23. 생성 모델·전이학습·평가지표 유형 문제

재구성 출제 고지: 이 문제들은 국가평생교육진흥원 독학학위제 3단계 딥러닝 출제기준(생성 모델·전이학습·평가지표 영역)을 근거로 새로 구성한 재구성 문항입니다. 실제 기출 문항을 그대로 옮긴 것이 아니며, 16·17·18·19편에서 다루는 이 영역의 핵심 유형 22문항을 전 과정 해설과 함께 싣습니다.

문항 구성

영역	문항 번호	문항 수	관련 편
오토인코더(AE)·변분 오토인코더(VAE)	1–5	5	16편
GAN 구조·훈련 함정	6–10	5	17편
전이학습·미세조정	11–14	4	18편
평가지표 계산과 해석	15–22	8	19편

영역 1: 오토인코더(AE)·변분 오토인코더(VAE) (1–5)

문제 1

문제 14지선다

오토인코더(autoencoder)의 기본 구조에 대한 설명으로 가장 적절한 것은?

입력을 저차원 잠재공간(latent space)으로 압축하는 인코더와, 그 압축된 표현으로부터 원래 입력을 복원하는 디코더로 구성된다.라벨이 있는 데이터에서만 학습할 수 있는 지도학습 전용 구조이다.인코더 없이 디코더만으로 이루어진 구조이다.입력과 출력의 차원이 항상 서로 달라야 하는 구조이다.

문제 2

문제 24지선다

오토인코더의 학습 목표인 재구성 손실(reconstruction loss)이 하는 역할로 가장 적절한 것은?

디코더가 복원한 출력과 원래 입력 사이의 차이를 줄이도록 인코더와 디코더를 함께 학습시키는 목적함수 역할을 한다.입력 데이터에 라벨을 자동으로 붙여주는 역할을 한다.잠재공간의 차원 수를 자동으로 늘려주는 역할을 한다.학습률을 자동으로 조절해 주는 역할을 한다.

문제 3

문제 34지선다

변분 오토인코더(Variational Autoencoder, VAE)가 기본 오토인코더와 가장 크게 다른 점으로 적절한 것은?

잠재 벡터를 하나의 고정된 값이 아니라 평균과 분산을 갖는 확률분포로 표현하고, 그 분포에서 표본을 뽑아 디코더에 넣는다.VAE는 디코더 없이 인코더만으로 이루어진다.VAE는 반드시 지도학습 라벨이 있어야만 학습할 수 있다.VAE는 재구성 손실을 전혀 사용하지 않는다.

문제 4

문제 44지선다

VAE의 목적함수에서 KL 발산(KL divergence) 항이 하는 역할로 가장 적절한 것은?

인코더가 만드는 잠재변수의 분포를 표준정규분포처럼 다루기 쉬운 사전분포에 가깝게 정규화해, 잠재공간이 매끄럽고 연속적인 구조를 갖도록 만든다.디코더가 만든 출력을 원본 입력과 픽셀 단위로 정확히 일치시키는 역할을 한다.KL 발산은 학습 속도를 항상 두 배로 빠르게 만드는 역할을 한다.KL 발산은 신경망의 층 수를 자동으로 줄여주는 역할을 한다.

문제 5

문제 54지선다

오토인코더 계열 모델(AE, VAE)의 대표적인 응용 분야로 가장 적절하지 않은 것은?

차원 축소와 잡음 제거(denoising), VAE를 이용한 새로운 표본 생성이미지 분류를 위한 라벨 자동 채점(사람의 개입 없이 정답을 보장하는 용도)이상 탐지(anomaly detection) — 재구성 오차가 큰 데이터를 이상치로 판단특징 추출 후 다른 모델의 입력으로 사용하는 표현 학습

영역 2: GAN 구조·훈련 함정 (6–10)

문제 6

문제 64지선다

GAN(Generative Adversarial Network)의 기본 구조에 대한 설명으로 가장 적절한 것은?

가짜 데이터를 만들어내는 생성자(generator)와, 진짜와 가짜를 구별하려는 판별자(discriminator)가 서로 경쟁하며 함께 학습된다.생성자와 판별자는 서로 협력해 같은 손실을 최소화하는 동일한 목표를 가진다.GAN은 판별자 없이 생성자만으로 학습이 완료되는 구조이다.GAN의 생성자는 반드시 라벨이 있는 데이터로만 학습할 수 있다.

