• 한국정보과학회논문지:소프트웨어및응용
• /
• 제35권9호
• /
• pp.572-587
• /
• 2008

SOFM(Self-organizing Feature Map)은 고차원의 데이타를 군집화(clustering)하거나 시각화(visualization)하기 위해 많이 사용되고 있는 비교사 학습 신경망(unsupervised neural network)의 한 종류이며, 컴퓨터비전이나 패턴인식 분야에서 다양하게 활용되고 있다. 최근 SOFM이 실제 응용분야에 다양하게 활용되고 좋은 결과를 보이고 있지만, 학습된 SOFM의 뉴론(neuron)을 다시 군집화해야 하는 후처리가 필요하며, 대부분의 경우 수동으로 이루어지고 있다. 후처리를 자동으로 하기 위해 k-means와 같은 기존의 군집화 알고리즘을 많이 이용하지만, 이 방법은 특히 다양한 모양의 클래스를 가진 고차원의 데이타에서 만족스럽지 못한 결과를 보인다. 다양한 모양의 클래스에서 좋은 성능을 보이기 위해, 본 논문에서는 그래프 컷(graph cut)을 이용하여 학습된 SOFM을 자동으로 군집화하는 방법을 제안한다. 그래프 컷을 이용할 때 터미널(terminal)이라는 두 개의 추가적인 정점(vertex)이 필요하며, 터미널과 각 정점 사이의 가중치는 대부분 사용자에 의해 입력받은 사전정보를 기반으로 설정된다. 제안된 방법은 SOFM의 거리 매트릭스(distance matrix)를 기반으로 한 모드 탐색(mode-seeking)과 모드의 군집화를 통하여 자동으로 사전정보를 설정하며, 학습된 SOFM의 군집화를 자동으로 수행한다. 실험에서 효율성을 검증하기 위해 제안된 방법을 텍스처 분할(texture segmentation)에 적용하였다. 실험 결과에서 제안된 방법은 기존의 군집화 알고리즘을 이용한 방법보다 높은 정확도를 보였으며, 이는 그래프기반의 군집화를 통해 다양한 모양의 클러스터를 처리할 수 있기 때문이다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.173-198
• /
• 2020

최근 온라인의 비약적인 활성화로 캠페인 채널들이 다양하게 확대되면서 과거와는 비교할 수 없을 수준의 다양한 유형들의 캠페인들이 기업에서 수행되고 있다. 하지만, 고객의 입장에서는 중복 노출로 인한 캠페인에 대한 피로감이 커지면서 스팸으로 인식하는 경향이 있고, 기업입장에서도 캠페인에 투자하는 비용은 점점 더 늘어났지만 실제 캠페인 성공률은 오히려 더 낮아지고 있는 등 캠페인 자체의 효용성이 낮아지고 있다는 문제점이 있어 실무적으로 캠페인의 효과를 높이고자 하는 다양한 연구들이 지속되고 있다. 특히 최근에는 기계학습을 이용하여 캠페인의 반응과 관련된 다양한 예측을 해보려는 시도들이 진행되고 있는데, 이 때 캠페인 데이터의 다양한 특징들로 인해 적절한 특징을 선별하는 것은 매우 중요하다. 전통적인 특징 선택 기법으로 탐욕 알고리즘(Greedy Algorithm) 중 SFS(Sequential Forward Selection), SBS(Sequential Backward Selection), SFFS(Sequential Floating Forward Selection) 등이 많이 사용되었지만 최적 특징만을 학습하는 모델을 생성하기 때문에 과적합의 위험이 크고, 특징이 많은 경우 분류 예측 성능 하락 및 학습시간이 많이 소요된다는 한계점이 있다. 이에 본 연구에서는 기존의 캠페인에서의 효과성 제고를 위해 개선된 방식의 특징 선택 알고리즘을 제안한다. 본 연구의 목적은 캠페인 시스템에서 처리해야 하는 데이터의 통계학적 특성을 이용하여 기계 학습 모델 성능 향상의 기반이 되는 특징 부분 집합을 탐색하는 과정에서 기존의 SFFS의 순차방식을 개선하는 것이다. 구체적으로 특징들의 데이터 변형을 통해 성능에 영향을 많이 끼치는 특징들을 먼저 도출하고 부정적인 영향을 미치는 특징들은 제거를 한 후 순차방식을 적용하여 탐색 성능에 대한 효율을 높이고 일반화된 예측이 가능하도록 개선된 알고리즘을 적용하였다. 실제 캠페인 데이터를 이용해 성능을 검증한 결과, 전통적인 탐욕알고리즘은 물론 유전자알고리즘(GA, Genetic Algorithm), RFE(Recursive Feature Elimination) 같은 기존 모형들 보다 제안된 모형이 보다 우수한 탐색 성능과 예측 성능을 보임을 확인할 수 있었다. 또한 제안 특징 선택 알고리즘은 도출된 특징들의 중요도를 제공하여 예측 결과의 분석 및 해석에도 도움을 줄 수 있다. 이를 통해 캠페인 유형별로 중요 특징에 대한 분석과 이해가 가능할 것으로 기대된다.

