만일 점진적 학습을 진행하는데 새로운 클래스 데이터가 조금 들어오게 된다면 샘플 불균형 문제가 발생할텐데, 어떻게 해결할 수 있나요?

1. 클래스 가중치 조절
2. 데이터를 증가시키는 방법으로 해결

GAN: 생성자(Generator)와 판별자(Discriminator)가 서로 경쟁하는 과정을 통해 정보를 학습

• 생성기는 이미 존재하는 데이터와 비슷한 모조데이터를 생성하는 역할을 수행하는데, 만약 생성기의 모조데이터가 실제데이터에 가깝다면 판별기는 판별의 기능을 상실
• 판별기는 입력 데이터가 실제데이터인지 모조데이터인지 구별하는 역할을 수행하고, 만약 생성기가 산출한 모조데이터를 판별기가 50% 확률로 진위 여부를 판단한다면 학습을 종료

1. 데이터 샘플링

• 랜덤 샘플링

  무작위로 일정 크기의 데이터를 뽑아서 샘플링 하는 것

• 언더 샘플링 불균형한 데이터 셋에서 높은 비율을 차지하던 클래스의 데이터 수를 줄임으로써 데이터 불균형을 해소하는 방법입니다.

• 오버 샘플링 낮은 비율 클래스의 데이터 수를 늘림으로써 데이터 불균형을 해소하는 방법입니다.