학습자라면 각 편의 확인 문제를 먼저 풀어 본 뒤 확인하세요. 문제마다 20점, 편마다 100점 기준의 채점 포인트와 Colab 과제의 예시 답안을 실었습니다. 예시 답안의 숫자는 실행 환경에 따라 조금 다를 수 있습니다.
정답 · 합 = 1×0.8 + 0×(−0.5) = 0.8. 0.8 ≥ 0.5이므로 출력 1.
배점 20점 · 채점: 계산 과정 10점, 결과 10점
정답 · 퍼셉트론은 직선(평면) 하나로만 나눈다. 띠는 양쪽 경계가 두 개 필요해 직선 하나로 가를 수 없다. 은닉층이 경계를 여러 개 만들어 합친다.
배점 20점 · 채점: "직선 하나" 10점, "경계 두 개 필요" 10점
정답 · 과적합. 훈련 데이터를 외웠다. 대책: 데이터 더 모으기, 은닉 뉴런 줄이기, 학습을 일찍 멈추기 중 두 가지.
배점 20점 · 채점: 과적합 진단 10점, 대책 각 5점
정답 · 고정: 투사 뉴런 → 케니언 세포(무작위 희소 연결). 학습: 케니언 세포 → 출력 뉴런(도파민이 바꿈).
배점 20점 · 채점: 각 10점
정답 · 넓고 희소한 고정 표현만으로도 단순한 그림 문제는 출력층 학습으로 충분히 풀린다. 단, 표현 자체를 개선하지 못하므로 어려운 문제에서는 한계가 있다.
배점 20점 · 채점: "고정 표현으로도 충분" 10점, 한계 언급 10점
과제 · 코드 1에서 TOP(켜지는 비율)을 0.08에서 0.5로 바꾸면 훈련 정확도와 켜진 케니언 세포 수가 어떻게 바뀌는지 보고하고, 희소성이 왜 쓸모 있는지 두 문장으로 쓴다.
예시 답안 · TOP을 0.5로 올리면 케니언 세포의 절반이 켜져 서로 다른 입력의 코드가 많이 겹친다. 장난감 데이터는 쉬워 훈련 정확도는 여전히 높게 나올 수 있지만, 켜진 세포가 약 80개에서 약 500개로 늘어 기억이 서로 섞이기 쉽다. 희소한 코드는 입력마다 겹치지 않는 소수의 세포만 쓰므로 비슷한 냄새도 구별하고, 한 기억을 고칠 때 다른 기억을 덜 건드린다.
채점 포인트 · 켜진 수 변화 확인(5) · 정확도 보고(5) · 희소성의 이점 두 가지(겹침 감소, 간섭 감소)(10)
과제 · 코드 2의 MLP 은닉 크기를 8, 64, 512로 바꿔 검증 정확도를 시드 두 개로 비교한다. 과적합이 보이는지 학습 곡선(7번 칸)과 함께 해석한다.
예시 답안 · 은닉 크기를 키우면 훈련 손실은 더 빨리 내려가지만 검증 정확도는 오르지 않거나 시드에 따라 흔들린다. 예시 데이터 160개(훈련 96개)에서는 512개 은닉층이 훈련 데이터를 외우기 쉽다. 학습 곡선에서 훈련 손실과 검증 정확도의 간격이 벌어지는 시점을 짚어 과적합을 판단한다.
채점 포인트 · 세 크기 × 두 시드 결과표(8) · 학습 곡선 근거(6) · 데이터 크기와 연결한 해석(6)
정답 · 버섯체에서 꺼낸 기억 신호가 측각의 합류 뉴런(PD2a1/b1)으로 전달되어야 기억이 행동이 된다.
배점 20점 · 채점: "버섯체 → 측각" 10점, "합류 뉴런이 필요" 10점
정답 · 온도 자체가 행동을 바꿀 수 있으므로, 기억 점수가 떨어진 이유가 뉴런 차단 때문인지 온도 때문인지 가려야 한다.
배점 20점 · 채점: 대조의 목적 20점
정답 · 0.2 + 0.6 × (−1.0) = −0.4 (피함 쪽). 막으면 0.2 (본능만 남아 다가감 쪽).
배점 20점 · 채점: 각 10점
정답 · 그 뉴런이 두 경로(버섯체의 기억 신호, 먹이 냄새 투사 뉴런의 본능 신호)를 함께 받아 출력하는 공유 층이기 때문이다.
배점 20점 · 채점: "공유" 개념 20점
정답 · 본능 값이 모두 0이라 모든 클래스 점수가 같아지고, 모델이 늘 첫 클래스를 고른다. 0.09는 테스트 데이터 중 첫 클래스의 비율이다.
배점 20점 · 채점: "점수가 같아짐" 10점, "첫 클래스 비율" 10점
과제 · 코드 1에서 innate 값을 [0.0, 0.5]로 바꾸면(본능이 피함 쪽) 훈련 전·후·차단 결과가 어떻게 바뀌는지 표로 보고하고, 본능과 기억이 같은 방향일 때와 반대 방향일 때를 비교한다.