• Journal of Animal Science and Technology
• /
• 제50권4호
• /
• pp.561-572
• /
• 2008

다양한 조건하에서 가축분뇨처리공정을 운전하면서 각 자동제어 인자의 반응을 분석하고 ORP, DO, pH(mV)-time profile를 이용한 자동제어 신뢰성을 평가하였다. 또한 무산소 조건에서의 잔존 유기물 및 미생물 자기산화에 의한 탈질율을 고려한 적정 외부탄소원 공급량 지표를 파악하였다. 실험은 45L의 유효용적을 지닌 실험실 규모의 SBR 공정을 이용하여 수행되었다. ORP-와 pH(mV)-, DO-time profile 상에서 완전질산화를 의미하는 NBP가 뚜렷하게 발현하던 중 NH4-N의 낮은 부하와 고농도 NOx-N 함유 폐수의 유입 및 불충분한 무산소 조건 제공이 이루어졌을 때 ORP-와 DO-time profile 상에서 NBP가 사라지기 시작하였으며 NOx-N의 지속적인 증가에 의해 ORP 값의 민감성이 둔화되기 시작하였다. 그러나 pH(mV)-time profile은 항상 일정한 변화패턴을 유지하면서 암모니아성 질소의 완전 질산화가 이루어졌을 때 뚜렷한 NBP를 발현하였다. NOx-N/NH4-N의 비가 80:1 수준까지 높아지는 조건하에서도 pH(mV)- time profile상에서의 이러한 안정적 NBP의 발현은 지속되었으며 발현되는 NBP는 MSC(Moving Slope Change)의 변화 패턴을 추적함에 의해 인식되도록 프로그램 할 수 있었다. pH(mV)-time profile에서의 NBP의 발현과 MSC를 이용한 자동제어시점 인식은 반응조내 NOx-N 농도가 무려 300mg/L 이상의 수준에서도 안정적이었다. 유기물 농도에 따른 자동제어 인자의 반응을 분석한 시험에서도 반응조내 유기물의 농도가 STOC 기준 약 10,000mg/L 수준으로 증가함에도 불구하고 pH(mV)-time profile 상에서의 이러한 NBP 발현은 지속되었으며 고농도 유기물 축적 하에서도 동일한 자동제어 알고리즘이 이용될 수 있음을 알 수 있었다. 잔존 유기물과 미생물 자기산화에 의한 탈질율은 약 0.4mg/L.hr로 분석되었으며 안전지수 0.1을 도입하여 산출된 NOx-N 기준 적정 외부탄소원 공급량은 0.83 STOC/NOx-N으로 파악되었다.

• 한국전자거래학회지
• /
• 제18권1호
• /
• pp.191-211
• /
• 2013

소셜 네트워크 서비스가 빠르게 확산되면서, 소셜 네트워크 게임 등 소셜 네트워크 서비스를 활용한 다양한 부가 서비스가 각광을 받고 있다. 소셜 네트워크 게임이 범국민적 인기를 끌고 있으나, 이러한 인기의 원인에 대한 연구는 미미한 상황이다. 본 연구에서는 사회적 존재감 이론과 매체 풍요도 이론 등 선행 연구들을 바탕으로 소셜 네트워크 게임의 요소를 각각 자기표시, 상호 식별의 두 가지 커뮤니티 요소와 매체의 생생함, 매체와의 상호작용성의 두 가지 매체 특성으로 구분하고 이들이 인지된 즐거움 등 소셜 네트워크 게임 이용 경험 및 지속 이용 의도, 지불 의도 및 충성도 등 행동 의도에 어떠한 영향을 미치는 지 실증적으로 검증하였다. 현재 소셜 네트워크 게임을 이용하고 있는 이용자들에 대한 설문조사를 통해 총 243개의 자료를 수집하였으며, PLS 알고리즘을 이용하여 분석을 진행하였다. 그 결과, 커뮤니티 요소는 사회적 존재감을 통해 인지된 즐거움에 유의한 영향을 미치며, 매체 특성 또한 인지된 즐거움에 유의한 영향을 미치는 것으로 조사되었다, 이렇게 증가된 인지된 즐거움은 지속 사용 의도, 지불 의도 및 충성도 등 소셜 네트워크 게임 이용자의 행동 의도에 영향을 미치는 것으로 나타났다. 본 연구의 결과는 소셜 네트워크 게임의 인기의 원인을 살펴본 선도적인 연구일 뿐 아니라, 각 구성 요소를 인식하고 효과를 실증적으로 살펴봄으로써 소셜 네트워크 게임 디자인이라는 실무적인 측면에서 도움을 줄 수 있을 것으로 기대한다.