1. [강력추천] GIST AI 대학원 최종 합격 .hwp
2. [강력추천] GIST AI 대학원 최종 합격 .pdf

Q26.머신 러닝 모델에서 과적합인 오버피팅이 발생하는 근본적인 원인을 데이터와 모델 구조 관점에서 분석해 주십시오.
Q39. 결정 트리모델의 학습과정에서 엔트로피 감소를 뜻하는 정보 획득량의 개념을 설명해 주십시오.
Q45.시 계열 데이터나 자연어 처리에서 주로 사용되는 시퀀스 모델의 특징과 RNN 구조가 가지는 순환 메커니즘의 원리를 설명해 주십시오.
Q56. 생성 모델의 거대한 두 축인 GAN과 VAE의 철학적 차이와 데이터를 다루는 잠재공간의 해석 방식을 비교해 주십시오.
Q69.인 간의 피드백을 통한 강화 학습의 전체적인 작동 단계와 이를 통해 모델의 정렬 문제를 어떻게 해결하는지 설명해 주십시오.
Q70. 확산 모델인 Diffus ionModel이노이즈로부터 고화질 이미지를 생성해내는 역과 정의 수학적 직관을 설명해 주십시오.
Q73.CLIP 모델의 대조 학습 메커니즘이 기존의 단일 레이블이미지분류 모델과 비교하여 가지는 구조적 강점은 무엇입니까?
Q80.소형 모델이 대형 모델의 성능을 따라잡을 수 있도록 유도하는 지시 문튜닝의 개념과 이를 위한 데이터 셋 구축 원리를 설명해 주십시오.

