alt

2w0311

2026년 11월 15일 공유

🚨 [시험 출제 레이더] 핵심 토픽 분석

예상 출제 순위
핵심 토픽 (주제명)
교수님 강조 수준 (상/중/하)
출제 예상 유형 (단답/계산/비교/서술)
1순위
생성형 AI 모델 비교 (GAN, Diffusion, VAR)
상
비교/서술
2순위
인공지능과 데이터 변환의 본질 (벡터 공간)
중
단답/서술
3순위
강화학습의 핵심 원리 및 오개념
중
단답/서술
4순위
오토리그레시브(VAR) 모델의 토큰화 원리
상
서술



🧠 [A+ 서술형 완벽 대비] 논리 흐름 노트

[주제명 1] 인공지능 데이터 처리의 본질 (벡터 공간 변환)

  • 출제 포인트: 인공지능이 데이터를 인식하고 생성하는 근본적인 수학적 원리 이해
  • Why (왜 도입되었나): 컴퓨터가 이미지, 텍스트 등 현실의 비정형 데이터를 계산하고 처리하기 위해 숫자의 배열로 변환할 필요가 있었음.
  • How (어떻게 작동하나): 데이터를 차원을 가진 '벡터(Vector)'로 변환하여 고차원 공간의 '한 점'으로 표현함. 생성형 AI는 결국 텍스트 공간의 한 점에서 이미지 공간의 한 점으로 변환하는 거대한 '함수(F)'의 역할을 수행함.
  • Limit/Result (한계점 및 의의): 인공지능은 절대적인 정답을 내는 것이 아니라, 확률적으로 가장 적절한 점(벡터)을 찾아내는 과정임.

[주제명 2] 강화학습 (Reinforcement Learning)

  • 출제 포인트: 강화학습의 목적이 정답 찾기가 아님을 명확히 구분할 수 있는가
  • Why (왜 도입되었나): 규칙을 명확히 설명할 수 없거나, 정답이 정해져 있지 않은 동적인 환경(예: 게임, 로봇 주행)에서 최적의 행동을 찾기 위해 등장함.
  • How (어떻게 작동하나): 규칙을 모르는 상태에서 시행착오를 거치며, 행동에 대한 '보상(Reward)'과 '패널티'를 통해 보상을 최대화하는 방향으로 확률 분포를 스스로 파악함. (예: 점프해서 사과를 먹으면 보상, 가시에 찔리면 패널티를 받으며 룰을 깨달음).
  • Limit/Result (한계점 및 의의): 보상/패널티 설계가 잘못되면 목표 지점에 도달하지 못하고 발산하거나 제자리걸음을 하는 한계가 있음.

[주제명 3] GAN (Generative Adversarial Network)

  • 출제 포인트: 생성자(Generator)와 판별자(Discriminator)의 적대적 학습 원리
  • Why (왜 도입되었나): 현실에 존재할 법한 그럴싸한 새로운 데이터를 확률적으로 생성하기 위해 고안됨.
  • How (어떻게 작동하나):
  • 생성자(G): 랜덤 벡터(Latent Space, 잠재 공간)를 입력받아 가짜 이미지를 만듦. 판별자를 속이는 것(D가 1을 출력하게 만드는 것)이 목표.
  • 판별자(D): 입력된 이미지가 실제(Real)인지 가짜(Fake)인지 확률로 판별함. 진짜는 1, 가짜는 0에 가깝게 출력하는 것이 목표.
  • 이 둘이 위조지폐범(G)과 경찰(D)처럼 서로 경쟁하며 성능을 높임. Conditional GAN은 여기에 '텍스트 설명(조건)'을 추가하여 특정 조건에 맞는 이미지를 생성하게 함.
  • Limit/Result (한계점 및 의의): 세상에 존재하는 특정 사진을 똑같이 복사하는 것이 아니라, 현실에 존재할 확률이 높은 분포를 가진 이미지를 생성해 냄.

