차량 사고 부상 심각도 예측을 위한 새로운 동적 배치 민감형 Adam 옵티마이저

요약

본 연구는 딥러닝 모델의 효율성을 높이기 위해 동적 배치 민감도를 활용한 새로운 옵티마이저인 Dynamic Batch-Sensitive Adam (DBS-Adam)을 제안합니다. DBS-Adam은 그래디언트 노름과 배치 손실의 지수 이동 평균에서 도출된 '배치 난이도 점수'를 사용하여 학습률을 동적으로 조절하며, 어려운 배치에는 더 많은 업데이트를, 쉬운 배치에는 적은 업데이트를 적용하여 학습 안정성과 수렴 속도를 향상시킵니다. 이 옵티마이저는 차량 사고 부상 심각도 예측 태스크에 Bi-LSTM과 결합되어 기존 최신 옵티마이저들 대비 통계적으로 유의미한 성능 개선을 입증했습니다.

핵심 포인트

• DBS-Adam은 배치 난이도 점수를 기반으로 학습률을 동적으로 조절하는 새로운 옵티마이저입니다.
• 어려운 데이터 배치를 더 많이 업데이트하고 쉬운 데이터를 적게 업데이트하여 학습 안정성을 높였습니다.
• 사고 부상 심각도 예측에 DBS-Adam과 Bi-LSTM 조합을 적용하여 높은 성능(Precision 96.11%, F1-score 95.39%)을 달성했습니다.
• 제안된 프레임워크는 불균형한 순차 데이터로부터 학습하는 실시간 사고 심각도 분류에 효과적입니다.