Part2. 필수수학 및 AI 기초이론(16~40선)
저는 교수님의 연구실에 진학하기 위해 최근 3개년간 해당 연구실에서 저명학회에 발표한 논문들을 찾아 읽으며 연구 트렌드를 파악했습니다.
Q5.희망연구실에 입학한 후 구체적으로 수행하고자 하는 연구 주제와 그 주제가 가진 학술적, 산업적 가치는 무엇입니까?
대학원 과정은 장기전이기에 연구성과가 나오지 않는 슬럼프나 정체기는 필연적으로 발생할 수 있는 과정이라고 생각합니다.만약 연구 중 정체기가 찾아온다면 혼자 안고 고민하며 시간을 낭비하기보다, 제가 시도했던 실험과정과 정량적 데이터를 투명하게 정리하여 지도교수님께 공유하겠습니다.
Q13.본인이 구상한 연구 방향이 지도교수님의 비전이나 연구실 메인과제와 상충될 경우 어떻게 행동하겠습니까?
Q24.머신 러닝의 최대 우도 추정인 MLE의 개념과 이를 통해 모집단의 파라미터를 추정하는 과정을 설명해 주십시오.
최대 우도 추정은 관측된 데이터들이 나올 확률을 가장 높여주는 방향으로 모집단의 숨겨진 모수나 파라미터를 찾아내는 방법론입니다.
최대 우도 추정은 주어진 데이터만을 전적으로 믿고 파라미터를 추정하는 반면, 최대 사후 확률 추정은 파라미터 자체에 대한 연구자의 사전 지식이나 분포를 확률 연산에 포함 시킵니다.
수식적으로 사후 확률은 우도와 사전 확률의 곱에 비례하므로, 최대 사후 확률 추정은 주어진 데이터의 확률을 높이는 동시에 사전 확률분포에서도 크게 벗어나지 않는 타협점을 찾습니다.
일반 선형 회귀는 출력값이 음의 무한 대부터 양의 무한대까지 범위를 가지므로, 0과 1사이의 확률값만을 반환해야 하는 이진 분류 문제에 그대로 적용할 수 없습니다.
만약 활성화함수로 선형함수를 사용하게 되면, 신경망의 층을 아무리 깊게 쌓더라도 결국 단 하나의 선형함수로 모두 합쳐서 표현할 수 있게 되기 때문입니다.
따라서 층과 층 사이 에시그 모이드, 렐루와 같은 비선형 활성화함수를 삽입하여 공간을 뒤틀어 주어야만 딥러닝 모델이 거대한 표현력을 가지고 임의의 복잡한 함수 구조를 근사할 수 있게 됩니다.
Q42.콤볼루션 연산에서 스트라이드와 패딩의 수리적 역할은 무엇이며, 이것이 출력 피처맵의 크기와 정보보존에 어떤 영향을 미치는지 설명해 주십시오.
뎁스와이즈 세퍼러블콤 볼루션은 입력 채널 전체를 한 번에 연산하던 기존 방식을 공간적 특징을 뽑는 채널별 콤볼루션과 채널 간의 결합을 담당하는 포인트와이즈콤볼루션의 두 단계로 완전히 분리한 구조입니다.
엘에스티엠의 셀 상태와 은닉 상태를 하나의 은닉 상태 통로로 합쳤으며, 업데이트 게이트가 과거의 기억을 얼마나 유지하고 현재의 정보를 얼마나 반영할지를 동시에 선형적으로 제어합니다.
셀프어텐션은 입력 문장 내에 존재하는 모든 단어쌍 간의 상호 연관성을 동시에 계산하여, 단어 스스로가 문장 속 다른 단어들과 어떤 맥락적 관계를 맺고 있는지 스스로 학습하는 기법입니다.
Q51.셀프 어텐션 연산 과정에서 세 가지 벡터 인 쿼리, 키, 밸류의 수학적 관계와 최종 행렬이 유도되는 메커니즘을 명확히 설명해 주십시오.
먼저 현재 단어의 쿼리벡터와 문장 내 모든 단어들의 키벡터를 내적 연산하여 각 단어간의 수학적 유사도 점수를 구하게 됩니다.
트랜스포머의 셀프 어텐션 메커니즘은 문장 내의 모든 단어를 순서에 상관없이 행렬 곱으로 한 번에 묶어서 계산하므로, 단어들이 문장 내 어느 위치에 놓여 있는지에 대한 순서 정보를 구조적으로 완전히 상실하는 치명적인 구멍이 있습니다.
갠의 목적함 수는 판별자의 입장에서는 실제 데이터를 받으면 1을 출력하고 생성자가 만든 가짜 데이터를 받으면 0을 출력하여 자신의 분류 손실을 최대화하려는 목적으로 움직입니다.
반면 생성자는 자신이 만든 가짜 데이터를 판별자에게 던졌을 때 판별자가 속아서 1이라는 높은 점수를 주도록 유도하여 판별자의 손실을 최소화하려는 정반대의 방향성을 가집니다.
학습 초반에는 판별자가 가짜를 쉽게 잡아내며 생성자를 가혹하게 훈련시키고, 생성자는 판별자의 날카로운 기준을 통과하기 위해 가짜 이미지의 정밀도를 점진적으로 높여 나갑니다.
검색증강 생성기술은 거대 언어모델이 사전에 학습한 데이터의 시점 한계를 극복하고, 최신 정보나 내부 보안문서를 모델의 재학습 없이도 정확하게 반영할 수 있도록 돕습니다.
Q70. 확산 모델인 Diffus ionModel이노이즈로부터 고화질 이미지를 생성해내는 역과 정의 수학적 직관을 설명해 주십시오.
Q78. 거대 언어모델의 연산 속도를 높이기 위한 KV캐싱 기술의 원리와 이것이 대화형 인공지능 서비스의 지연시간을 줄이는 이유를 말씀해 주십시오.
Q79.시각 언어모델인 VLM 아키텍처가 이미지엔 코더와 거대 언어 모델을 결합하여 시각적 질문에 답변하는 원리를 설명해 주십시오.
바이트 페어인 코딩은 자연어텍스트를 모델이 읽을 수 있는 토큰 단위로 쪼갤 때, 단어 사전의 크기를 무한히 키우지 않으면서도 신조어나 희귀 단어를 현명하게 처리하기 위해 도입된 서브워드 토큰 화알고리즘입니다.
Q95.그래프 탐색 알고리즘인 깊이 우선 탐색과 너비 우선 탐색의 개념적 차이와, 각 알고리즘이 적합한 문제 유형을 설명해 주십시오.
동적 계획법은 하나의 거대하고 복잡한 문제를 작은 서브 문제들로 쪼갠 뒤, 작은 문제들의 정답을 조합하여 최종 큰 문제의 해결책을 도출하는 지능적인 설계 패러다임입니다.
동적 계획법과 분할정복은 모두 문제를 작은 단위로 쪼개어 해결한다는 면에서 얼핏 비슷해 보이지 만, 쪼개진 서브 문제들이 서로 독립적인지 아니면 중복되는지에 따라 길이 갈립니다.

모델, 데이터, 학습, 이다, q, 연산, 가지다, 시오, 설명, 구조, 단어, 성, 값, 위해, 수학, 이미지, 문제, 확률, 가중, 정보