그래서 딥러닝 관련 이야기를 나눌 때면, 나는 그냥 입을 다물고 있는게 낫다.

시계열 분석 방법론 중에 X11과 X11-ARIMA라는 것이 있는데, 시계열 데이터가 갖고 있는 성분들을 분해해서 분석하는 방법 중 하나이다.
이 방법이, 1992년 즈음에는 타당성(rationale)이 증명되지 않았기 때문에, 통계학자들에게 주구장창 까였다고 한다. 1992년에 쓰여진 책에 쓰여진 내용이어서, 지금은 어떤지 모르겠다. (참고로 내가 알기로, X12, X12-ARIMA도 있고, X13도 있는데, 아마 X11이 발전한게 아닐까 싶다. 근데 수업시간에 다루는건 못봤다. 여전히 타당하지 못하다는걸까?)
이 X11, X12, X13이 경제학자들이 만든건데, 그들 나름대로는 경제학적 현상이 이 모델에 맞아떨어진다고 생각했기 때문에 각광을 받던 것이었을거다.
.
딥러닝도 그냥 그렇게 받아들이면 된다고 본다. 통계학자들에게 까일 때는 까이더라도, 자기들 나름대로의 "컴퓨터 비전 분야 하에서 잘 맞아떨어지게 된 현상", "linguistic analysis 분야 하에서 잘 맞아떨어지게 된 현상" 등등을 잘 설명할 수 있다고 이해된다면 우직하게 밀고 나갈 수 있다고 생각한다.
.
솔직히 이건, 내가 너무 비판적인 면을 많이 드러내놓아서, 조금 미안한 마음이 생겨서 하는 말이다.
나는 막 이해도 못하는걸 이유도 없이 깎아내리거나 하는 이상한 사람이 아닌데, 왠지 너무 비판만 해서 그런지, 그렇게 비출 것 같다는 노파심이 들기 때문이다.
.
물론 내가 보기에는 여전히 설명이 충분치 않게 느껴진다.
아마 많은 이들도 설명이 부족하다는 데에는 공감하고 있어서 시각화 방법론이 중요하다거나 하는 이야기를 하는데,
사실 내 접근방법은 시각화는 부차적인거고, synthetic data를 도입한다거나, 분포 가정을 붙여본다거나, non-parametric한 접근을 한다는 식이어서, 같은 곳을 바라보지 못하고 있다.
.
그래서 딥러닝 관련 이야기를 나눌 때면, 나는 그냥 입을 다물고 있는게 낫다. 여차하면 싸움날 수 있으니까.
.
내 나름의 방식으로 논문을 쓰던지 하는 방식이 제일 스마트한 방식인데, 그렇게 생각해보니 내 몸이 한 개 더 있었으면 좋겠다.