킨친 정리를 통해 설명한다. 해당 평가지표를 활용한 GAN이 생성해낸 지진파는 기존의 지진 노이즈파 생성 모델과 비교했을때 시각적인 부분과 정량적인 부분 모두에서 발전된 성능을 보이는 것을 확인할 수 있었다. 또한 모델의 수렴성에 있어서도 PPSD Score를 사용하기 이전에 비해 안정적으로 수렴하는 것을 확인할 수 있었다.