[주제명 4] Diffusion Model

  • 출제 포인트: 노이즈를 추가하고 제거하는 역발상적 생성 원리
  • Why (왜 도입되었나): 물리학의 확산 이론을 도입하여 더 고품질의 이미지를 생성하기 위해 등장.
  • How (어떻게 작동하나): 원본 이미지에 정규분포(Gaussian)를 따르는 노이즈를 점진적으로 추가하여 완전히 파괴함. AI 모델은 이 과정에서 **"어떤 확률 분포의 노이즈가 추가되었는지"를 예측(추정)**하도록 학습함. 생성 시에는 순수한 랜덤 노이즈에서 시작해, 예측된 노이즈를 점진적으로 빼면서(De-noising) 이미지를 복원/생성함.
  • Limit/Result (한계점 및 의의): 텍스트와 결합하여(Stable Diffusion) 텍스트에 맞는 노이즈 제거 방향을 설정할 수 있음. 하지만 확률적 과정이므로 매번 결과가 달라짐.

[주제명 5] Visual AutoRegressive (VAR) Model

  • 출제 포인트: 이미지를 LLM처럼 토큰화하여 생성하는 최신 트렌드
  • Why (왜 도입되었나): 기존 GAN이나 Diffusion은 이미지를 통째로(연속적인 값으로) 생성하여 경계선(특히 글자)이 뭉개지는 문제가 있었고, LLM 구조와 완벽히 호환되지 않았음.
  • How (어떻게 작동하나): 이미지를 압축한 뒤, 연속적인 색상 값이 아닌 이산적인 '토큰(Token)'으로 변환함. LLM이 이전 단어를 보고 다음 단어를 예측하듯, 작은 해상도의 토큰 배열에서 시작해 점진적으로 스케일을 키워가며(1x1 -> 2x2 -> 4x4) 다음 토큰을 예측하여 이미지를 생성함. 이때 '코드북(Codebook)'을 참조하여 숫자를 특정 정보로 매핑함.
  • Limit/Result (한계점 및 의의):
  • 장점: 글자나 객체의 경계선이 매우 명확해짐. LLM 구조에 자연스럽게 통합 가능.
  • 단점: 연속적인 색상을 하나의 토큰으로 압축하므로 미세한 표현이 손실될 수 있으며, 초기 토큰을 잘못 선택하면 뒤이어 생성되는 결과가 완전히 망가질 수 있음.

⚔️ [필수 암기] 헷갈리는 개념 비교

비교 항목
GAN
Diffusion Model
VAR (AutoRegressive)
핵심 원리
생성자와 판별자의 적대적 경쟁
노이즈 점진적 추가 및 노이즈 예측/제거
이미지를 토큰화하여 LLM처럼 순차적/스케일업 예측
학습 목표
판별자를 속일 수 있는 데이터 분포 생성
추가된 가우시안 노이즈 값 추정
코드북을 참조하여 다음 토큰(스케일) 예측
특징/장단점
학습이 까다로우나 직관적임
고품질 생성 가능, 계산량 많음
글자/경계선이 뚜렷하나 초기 토큰 오류 시 파급 큼
⚠️ [출제자의 함정 주의!]



🎯 [실전 모의고사] 교수님 맞춤형 하드코어 훈련

[섹션 1: 단답 및 개념 확인형 (5문항)]
  • Q1. GAN의 생성자(Generator)에 입력되는 랜덤한 값으로, 결과물이 나올 수 있는 잠재성을 가진 벡터를 무엇이라고 부르는가?
  • Q2. 디퓨전 모델(Diffusion Model)이 이미지를 생성하기 위해 학습하는 핵심 대상은 원본 이미지가 아니라 ( 빈칸 )을/를 추정하는 것이다.
  • Q3. 기계학습에서 이미지나 텍스트 같은 데이터를 다루기 위해 고차원 공간의 한 점으로 변환하는 것을 무엇이라고 하는가?
  • Q4. 최근 이미지 생성에 LLM의 원리를 도입하여, 연속적인 픽셀 값을 이산적인 숫자로 매핑해 저장해 두는 사전을 무엇이라고 하는가?
  • Q5. 강화학습은 정답을 맞추는 것이 아니라, 시행착오를 거쳐 ( 빈칸 )을/를 최대화할 수 있는 전략을 발견하는 것이다.
[섹션 3: 서술형 및 논술형 (3문항)]
  • Q1. 교수님의 강의에 따르면, 인공지능이 텍스트를 입력받아 이미지를 생성하는 과정은 수학적으로 어떻게 설명될 수 있는지 '벡터 공간'과 '함수'의 개념을 사용하여 서술하시오.
  • Q2. GAN(Generative Adversarial Network)의 학습 원리를 위조지폐범과 경찰의 비유를 들어 설명하고, 최종적으로 생성자가 도달하고자 하는 목표(확률 분포 관점)를 서술하시오.
  • Q3. VAR(Visual AutoRegressive) 모델이 기존 이미지 생성 모델(GAN, Diffusion)과 구별되는 가장 큰 구조적 특징(토큰화)을 설명하고, 이로 인해 얻을 수 있는 장점과 발생할 수 있는 단점을 각각 1가지씩 서술하시오.
<details>
<summary></summary>
[섹션 1 정답]
  1. Latent Vector (잠재 벡터)
  1. 추가된 노이즈 (가우시안 노이즈)
  1. 임베딩 (Embedding) / 벡터화
  1. 코드북 (Codebook)
  1. 보상 (Reward)
[섹션 3 모범 답안 및 채점 기준]
  • A1: 인공지능은 텍스트와 이미지를 각각의 특징을 담은 고차원 벡터 공간의 한 점으로 변환합니다. 따라서 텍스트로 이미지를 생성하는 것은 텍스트 공간의 한 점을 입력받아, 복잡한 행렬 연산(함수 F)을 거쳐 이미지 공간의 대응하는 한 점으로 변환(매핑)하는 과정입니다. (핵심 키워드: 벡터 공간, 한 점, 함수/변환)
  • A2: 생성자(위조지폐범)는 판별자를 속이기 위해 가짜 데이터를 만들고, 판별자(경찰)는 진짜와 가짜를 구별하도록 적대적으로 경쟁하며 학습합니다. 최종 목표는 특정 원본 이미지를 똑같이 베끼는 것이 아니라, 생성된 이미지의 확률 분포가 현실에 존재하는 데이터의 확률 분포에 근접하게 만드는 것입니다. (핵심 키워드: 적대적 경쟁, 판별자를 속임, 확률 분포 근접)
  • A3: VAR 모델은 이미지를 연속적인 픽셀 값이 아닌, LLM처럼 이산적인 '토큰(Token)'으로 변환하고 코드북을 참조해 순차적으로(스케일을 키워가며) 생성합니다. 장점은 객체나 글자의 경계선이 명확해지고 LLM 구조에 쉽게 통합된다는 점이며, 단점은 연속적인 색상 등 미세한 표현이 손실될 수 있고 초기 토큰 예측이 틀리면 연쇄적인 오류가 발생한다는 점입니다. (핵심 키워드: 토큰화/이산적, 글자/경계선 명확, 초기 토큰 오류 파급)
</details>



⚡ [시험 직전 5분 컷] 벼락치기 요약 암기장

  1. AI의 본질: 데이터는 벡터 공간의 '점'이며, AI는 점을 다른 점으로 변환하는 거대한 '함수'다.
  1. 강화학습: 정답 찾기가 아님! 보상과 패널티를 통해 최적의 확률 분포(전략)를 찾는 과정이다.
  1. GAN: 생성자(Latent Vector 입력)와 판별자의 경쟁. 목표는 현실 세계의 확률 분포를 모사하는 것!
  1. Diffusion: 이미지를 노이즈로 파괴한 뒤, **"어떤 노이즈가 들어갔는지 추정"**하여 빼내는(De-noising) 방식으로 이미지를 복원/생성한다.
  1. VAR (Autoregressive): 이미지를 LLM처럼 **'토큰(Token)'**으로 쪼개고 **'코드북'**을 쓴다. 글자 경계선이 뚜렷해지는 장점이 있지만, 초기 선택이 틀리면 망가진다.
공개 노트 모두 보기