퍼셉트론 (Perceptron)

한 줄 정의: 여러 입력값에 가중치를 곱해 더한 뒤, 그 결과가 기준을 넘으면 신호를 내보내는 인공신경망의 가장 작은 단위입니다.

쉽게 풀면

친구가 놀이공원에 갈지 말지를 정하는 상황을 생각해봅시다. "날씨가 맑은가(중요도 높음)", "돈이 있는가(중요도 높음)", "숙제가 있는가(중요도 낮음)" 같은 여러 조건을 각각 다른 비중으로 따져보고, 그 점수 합이 일정 기준을 넘으면 "간다"고 결정합니다. 퍼셉트론은 이 과정을 수학적으로 흉내 낸 것입니다. 여러 입력값(조건)에 각각 가중치(중요도)를 곱해서 더하고, 그 합이 특정 기준값을 넘으면 1(활성화), 넘지 못하면 0(비활성화)을 출력합니다. 이런 퍼셉트론을 여러 층으로 겹겹이 쌓은 것이 오늘날의 인공신경망입니다.

왜 중요한가

퍼셉트론은 오늘날 딥러닝을 지배하는 인공신경망 구조의 가장 기본이 되는 단위로, 이후 등장한 합성곱신경망이나 트랜스포머 같은 복잡한 구조도 결국 퍼셉트론과 유사한 가중합-활성화 연산을 반복적으로 쌓아 만든 것입니다. 또한 퍼셉트론의 한계(XOR 문제)와 이를 극복한 다층 구조의 역사는 신경망이 왜 여러 층으로 구성되어야 하는지를 이해하는 데 중요한 배경 지식이 됩니다.

논문에서는 이렇게 쓰입니다

"본 연구에서는 은닉층 2개로 구성된 다층 퍼셉트론(MLP) 구조를 분류 모델로 채택하였다."

이 문장은 "여러 개의 퍼셉트론을 여러 층으로 쌓아 만든 다층 퍼셉트론 신경망을 분류 문제에 사용했다"는 뜻입니다. MLP는 다층 퍼셉트론(Multi-Layer Perceptron)의 줄임말입니다.

"이미지 특징 벡터를 입력으로 받아 최종 분류를 수행하는 단순 퍼셉트론 기반 베이스라인 모델을 구성하였다."

복잡한 딥러닝 모델과 성능을 비교하기 위한 가장 단순한 형태의 비교 대상(베이스라인)으로 퍼셉트론이 쓰이는 사례이다.

"퍼셉트론 학습 규칙을 이용해 가중치를 반복적으로 갱신함으로써 선형 분리 가능한 데이터에 대한 결정 경계를 학습하였다."

퍼셉트론이 오차에 따라 가중치를 조금씩 조정해 나가는 학습 원리를 설명한 예문이다.

조금 더 깊게 보면

단일 퍼셉트론의 학습 규칙은 예측이 틀렸을 때 그 오차 방향으로 가중치를 조금씩 조정하는 방식으로 이루어지며, 이는 이후 등장한 경사하강법 기반 학습의 원형이라 할 수 있습니다. 다층 퍼셉트론에서는 각 층의 출력에 시그모이드나 ReLU 같은 비선형 활성화함수를 적용함으로써 비로소 직선 하나로는 나눌 수 없는 복잡한 패턴을 표현할 수 있게 됩니다.

주의할 점

단일 퍼셉트론 하나만으로는 직선 하나로 나눌 수 없는 복잡한 패턴(예: XOR 문제)을 학습할 수 없습니다. 이 한계를 극복하기 위해 여러 층을 쌓고 활성화 함수를 비선형 함수로 바꾼 다층 구조가 등장했으며, 이 다층 구조의 가중치를 효율적으로 학습시키는 방법이 바로 역전파입니다.