• Journal of KIISE:Computing Practices and Letters
• /
• v.15 no.2
• /
• pp.135-139
• /
• 2009

We present a new ensemble learning method that employs the set of region experts, each of which learns to handle a subset of the training data. We split the training data and generate experts for different regions in the feature space. When classifying a data, we apply a weighted voting among the experts that include the data in their region. We used ten datasets to compare the performance of our new ensemble method with that of single classifiers as well as other ensemble methods such as Bagging and Adaboost. We used SMO, Naive Bayes and C4.5 as base learning algorithms. As a result, we found that the performance of our method is comparable to that of Adaboost and Bagging when the base learner is C4.5. In the remaining cases, our method outperformed the benchmark methods.

• Journal of KIISE:Databases
• /
• v.37 no.4
• /
• pp.177-184
• /
• 2010

In these day, many data including sensor, delivery, credit and stock data are generated continuously in massive quantity. It is difficult to learn from these data because they are large in volume and changing fast in their concepts. To handle these problems, learning methods based in sliding window methods over time have been used. But these approaches have a problem of rebuilding models every time new data arrive, which requires a lot of time and cost. Therefore we need very simple incremental learning methods. Bayesian method is an example of these methods but it has a disadvantage which it requries the prior knowledge(probabiltiy) of data. In this study, we propose a learning method based on attribute values. In the proposed method, even though we don't know the prior knowledge(probability) of data, we can apply our new method to data. The main concept of this method is that each attribute value is regarded as an expert learner, summing up the expert learners lead to better results. Experimental results show our learning method learns from data very fast and performs well when compared to current learning methods(decision tree and bayesian).

• Proceedings of the Korea Database Society Conference
• /
• 2001.06a
• /
• pp.331-341
• /
• 2001

본 논문에서는 Naive Bayes 문서 분류기를 위한 새로운 학습모델을 제안한다. 이 모델에서는 라벨이 없는 문서들의 집합으로부터 선택한 적은 수의 학습 문서들을 이용하여 문서 분류기를 재학습한다. 본 논문에서는 이러한 학습 방법을 따를 경우 작은 비용으로도 문서 분류기의 정확도가 크게 향상될 수 있다는 사실을 보인다. 이와 같이, 알고리즘을 통해 라벨이 없는 문서들의 집합으로부터 정보량이 큰 문서를 선택한 후, 전문가가 이 문서에 라벨을 부여하는 방식으로 학습문서를 결정하는 것을 selective sampling이라 한다. 본 논문에서는 이러한 selective sampling 문제를 Naive Bayes 문서 분류기에 적용한다. 제안한 학습 방법에서는 라벨이 없는 문서들의 집합으로부터 재학습 문서를 선택하는 기준 측정치로서 평균절대편차(Mean Absolute Deviation), 엔트로피 측정치를 사용한다. 실험을 통해서 제안한 학습 방법이 기존의 방법인 신뢰도(Confidence measure)를 이용한 학습 방법보다 Naive Bayes 문서 분류기의 성능을 더 많이 향상시킨다는 사실을 보인다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2003.05a
• /
• pp.329-333
• /
• 2003

최근 전문가의 지식과 경험정보가 데이터베이스로 구축된 전문가 시스템의 지식 정보를 이용하여 안전하고 효율적인 선박운항이 가능한 지능형 선박 시스템에 관한 연구가 활발하게 진행되고 있다. 인공지능기법을 이용하여 보다 인간 친화적인 시스템을 구현하고, 음성인식기술을 이용하여 원격으로 선박 조타기를 제어하여 조업자의 부담경감 및 인원절감의 효과를 가져올 수 있는 선박 조종시스템의 개발이 절실하다. 따라서, 본 논문에서는 PC를 기반으로 하여 일격으로 모형 선박의 조타기를 제어하는 시스템을 구축한다. 구체적인 연구방법으로는, 음성인식기술과 지능형 학습 기법을 바탕으로 음성지시기반학습 시스템을 구축하고, 퍼지 조타수 조작모델을 구현하여 PC 기반 원격 제어시스템을 구축한다. 또한, 구축된 원격 조타제어시스템을 축소된 선박모형(Miniature Ship) 시스템에 적용하여 그 효용성을 확인하였다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.5 no.4
• /
• pp.77-86
• /
• 1995

The new architecture that fuzzy logic control(FLC) with difficulties for tuning membership function (MF) is parallel with neural networks(NN) to be learned from the output of FLC is proposed. Therefore proposed scheme has the characteristics to utilize the expert knowledge in design process, to be learned during the operation without any learning mode. In this architecture, the function of the FLC is to supply the sliding surface which is constructed on the phase plane by rule base for giving the desired control characteristics and learning criterion of NN and the stabilization of the control performance before NN is learned, The function of the NN is to let the system trajectory be tracked to the sliding surface and reached to the stable point.

