Machine learning
드롭아웃
드롭아웃은 2014년 Srivastava, Hinton, Krizhevsky, Sutskever, Salakhutdinov가 도입한 심층 신경망 훈련을 위한 확률적 정규화 기법입니다. 각 훈련 단계에서 각 뉴런은 확률 (1 − p)로 독립적으로 꺼지는데, 이는 네트워크가 단위들을 너무 밀접하게 공동으로 적응시키는 것을 방지하여 과적합을 줄입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15, 1929–1958. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 7: Regularization for Deep Learning). MIT Press. ISBN: 978-0-262-03561-3
이 페이지 인용 방법
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/ko/deep-learning/dropout
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →