표제지
국문초록
목차
제1장 서론 9
제2장 본론 12
제1절 관련 연구 12
1. PPG와 혈압 예측 12
2. 강건한 최적화 방법 13
제2절 방법론 제안 15
1. ConvTransformer 15
2. Robust Optimization 16
3. Time-CutMix (TC) 20
제3절 실험 22
1. 실험 환경 22
2. 실험 결과 24
제4절 이론 분석 34
1. Time-CutMix 이론 분석 34
제3장 결론 37
참고문헌 39
부록 47
영문초록 57
[표 1] 혈압 그룹 기준 및 각 그룹의 데이터 수. SBP와 DBP에 따라 그룹을 분류하였으며 그에 따른 그룹별 데이터 개수를 나타내었다. 10
[표 2] Transformer와 ConvTransformer 비교. ERM으로 동일하게 학습되었지만 ConvTransformer가 모든 기준에 대해 더 좋은 성능을 보였... 25
[표 3] 베이스라인들과 제안된 최적화 방법 비교. 가장 좋은 성능을 굵게 나타내고 두 번째로 좋은 성능은 밑줄로 표시하였다. 제안된... 26
[표 4] 50% 데이터만 사용해 학습한 베이스라인들과 제안된 최적화 방법 비교. 가장 좋은 성능은 굵게, 두 번째로 좋은 성능은 밑줄로... 29
[표 5] PPGBP 데이터셋에 대해 다양한 backbone model과 CD-REx, TC를 결합한 결과 비교. CD-REx, TC를 적용했을 때 성능 향상이 존재... 32
[그림 1] ConvTransformer 구조. 입력된 시퀀스를 차원 확장시켜 다양한 크기의 필터를 이용한 합성곱 레이어를 통해 지역 정보를 학습한... 15
[그림 2] C-REx와 D-REx.(a) C-REx는 그룹별 데이터 분포를 바탕으로 그룹 간의 학습 손실의 차이를 최소화하도록 규제한다. (b) D-REx는... 17
[그림 3] Time-CutMix. TC는 임의로 한 그룹 내의 두 시퀀스를 선택해 이어붙여 모델이 학습 도중 더 다양한 데이터를 학습하고, 그룹... 21
[그림 4] 혈압군별 MAE 오차 비교. 첫 열은 SBP MAE를 두 번째 열은 DBP MAE를 나타내며, 첫 행은 전체 데이터를 사용했을 때, 두 번째... 30
[그림 5] 혈압군별 RMSE 오차 비교.첫 열은 SBP RMSE를 두 번째 열은 DBP MAE를 나타내며, 첫 행은 전체 데이터를 사용했을 때, 두 번째... 31
[그림 6] Transformer와 ConvTransformer 간의 Gradient Norm 비교. 첫 행은 PPG 데이터이며, 두 번째 행은 해당 PPG 데이터에 대한... 33