• Proceedings of KOSOMES biannual meeting
• /
• 2003.05a
• /
• pp.111-116
• /
• 2003

최근에는 전문가의 지식과 경험정보가 데이터베이스로 구축된 전문가 시스템의 정보를 이용하여 처리된 결과를 판단하여 안전하고 효율적인 선박운항이 가능하도록 한 지능형 선박에 관한 연구가 활발하게 진행되고 있다. 본 논문에서는 지능형 선박을 구현하기 위한 연구의 일환으로써, 선박의 조타기를 제어하기 위한 지능형 조타 조작 모델을 구현한다. 지능형 시스템을 구현하기 위해서 자연언어를 사용하는 인간의 학습 방법에 기초한 언어지시기반학습(LIBL)기법을 적용하고. 퍼지이론을 이용하여 승선경력이 풍부한 조타수의 경험을 조사 및 분석하여 그 결과를 바탕으로 퍼지 추론에 의해 타각을 제어하기 위한 퍼지 조타 조작 모델을 구현하여 그 효용성을 살펴보았다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.428-429
• /
• 2022

최근에 자율 주행 자동차에 관련한 관심이 증가하면서 다양한 연구들이 도출되고 있다. 특히, 자율 주행 자동차를 시뮬레이터에서 검증하는 방법은 실 환경과 비교할 때 상대적으로 안전한 성능 검증 방법으로 많이 활용되고 있다. 시뮬레이터의 핵심 기술은 실 환경과 가상 시뮬레이션 환경의 차이를 줄이는 데 있다. 본 논문에서는 Generative Adversarial Imitation Learning(GAIL)[1] 기반으로 자율 주행 자동차 시뮬레이터 내에서 다수의 가상 동적 객체들의 움직임을 제어하는 방법을 제안한다. GAIL은 생성기와 판별기로 구성된다. 생성기는 강화학습 정책 생성기와 전문가 정책 생성기를 포함한다. 판별기는 보상 학습기를 포함한다. GAIL 기반으로 가상 자동차 및 가상 보행자를 제어함으로써 동영상에서의 이동경로를 학습해서 표현할 수 있다.

• The Journal of Korean Association of Computer Education
• /
• v.8 no.2
• /
• pp.33-40
• /
• 2005

It has been found that the learning method based on conventional CAI(Computer Assisted Instruction) to be inadequate and inefficient as it is designed without considering the individual learning characteristics of the learners. In order to rectify and remedy the problem, the development of an ITS(Intelligent Tutoring System) that is adequately equipped with an artificial intelligence that successfully interprets the individual learning ability characteristics through accumulated individual data is in order. This study attempts to verify the individual acquisition ability and the possible error committed by learners in the process of learning in order to present the elements to be considered for designing a successful student module that enables the effective learning through the 'learner ability grouping' for learning Electronic Calculator Architecture.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10a
• /
• pp.112-114
• /
• 2004

지능형 로봇 에이전트 기술이 발전하면서 서비스 질을 높이기 위한 방법으로 컨텍스트의 활용성이 부각되고 있다. 하지만 컨텍스트 분류 기술들은 아직까지 초기 개발 단계이며 다양한 방법들이 시도되고 있다. 본 논문에서는 전문가의 지식과 학습된 지식을 함께 적용할 수 있고 사람이 그 내용을 이해하기 유리한 베이지안 네트워크(BN)를 이용한 컨텍스트 분류 방법을 제안한다. 일반적인 BN 구조 학습에 사전 지식 및 방향성, 연결 관계 범위를 부여할 수 있는 제한(Constraint)을 적용한 효율적인 컨텍스트 분류 방법을 소개하고, 몇 가지 비교 실험을 통해 기존 방법에 비해 전문가의 개입이 줄어들고 좀 더 신뢰성 있는 컨텍스트 분류기를 얻을 수 있음을 보인다.

• The KIPS Transactions:PartB
• /
• v.13B no.2 s.105
• /
• pp.133-138
• /
• 2006

Learning with Attribute Value Taxonomies (AVT) has shown that it is possible to construct accurate, compact and robust classifiers from a partially missing dataset (dataset that contains attribute values specified with different level of precision). Yet, in many cases AVTs are generated from experts or people with specialized knowledge in their domain. Unfortunately these user-provided AVTs can be time-consuming to construct and misguided during the AVT building process. Moreover experts are occasionally unavailable to provide an AVT for a particular domain. Against these backgrounds, this paper introduces an AVT generating method called GA-AVT-Learner, which finds a near optimal AVT with a given training dataset using a genetic algorithm. This paper conducted experiments generating AVTs through GA-AVT-Learner with a variety of real world datasets. We compared these AVTs with other types of AVTs such as HAC-AVTs and user-provided AVTs. Through the experiments we have proved that GA-AVT-Learner provides AVTs that yield more accurate and compact classifiers and improve performance in learning missing data.