본 논문에서는 기존의 연구에서 시도되었던 것과는 달리, 복잡하고 추출하기가 어려운 다양한 형태의 자질 및 단서 정보가 필요 없는 합성곱 구문 트리 커널 기반의 단백질 간 상호작용 추출 기법을 소개한다. 이 기법의 특징은 단백질 이름 쌍을 포함한 상호작용 포함 후보 문장에 대한 구문 트리만을 이용하여 추출을 시도한다는 것이며 부가적인 자질이나 커널 함수가 불필요하다는 장점이 있다. 이를 기반으로 본 논문의 연구 성과는 다음과 같다. 첫째, 단백질 간 상호작용 추출에 있어서 구문 트리 커널을 적용할 경우 불필요한 문맥 정보를 효과적으로 제거하는 구문 트리 가지치기 작업이 필수적임을 기존 연구 결과와의 성능 비교로써 증명한다. 둘째, 동일한 학습 조건에서 구문 트리 커널의 소멸 인자(decay factor)는 평활 인자(smoothing factor)로서 중요한 역할을 하며, 성능 변화의 핵심 요소임을 보인다. 특히 학습 집합의 규모에 따라서 소멸인자가 성능에 미치는 영향력이 상이한 패턴으로 나타남을 제시하였다. 결론적으로 기존의 최신 연구결과로서 주장한 "단일 커널보다 혼합 커널의 성능이 더 뛰어나다"라는 가설이 항상 성립하는 것은 아니라는 것을 합성곱 구문 트리 커널 단독으로 적용하여 높은 성능을 나타냄으로써 보여주었다. 동일한 조건으로 수행한 실험에서 기존의 두 연구 결과에 비해 19.8%, 14%의 성능 개선을 나타내었다.

소프트웨어 제품의 시장 경쟁력을 향상시키기 위해서는 이해관계자의 요구사항에 부합하는 품질을 제공하는 동시에 개발 예산 내에 개발 가능한 아키텍처를 획득할 수 있는 방안이 요구된다. 하지만 아키텍처의 품질 검토 및 선정을 위해 사용되는 기존 아키텍처 평가 기법은 아키텍처 설계를 통해 획득 가능한 품질속성에만 초점을 맞추고 있어 아키텍처가 개발 비용에 미치는 영향을 체계적으로 고려하지 않는다. 본 논문에서는 소프트웨어 비용 추정 모델인 COCOMO II를 적용한 아키텍처 비용 추정 기법을 제안하여 기존 아키텍처 평가와 병행 가능한 비용 분석을 통해 기존 아키텍처 평가 기법을 보완하며 품질과 비용이 함께 고려된 아키텍처 선정을 지원한다. 제안 기법의 정확성 검증을 위해 본 논문의 기법을 RPS (Robot Patrol System)의 아키텍처 후보 목록에 적용한 뒤 비용 추정 결과를 각 아키텍처 후보의 실측 공수와 비교하였다.

조명반사 문제는 영상 분석에서 흔히 존재하는 문제점이며, 영상 분석에서 필요로 하는 주요 특징들을 검출하는 데 많은 어려움을 야기한다. 특히 이러한 문제점은 야간이나 우천 시에 더욱 두드러지는 것으로 알려졌다. 본 논문에서는 조명 반사에 의해 특징 분석이 어려운 영역에서 조명 반사를 제거하거나 반사되지 않은 상태로 복원하는 것을 목표로 한다. 본 논문에서는 다중 영상에서 획득된 다중 기하정보를 이용한 3차원 공간 분석과 기하학적 접근을 시도한다. 이러한 방법들에서 얻어진 정보들을 바탕으로 조명 반사가 이루어지는 영상들을 조합하여 조명 반사를 제거하는 방법을 제안한다. 조명 반사 영역을 제거하기 위하여 영상 내에서 조명 및 반사영역을 수직 히스토그램의 국부 최대값을 이용하여 추출한다. 이 후, 각 영상 내에서 도로 표면에 해당하는 영역을 추출하기 위해서 필요한 기본 행렬과 상동 관계 행렬을 다중 영상들의 대응점들을 분석하여 계산한다. 이렇게 얻어진 각 영상들의 도로표면을 기준 영상에 배치하여, 양쪽 영상에서 조명 반사가 상대적으로 적은 영역을 선택하는 방법을 취한다. 이러한 과정에 의하여 중복되지 않는 도로표면의 반사는 효과적으로 감소되었으며 도로가 가지고 있는 고유한 정보 또한 손실되지 않았다. 수집된 데이터를 이용하여 실험한 결과는 계산 속도에 비하여 뛰어난 성능을 보여주었으나 기하학적 공통 영역 부분의 복원은 상대적으로 부족한 것으로 판단되었다.

