패턴 인식은 데이터에서 추출된 패턴을 기반으로 관측값에 클래스를 할당하는 작업이다. 이는 컴퓨터 알고리즘을 통해 데이터에서 규칙성을 자동으로 발견하고, 이러한 규칙성을 사용하여 데이터를 여러 범주로 분류하는 등의 조치를 취하는 분야이다. 유사하지만, 패턴 인식은 패턴 인식 능력을 가질 수 있지만 주요 기능이 창발적 패턴을 구별하고 생성하는 데 있는 패턴 기계와 혼동해서는 안 된다. 이 학문은 통계학과 공학에 기원을 두고 있으며, 현대적 접근 방식은 빅데이터와 풍부한 처리 능력의 가용성으로 인해 머신 러닝에 점점 더 의존하고 있다.
패턴 인식 시스템은 일반적으로 각 인스턴스가 올바른 출력과 짝을 이루는 레이블이 지정된 훈련 데이터에서 훈련된다. 레이블이 지정된 데이터를 사용할 수 없는 경우, 알고리즘은 비지도 방법을 통해 이전에 알려지지 않은 패턴을 발견할 수 있다. 이 분야는 획득 및 신호 처리를 포함한 신호 자체에 초점을 맞추며, 컴퓨터 비전 맥락에서 인기가 있다. 주요 학회로는 컴퓨터 비전 및 패턴 인식 학회(Conference on Computer Vision and Pattern Recognition)가 있다. 머신 러닝에서 패턴 인식은 주어진 입력 값에 레이블을 할당하는 것이며, 통계학에서는 1936년에 판별 분석이 이러한 목적으로 도입되었다.
출력 유형
패턴 인식은 단순한 분류를 넘어 다양한 출력 유형을 포함한다. 분류는 이메일이 스팸인지 여부를 결정하는 것과 같이 각 입력 값을 주어진 클래스 집합 중 하나에 할당하려고 시도한다. 회귀는 주택 가격을 예측하는 것과 같이 각 입력에 실수 값 출력을 할당한다. 시퀀스 레이블링은 문장의 각 단어에 문법적 역할을 레이블링하는 품사 태깅과 같이 시퀀스의 각 구성원에 클래스를 할당한다. 파싱은 입력 문장에 구문 구조를 설명하는 파스 트리를 할당한다. 이러한 작업은 모든 가능한 입력에 대해 합리적인 답을 생성하고 통계적 변동을 고려하는 "가장 가능성 있는" 일치를 수행한다는 공통 목표를 공유하며, 이는 텍스트 편집기의 정규 표현식 일치와 같은 정확한 일치를 추구하는 패턴 매칭 알고리즘과 대조된다.
학습 패러다임
패턴 인식은 일반적으로 사용되는 학습 절차에 따라 분류된다. 지도 학습은 손으로 레이블을 지정한 인스턴스의 훈련 세트를 가정한다. 학습 절차는 훈련 데이터에서 잘 수행되면서도 새 데이터에 일반화되는 모델을 생성하며, 종종 오컴의 면도날에 따라 단순성을 선호한다. 비지도 학습은 손으로 레이블을 지정한 데이터를 가정하지 않고 내재된 패턴을 찾으려고 시도하며, 분류의 비지도 등가물은 다차원 벡터 공간의 거리와 같은 유사성 측정을 기반으로 입력을 그룹화하는 클러스터링이다. 반지도 학습은 소량의 레이블이 지정된 데이터와 더 많은 양의 레이블이 없는 데이터를 결합한다. 일부 분야에서는 용어가 다르다. 예를 들어, 커뮤니티 생태학에서는 일반적으로 클러스터링이라고 불리는 것을 "분류"라고 지칭한다.
특징 및 표현
각 입력 인스턴스는 알려진 모든 특성에 대한 설명을 구성하는 특징 벡터로 공식적으로 설명된다. 이러한 특징 벡터는 다차원 공간의 점을 정의하여 내적 및 각도와 같은 벡터 연산을 허용한다. 특징은 범주형(명목형, 예: 성별 또는 혈액형), 순서형(예: "대형", "중형", "소형"과 같은 순서 항목), 정수 값(예: 단어 수) 또는 실수 값(예: 혈압 측정값)일 수 있다. 많은 알고리즘은 범주형 데이터를 요구하므로 실수 값 또는 정수 값 데이터는 5 미만, 5에서 10 사이, 10 초과와 같은 그룹으로 이산화될 수 있다.
확률적 분류기
많은 일반적인 패턴 인식 알고리즘은 확률적이며, 통계적 추론을 사용하여 인스턴스에 대한 최상의 레이블을 찾는다. 단일 최상의 레이블만 출력하는 비확률적 알고리즘과 달리, 확률적 알고리즘은 종종 인스턴스가 레이블로 설명될 확률을 나타내는 신뢰 값을 출력한다. 또한 관련 확률과 함께 N-최상의 레이블 목록을 출력할 수도 있다. 가능한 레이블 수가 적으면 N을 설정하여 모든 레이블에 대한 확률을 출력할 수 있다. 확률적 알고리즘은 의사 결정 및 여러 분류기를 결합할 때 유용한 신뢰 값을 제공하는 등의 장점을 제공한다.
응용 및 현대적 맥락
패턴 인식은 통계 데이터 분석, 신호 처리, 이미지 분석, 정보 검색, 생물정보학, 데이터 압축, 컴퓨터 그래픽 및 머신 러닝에 응용된다. 데이터베이스의 지식 발견(KDD)과 데이터 마이닝은 비지도 방법과 비즈니스 사용에 더 중점을 두는 반면, 패턴 인식은 신호 처리와 공학적 기원을 강조한다. 딥 러닝과 신경망의 부상은 이 분야를 변형시켜 컴퓨터 비전과 자연어 처리의 돌파구를 가능하게 했다. OpenAI와 Google DeepMind가 개발한 것과 같은 현대 시스템은 종종 트랜스포머와 대규모 언어 모델을 통해 구현되는 패턴 인식 원리에 크게 의존한다. 이 분야는 NVIDIA와 같은 회사의 하드웨어 발전(제공된 목록에는 없지만 이 문서는 외부 링크를 피함)과 Amazon Web Services 및 Azure와 같은 클라우드 플랫폼의 발전으로 계속 진화하고 있다.
역사 및 주요 인물
패턴 인식의 뿌리는 통계학과 공학으로 거슬러 올라가며, 1936년 판별 분석의 초기 작업이 있었다. Bernard Widrow와 같은 선구자는 초기 신경망에 기여했으며, Thomas Dietterich와 Michael Jordan은 머신 러닝 이론을 발전시켰다. MIT CSAIL, Stanford AI Lab, Carnegie Mellon University와 같은 연구 기관은 그 발전의 중심이었다. 수작업 특징에서 학습된 표현으로의 이 분야의 진화는 패턴 인식이 지각과 의사 결정을 위한 기초 능력으로 작용하는 인공 지능의 더 넓은 추세를 반영한다.