문제 7

문제 74지선다

GAN의 판별자(discriminator)가 학습 과정에서 수행하는 역할로 가장 적절한 것은?

입력 데이터가 실제 데이터에서 왔는지 생성자가 만든 가짜 데이터인지를 구별하는 이진 분류기 역할을 한다.무작위 잡음 벡터로부터 새로운 이미지를 직접 생성하는 역할을 한다.생성자의 가중치를 강제로 고정시켜 학습이 되지 않게 막는 역할을 한다.학습 데이터셋에 새로운 라벨을 부여하는 역할을 한다.

문제 8

문제 84지선다

GAN 학습에서 흔히 발생하는 '모드 붕괴(mode collapse)' 현상에 대한 설명으로 가장 적절한 것은?

생성자가 판별자를 속이기 쉬운 소수의 비슷한 샘플만 반복해서 만들어내며, 실제 데이터가 가진 다양성을 표현하지 못하게 되는 현상이다.판별자의 정확도가 항상 100퍼센트에 도달하는 이상적인 현상이다.생성자와 판별자의 학습 속도가 완전히 똑같아지는 현상이다.학습 데이터셋의 크기가 저절로 줄어드는 현상이다.

문제 9

문제 94지선다

GAN 훈련이 다른 신경망 학습보다 불안정하다고 여겨지는 이유로 가장 적절한 것은?

생성자와 판별자가 서로의 학습 상태에 따라 목표가 계속 바뀌는 이동 목표(moving target) 상황에서 균형을 맞춰야 하기 때문이다.GAN은 역전파 알고리즘을 사용하지 않기 때문이다.GAN은 항상 손실 함수 없이 학습되기 때문이다.GAN은 미니배치를 전혀 사용할 수 없기 때문이다.

문제 10

문제 104지선다

DCGAN(Deep Convolutional GAN)이 기본 GAN 구조에 도입한 변화로 가장 적절한 것은?

생성자와 판별자에 완전연결층 대신 합성곱·전치합성곱(transposed convolution) 층을 주로 사용해 이미지 생성 품질과 학습 안정성을 높였다.판별자를 완전히 제거하고 생성자만으로 학습하도록 구조를 바꾸었다.역전파 알고리즘을 순전파로 대체하였다.손실 함수를 전혀 사용하지 않는 학습 방식을 도입하였다.

영역 3: 전이학습·미세조정 (11–14)

문제 11

문제 114지선다

전이학습(transfer learning)의 기본 아이디어로 가장 적절한 것은?

대규모 데이터로 미리 학습된(pretrained) 모델의 표현을 다른 관련 문제에 재사용해, 적은 데이터로도 좋은 성능을 얻으려는 접근이다.모델을 처음부터 무작위 초기화된 상태로만 학습해야 한다는 원칙이다.한 번 학습된 모델은 다른 어떤 데이터에도 절대 재사용할 수 없다는 원칙이다.전이학습은 반드시 이미지 데이터에만 적용할 수 있는 기법이다.

문제 12

문제 124지선다

특징 추출기(feature extractor)로 전이학습을 활용하는 방식에 대한 설명으로 가장 적절한 것은?

사전학습된 모델의 앞쪽 층 가중치는 고정(freeze)한 채, 마지막 분류층만 새로운 데이터에 맞게 새로 학습시킨다.사전학습된 모델의 모든 가중치를 처음부터 무작위로 다시 초기화한다.사전학습된 모델의 마지막 층만 고정하고 나머지 모든 층을 새로 무작위 초기화한다.특징 추출기 방식은 새로운 데이터가 아주 많을 때만 사용할 수 있다.

문제 13

문제 134지선다

전체 미세조정(full fine-tuning)과 특징 추출기 방식을 비교한 설명으로 옳지 않은 것은?

전체 미세조정은 사전학습된 모델의 모든 층의 가중치를 새로운 데이터에 맞춰 추가로 갱신한다.전체 미세조정은 일반적으로 특징 추출기 방식보다 더 큰 학습률을 사용해야 사전학습된 정보를 보존할 수 있다.새로운 데이터셋이 사전학습에 쓰인 데이터와 비슷하고 데이터 양이 적을 때는 특징 추출기 방식이 과적합 위험을 줄이는 데 유리할 수 있다.전체 미세조정은 특징 추출기 방식보다 학습해야 할 파라미터 수가 더 많다.

문제 14

문제 144지선다

CNN 기반 사전학습 모델을 새로운 이미지 분류 문제에 전이학습으로 적용할 때 흔히 취하는 절차로 가장 적절한 것은?