본 논문에서는 MR 영상에서 밝기값 분포와 기울기 정보를 이용한 전립선 자동 분할 기법을 제안한다. 첫째, 적응적 밝기값 프로파일과 다해상도 기법을 이용하는 활성형상모델을 통해 전립선 표면을 추출한다. 둘째, 표면 형상의 지역적 최적화로 인한 흘을 방지하기 위하여 기하학 정보를 이용한 흘 제거 기법을 수행한다. 셋째, 해부학적으로 변이가 큰 표면 형상은 2차원 기울기 정보를 이용하여 보정한다. 이때, 보정된 표면 형상은 한정된 정점의 개수로 산정되어 매끄럽게 표현되지 않기 때문에 표면재구성 및 평활화 기법을 이용하여 부드러운 형상으로 표현한다. 제안방법의 평가를 위하여 육안평가와 정확성 평가 그리고 수행시간을 측정하였다. 정확성 평가는 두 명의 임상전문의의 수동분할 결과와 자동분할 결과 간의 평균거리차이와 중복볼륨비율을 측정하였다. 실험 결과 평균거리차이는 0.3${\pm}$0.21mm 측정되었고, 중복볼륨 비율은 96.31${\pm}$2.71% 측정되었다. 20명의 환자 데이터에 대한 전체 수행시간은 평균 16초로 측정되었다.

하이퍼네트워크는 하이퍼그래프의 일반화된 모델로 학습과정에 있어 진화적 개념을 도입한 확률 그래프 기반의 기계학습 알고리즘으로서 최근 들어 여러 다양한 분야에 응용되고 있다. 그러나 하이퍼네트워크 모델은 데이터와 모델을 구성하는 하이퍼에지 간의 동등비교를 기반으로 하는 학습과정의 특성상 데이터를 구성하는 인자들이 범주형인 경우에만 학습 및 모델링이 가능하고 실수 값으로 표현된 데이터를 학습하기 위해서는 이산화 등의 전처리가 선행되어야 한다는 한계점이 있다. 하지만 데이터 전처리에 있어 이산화 하는 과정은 필연적으로 정보손실이 발생할 수밖에 없기 때문에 이는 분류 예측 모델의 성능 저하를 유발하는 원인이 될 수 있다. 이러한 기존 하이퍼네트워크 모델의 한계점을 극복하기 위해 본 연구에서는 별도의 데이터 전처리 과정을 거치지 않고 실수 인자로 구성된 데이터의 패턴 학습이 가능한 개선된 하이퍼네트워크 모델을 제안한다. 여러 실험 결과를 통해 제안한 하이퍼네트워크 모델은 기존 하이퍼네트워크 모델에 비해 실수형 데이터에 대한 학습 및 분류 결과 성능이 향상되었을 뿐 아니라, 다른 여러기계학습 방법들에 비해서도 경쟁력 있는 성능이 나타남을 확인하였다.

본 논문에서는 영어 회화 교육을 위한 예제 기반 대화 시스템에 대해 논한다. 기존의 획일적인 멀티미디어 영어 학습에서 벗어나 자연어 처리 및 대화 기술을 이용하여 지능적인 일대일 영어 회화 교육 제공을 목적으로 한다. 본 시스템은 미숙한 학습자 발화를 이해할 수 있으므로 불완전한 언어 구사 능력으로도 대화를 참여할 수 있는 체험형 학습을 제공한다. 이를 통해 학습자에게 영어를 배우려는 흥미로운 동기를 부여한다. 또한 학습자의 표현력 향상을 위한 교육적인 도움 기능을 갖추고 있다. 이를 위해 우리는 학습자의 미숙한 표현을 이해하는 담화 상황 고려 발화의도 인식 모델, 도메인 확장성이 뛰어난 예제 기반 대화 관리 모델, 교육 및 평가 기능을 개발하였다. 실험 결과 학습자의 발화에 에러가 많아도 높은 발화의도 인식 성능을 보였으며 대화 상황에 적합한 피드백을 제공하여 학습자가 회화 연습을 끝까지 마치도록 도와 교육 효과에 이바지함을 알 수 있었다.

