🧠 주제별 논문
딥러닝을 처음 다루는 과제·발표에 반드시 필요한 기초 논문 6편을 한국어 요약과 원문 링크로 정리했습니다.
딥러닝 과제를 시작할 때 가장 흔한 실수는 최신 논문부터 읽는 것입니다. 2024년 이후 논문은 대부분 여기 정리한 여섯 편을 이미 알고 있다고 전제하고 쓰여 있어서, 기초 없이 읽으면 문장은 읽히지만 의미가 남지 않습니다.
이 페이지의 논문들은 '왜 깊은 신경망이 잘 되는가'라는 하나의 질문에 대한 서로 다른 답입니다. AlexNet은 데이터와 연산이 충분하면 된다고 답했고, ResNet은 최적화를 쉽게 만들면 된다고 답했으며, Adam·드롭아웃·배치 정규화는 학습 과정 자체를 안정시키는 방법을 제시했습니다. 마지막의 Nature 리뷰 논문은 이 흐름 전체를 조망합니다.
보고서 서론을 쓴다면 LeCun 외(2015)의 Nature 리뷰를 인용해 정의를 세우고, 본론에서 AlexNet과 ResNet으로 기술 발전을 서술하는 구성이 가장 무난합니다.
아래 목록은 제목과 한두 줄 요약으로 먼저 훑어보고, 필요한 자료만 원문으로 넘어가도록 구성했습니다. 상세 정리 보기 표시가 있는 논문은 과제용 정리 페이지가 준비되어 있습니다.
ImageNet Classification with Deep Convolutional Neural Networks
6천만 개 파라미터의 합성곱 신경망을 GPU로 학습시켜 ImageNet 이미지 분류 오류율을 기존 최고 기록 대비 큰 폭으로 낮춘 연구다. ReLU·드롭아웃·데이터 증강 조합이 이후 딥러닝 표준이 되었다.
왜 중요한가 딥러닝 시대를 연 전환점으로, 거의 모든 컴퓨터 비전 논문이 출발점으로 인용한다.
Deep Residual Learning for Image Recognition
층이 깊어질수록 성능이 나빠지는 열화(degradation) 문제를 '잔차 연결(skip connection)'로 해결하여 152층 신경망 학습을 가능하게 했다.
왜 중요한가 잔차 연결은 오늘날 트랜스포머를 포함한 거의 모든 심층 모델의 기본 부품이다.
Adam: A Method for Stochastic Optimization
기울기의 1차·2차 모멘트 추정치를 함께 사용해 파라미터마다 학습률을 자동 조절하는 최적화 알고리즘을 제안했다.
왜 중요한가 현재까지도 딥러닝 학습의 기본 옵티마이저로 가장 널리 쓰인다.
Dropout: A Simple Way to Prevent Neural Networks from Overfitting
학습 중 뉴런을 무작위로 꺼서 서로 다른 부분 신경망을 앙상블처럼 학습시키는 정규화 기법을 제안했다.
왜 중요한가 과적합 대응의 표준 기법으로, 정규화 개념을 설명할 때 반드시 등장한다.
Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
각 층의 입력 분포를 미니배치 단위로 정규화하여 학습 속도를 크게 높이고 초기값 민감도를 줄였다.
왜 중요한가 학습 안정화의 대표 기법이며 이후 LayerNorm 등 변형 연구의 기준점이다.
Deep Learning
표현 학습의 관점에서 딥러닝의 원리와 응용을 개괄한 리뷰 논문으로, 비전공자도 읽을 수 있는 수준으로 정리되어 있다.
왜 중요한가 서론에서 '딥러닝이란 무엇인가'를 인용할 때 가장 안전한 출처다.
LeCun, Bengio, Hinton의 Nature 리뷰(2015)를 권합니다. 수식이 적고 분야 전체를 조망하며, 어느 학과에서든 인용 가능한 권위를 갖습니다.
초록과 결론, 그림 캡션만 먼저 읽어도 발표 자료의 80%는 만들 수 있습니다. 이 사이트의 상세 정리 페이지는 그 순서대로 구성되어 있습니다.
아래 검색창은 전 세계 학술 데이터베이스(OpenAlex)에서 실시간으로 논문을 찾습니다.