[MIT AI Lecture: Deep Learning 19] 전이 학습을 넘어선 차세대 패러다임: StyleGAN부터 MAML까지 AI 성능을 극대화하는 Data++ 아키텍처

00:00 Data++와 메타 학습: 전이 학습의 차세대 패러다임 소개
01:58 데이터를 '목록'이 아닌 '연속적인 지형'으로 바라보는 새로운 멘탈 모델
03:32 보간, 조작, 합성, 최적화를 포함하는 Data++의 잠재 공간 매핑 아키텍처
04:24 픽셀 기반 선형 보간의 한계와 잠재 공간 보간의 필요성
05:40 StyleGAN의 W-Space를 통한 매끄러운 다형체 탐색과 통제
07:44 단 1장의 이미지를 활용한 고효율 의미론적 라벨링 (DatasetGAN)
09:35 잠재 차원 조작을 통한 데이터 편향 발견 및 AI의 설명 가능성 확보
11:40 의료 영상 시각화 및 카운터팩추얼 변형을 통한 고위험 도메인의 신뢰 구축
13:04 표준 증강을 넘어선 잠재 뷰 증강(Latent View Augmentation)의 진화
13:44 충실도와 다양성 사이의 균형 및 분류의 철학적 경계선 탐구
15:44 데이터(입력)의 최적화에서 학습자 자체의 최적화로 패러다임 확장
17:05 이중 루프 SGD를 통한 MAML 알고리즘과 최적의 메타 초기값 탐색
19:15 지형 공간적 사전 지식 주입을 통한 실용적 메타 학습과 연산 비용 극복
20:44 대규모 언어 모델의 인컨텍스트 학습과 시퀀스 모델링의 본질
23:01 전이 학습 패러다임의 통합적 진화 요약 및 미래를 위한 철학적 제언