블로그는 웹과 로그의 합성어로, 개개인의 생각이나 관심사 등을 일기처럼 기록할 수 있는 웹 서비스이다. 블로그에는 문자 외에, 그림이나 비디오 파일 등 다양한 컨텐츠를 올릴 수 있다. 일반적으로 블로그의 포스트는 시간상의 역순으로 정렬되어 표현된다. 블로그 검색 엔진은 웹 검색 엔진처럼 블로그를 대상으로 사용자의 질의에 따라 정보를 찾아주는 서비스이다. 블로그 검색 엔진은 때때로 만족스럽지 못한 결과를 내곤 하는데, 이것은 스플로그라고 불리는 블로그 스팸에 의해 발생한다. 스플로그는 다른 블로그나 웹 페이지를 무단 도용하거나 자동으로 생성된 컨텐츠로 구성된 스팸 포스트를 가지고 있다. 스플로그는 검색 엔진의 검색 순위를 높이거나, 회원 가입 사이트로 보다 많은 사람들을 유치하기 위해 사용된다. 본 논문은 스플로그 탐지를 목적으로 한다. 본 논문에서 제안하는 스플로그 탐지 기법은 블로그 포스트의 구조 유사성과 일일 포스트 발행수에 따른 분석으로 토대로 이루어진다. 본 논문에서 제안하는 기법을 바탕으로 한 실험의 결과, 스플로그 탐지에 있어 90% 이상의 높은 정확도를 가지며, 만족할만한 수준을 보여준다.

불확실성 데이터베이스의 의미론 정의는 보통 주어진 불확실성 데이터베이스를 여러 개의 관계형데이터베이스로 변환하는 산술적 접근방법을 취한다. 이 논문에서는 불확실성데이터베이스를 논리이론으로 변환하는 논리적 접근방법을 통해서 불확실성 데이터베이스의 의미론을 정의하고자 한다. 본 논문에서 제안하는 의미론의 가장 특징적인 면은 기존의 논리적 접근방법에서 사용해온 명제논리 대신에 선형논리를 논리적 근간으로 이용한다는 점이다. 선형논리는 논리식을 불변진리가 아닌 소비가능한 자원으로 해석하기 때문에 불확실성 데이터베이스의 의미론을 정의하는데 적합하다. 본 논문의 핵심 결과는 선형논리에 기반한 불확실성 데이터베이스의 의미론이 산술적 접근방식에서 설명하는 불확실성 데이터베이스의 의미론과 동등하다는 것이다.

본 논문은 비교마이닝(comparison mining)의 일환인 비교 문장 유형 자동 분류에 관하여 연구한다. 비교마이닝은 텍스트 마이닝의 한 분야로서 대용량의 텍스트를 대상으로 비교 관계를 분석하며, 크게 세 단계의 과정을 거치게 되는데 첫 번째 단계는 대용량의 문서에서 비교 문장만을 식별 후 추출해 내는 과정이고, 두 번째 단계는 추출된 비교 문장들을 비교 유형별로 분류하는 과정이며, 앞의 두 선행 과정이 끝나면 유형별로 비교 속성을 추출 및 비교 관계를 분석하는 세 번째 단계를 수행하게 된다. 본 연구에서는 변환 기반 학습(transformation-based learning) 기법을 이용하여 비교 문장들을 일곱 가지의 유형으로 자동 분류하는 두 번째 과제를 수행한다. 자연어 처리 분야 여러 부문에서 사용되고 있는 변환기반 학습은 오류를 감소시키는 최적의 규칙을 자동으로 생성하여 정답을 찾아가는 규칙 기반 학습 방법이다. 웹상의 다양한 도메인에서 추출된 비교 문장들을 대상으로 유형 분류를 수행한 결과 정확도 80.01%의 성능으로 일곱 가지 유형을 분류할 수 있었다.