딥러닝 핵심모형인 심층 신경망 (deep neural network; DNN) 모형은 입력변수와 출력변수 간 비선형 함수관계를 은닉층을 통해 모형화함으로써 다양한 분야에서 수반되는 출력변수의 예측이나 분류문제에 높은 예측력을 제공하고 있다. 하지만 DNN 모형은 출력변수가 독립인 경우에 주로 개발 되어져 왔기 때문에, 출력변수들 간 상관성 (correlation or dependency)이 있을 때 DNN을 바로 적용하는 것은 예측 성능이 크게 떨어지는 단점이 있다. 이러한 상관성은 변량효과 (random effect)를 통해 통상적으로 모형화 되지만 변량효과모형은 입·출력변수 간 함수관계가 선형성 가정하에서 주로 개발 되어져 왔다.
본 논문에서는 출력변수가 반복측정 개수 데이터 (repeated measures count data)와 같이 상관성 구조를 가지는 경우, 변량효과 및 DNN에 기반한 새로운 포아송-DNN 변량효과모형 (Poisson DNN random-effect model)을 제안한다. 제안된 모형의 추정(학습)을 위해 손실함수 (loss function)로서 음의 주변가능도 (negative marginal likelihood)에 기반한 최적화 알고리즘을 개발한다. 모의실험 및 실제 데이터 분석을 통해 제안된 방법의 타당성을 보인다. 특히 모의실험 결과에 의하면 제안된 DNN 모형은 기존의 예측모형들보다 더 높은 예측 성능을 제공함을 확인하였다.