원래 모델의 마지막 분류층(출력 클래스 수에 맞춘 층)을 새로운 클래스 수에 맞게 교체하고, 문제 상황에 따라 일부 또는 전체 층을 새 데이터로 재학습한다.입력 이미지의 크기와 채널 수를 사전학습 모델과 다르게 바꾸어도 항상 아무 문제 없이 작동한다.사전학습 모델의 합성곱 필터 개수를 반드시 절반으로 줄여야 전이학습을 적용할 수 있다.전이학습을 적용하려면 새로운 데이터셋의 클래스 수가 원래 모델과 반드시 같아야 한다.

영역 4: 평가지표 계산과 해석 (15–22)

어느 이진 분류 모델을 100개의 테스트 데이터에 적용해 다음과 같은 혼동행렬(confusion matrix)을 얻었다.

구분	예측: 양성	예측: 음성
실제: 양성	TP = 40	FN = 20
실제: 음성	FP = 10	TN = 30

문제 15

문제 154지선다

위 혼동행렬에서 이 모델의 정확도(accuracy)는 얼마인가?

0.700.800.600.50

문제 16

문제 164지선다

위 혼동행렬에서 이 모델의 정밀도(precision)는 얼마인가?

0.800.6670.700.40

문제 17

문제 174지선다

위 혼동행렬에서 이 모델의 재현율(recall, 민감도)은 약 얼마인가?

0.6670.800.750.333

문제 18

문제 184지선다

문제 16, 17의 정밀도 0.80과 재현율 0.667을 이용할 때, 이 모델의 F1 점수는 약 얼마인가?

0.7270.7330.800.667

문제 19

문제 194지선다

정밀도와 재현율의 관계, 그리고 F1 점수를 사용하는 이유에 대한 설명으로 옳지 않은 것은?

정밀도와 재현율은 서로 완전히 독립적이어서, 한쪽을 높이는 임계값(threshold) 조정이 다른 쪽에 전혀 영향을 주지 않는다.분류 임계값을 낮추면 양성으로 예측하는 경우가 늘어 재현율은 높아지고 정밀도는 낮아지는 경향이 있다.F1 점수는 정밀도와 재현율 중 어느 한쪽이 극단적으로 낮을 때 이를 산술평균보다 더 크게 반영해 낮은 점수로 나타낸다.양성 클래스가 매우 적은 불균형 데이터에서는 정확도만으로 모델 성능을 평가하면 과대평가될 수 있어 정밀도·재현율·F1을 함께 살펴본다.

문제 20

문제 204지선다

ROC(Receiver Operating Characteristic) 곡선과 AUC(Area Under the Curve)에 대한 설명으로 가장 적절한 것은?

ROC 곡선은 분류 임계값을 바꿔가며 참양성비율(TPR)과 거짓양성비율(FPR)의 변화를 나타내고, AUC는 이 곡선 아래 면적으로 임계값에 관계없는 전반적인 분류 성능을 요약한 값이다.AUC는 항상 0보다 작은 값을 가지며, 값이 작을수록 더 좋은 모델이다.ROC 곡선은 회귀 문제에서만 사용할 수 있는 그래프이다.AUC가 1.0이면 모델이 모든 데이터를 무작위로 예측했다는 뜻이다.

문제 21

어떤 회귀 모델이 4개의 테스트 데이터에 대해 다음과 같이 예측했다. 실제값 y = [3, 5, 2, 7], 예측값 y_hat = [2, 5, 4, 6]이다.

문제 214지선다

이 예측 결과의 평균절대오차(MAE)와 평균제곱오차(MSE)는 각각 얼마인가?

MAE = 1.0, MSE = 1.5MAE = 1.5, MSE = 1.0MAE = 4.0, MSE = 6.0MAE = 0.5, MSE = 0.75

문제 22

문제 21과 같은 데이터에서, 실제값 y의 평균은 4.25이고 전체 편차제곱합(SS_tot)은 14.75이며, 잔차제곱합(SS_res, 즉 MSE의 합인 6)은 이미 구했다.

문제 224지선다

이 모델의 결정계수(R-squared)는 약 얼마인가?

0.5930.4071.4070.0

참고 자료

Ian Goodfellow 외, Deep Learning (Deep Learning Book) — https://www.deeplearningbook.org
scikit-learn 공식 문서(평가지표) — https://scikit-learn.org/stable/