예시 답안 · innate = [0.0, 0.5]이면 훈련 전에도 본능 점수가 "피함"을 가리킨다. 처벌 훈련은 기억 쪽에서 "다가감" 점수를 낮추므로 훈련 뒤에도 피함이고, 기억 입력을 막아도 본능만으로 피함이다. 원래 설정(innate = [0.5, 0.0])에서는 차단하면 다가감으로 돌아갔다. 본능과 기억이 같은 방향이면 차단해도 행동이 그대로라 기억의 기여가 드러나지 않고, 반대 방향일 때만 차단 실험이 기억의 역할을 보여 준다.
채점 포인트 · 세 상황 결과표(8) · 원래 설정과의 비교(6) · "반대 방향일 때만 드러난다"는 해석(6)
과제 · 코드 2의 MemoryInnate에서 innate에 값을 넣어(예: 엑스 클래스에 2.0) 학습한 뒤 기억 입력을 차단한다. 차단 전후의 혼동 행렬을 비교하고, 본능이 판단을 어떻게 끌어당기는지 쓴다.
예시 답안 · innate에 엑스 클래스 2.0을 넣으면 학습 중 기억 경로가 이 끌림을 거슬러 맞추도록 바뀐다. 차단하면 본능만 남아 대부분의 그림을 엑스로 판단하므로 혼동 행렬의 엑스 열에 몰린다. 본능은 학습하지 않는 편향(bias)처럼 작동하고, 기억은 그 위의 보정이라는 점을 짚는다.
채점 포인트 · 차단 전후 혼동 행렬(8) · 엑스 열 쏠림 설명(6) · 편향 + 보정 해석(6)
정답 · 30 × 0.275 × 0.65 ≈ 5.36 mV.
배점 20점 · 채점: 식 10점, 값 10점
정답 · 문턱까지 7 mV. 7 / 0.1575 ≈ 44.4 mV. 이득 1.0이면 시냅스 약 162개, 이득 0.65면 약 249개가 동시에 필요하다.
배점 20점 · 채점: 7 mV 계산 10점, g 값 10점
정답 · 운동 직전 단계. 쓴맛 브레이크(Scapula)가 먹기 명령 경로를 막는다.
배점 20점 · 채점: "운동 직전" 20점
정답 · 200 ms 만에 틱당 스파이크가 다섯 배로 불어나고 케니언 세포가 39 Hz로 깨어나며, 생긴 억제가 손질 명령 뉴런까지 끈다(폭주).
배점 20점 · 채점: 폭주 현상 10점, 손질 명령이 꺼짐 10점
정답 · 연결의 약 4%만 학습해도 꽤 맞히지만, 표현 자체를 학습하지 못해 MLP보다 낮다. 데이터가 적어(테스트 32개) 차이가 ±0.1 흔들린다는 점도 함께 말한다.
배점 20점 · 채점: 비율 비교 10점, 한계·불확실성 10점
과제 · 코드 1에서 이득 0.65를 0.55와 0.75로 바꿔 발화한 뉴런 수와 평균 발화 빈도를 표로 보고하고, 섹션 "이득 맞추기"의 폭주와 연결해 두 문장으로 해석한다.
예시 답안 · 이득을 낮추면(0.55) 입력 하나가 더하는 전류가 줄어 발화한 뉴런 수와 평균 발화 빈도가 0.65보다 줄고, 높이면(0.75) 늘어난다. 코드 1의 작은 신경망에서도 이득이 커질수록 되먹임으로 퍼지는 발화가 빠르게 늘어난다. 모드의 수컷 신경계 전체에서는 이 증가가 폭주(틱당 스파이크 다섯 배, 케니언 세포 39 Hz)로 나타나 0.65를 골랐다.
채점 포인트 · 세 이득의 결과표(8) · 증가 방향 설명(6) · 폭주와의 연결(6)
과제 · 코드 2의 ConnectomeLIF에서 억제 뉴런 부호(−0.5)를 모두 +0.18로 바꿔(억제 제거) 다시 학습한다. 스파이크 기록(8번 칸)과 정확도를 시드 두 개로 비교하고, 억제가 신경망에서 하는 일을 쓴다.
예시 답안 · 억제를 없애면 숨은 뉴런 대부분이 더 자주, 고르게 발화해 스파이크 기록이 빽빽해진다. 입력마다 발화 패턴의 차이가 줄어 해독층이 구별할 정보가 적어지므로 정확도가 떨어지거나 시드에 따라 흔들린다. 억제는 활동을 제한해 패턴을 희소하고 구별되게 만든다(특별 1의 케니언 세포 상위 8% 규칙과 같은 역할).
채점 포인트 · 스파이크 기록 비교(6) · 두 시드 정확도(6) · 억제의 역할 해석(8)