• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2007년도 한국컴퓨터종합학술대회논문집 Vol.34 No.1 (D)
• /
• pp.105-108
• /
• 2007

Bayesian 학습 네트워크는 여러 가지의 다양한 응용 분야에 적용된다. 본 논문은 다양한 무선 센서 네트워크 환경에 적용될 수 있는 온라인 Bayesian 학습 네트워크의 추론 알고리즘 구조에 대하여 논의한다. 첫째, 논문은 Bayesian 파라메타 학습과 Bayesian DAG 구조 학습을 논의하고, 다음에 무선 센서 네트워크의 특징과 무선 환경에서의 데이터 수집에 대하여 논의한다. 둘째, 논문은 온라인 Bayesian 학습 네트워크에서의 중요한 고려 사항과 네트워크 학습 알고리즘의 개념적 구조에 대하여 논의한다.

• 제어로봇시스템학회논문지
• /
• 제10권12호
• /
• pp.1295-1304
• /
• 2004

In this paper, the Bayesian recurrent neural network is proposed to predict time series data. A neural network predictor requests proper learning strategy to adjust the network weights, and one needs to prepare for non-linear and non-stationary evolution of network weights. The Bayesian neural network in this paper estimates not the single set of weights but the probability distributions of weights. In other words, the weights vector is set as a state vector of state space method, and its probability distributions are estimated in accordance with the particle filtering process. This approach makes it possible to obtain more exact estimation of the weights. In the aspect of network architecture, it is known that the recurrent feedback structure is superior to the feedforward structure for the problem of time series prediction. Therefore, the recurrent neural network with Bayesian inference, what we call Bayesian recurrent neural network (BRNN), is expected to show higher performance than the normal neural network. To verify the proposed method, the time series data are numerically generated and various kinds of neural network predictor are applied on it in order to be compared. As a result, feedback structure and Bayesian learning are better than feedforward structure and backpropagation learning, respectively. Consequently, it is verified that the Bayesian reccurent neural network shows better a prediction result than the common Bayesian neural network.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제11권3호
• /
• pp.135-142
• /
• 2011

Unlike using the sequence-based representation for a chromosome in previous genetic algorithms for Bayesian structure learning, we proposed a matrix representation-based genetic algorithm. Since a good chromosome representation helps us to develop efficient genetic operators that maintain a functional link between parents and their offspring, we represent a chromosome as a matrix that is a general and intuitive data structure for a directed acyclic graph(DAG), Bayesian network structure. This matrix-based genetic algorithm enables us to develop genetic operators more efficient for structuring Bayesian network: a probability matrix and a transpose-based mutation operator to inherit a structure with the correct edge direction and enhance the diversity of the offspring. To show the outstanding performance of the proposed method, we analyzed the performance between two well-known genetic algorithms and the proposed method using two Bayesian network scoring measures.

• 한국정보과학회논문지:시스템및이론
• /
• 제33권12호
• /
• pp.885-893
• /
• 2006

최근 현실 세계의 불확실한 환경을 극복하기 위한 방법 중 하나로 베이지안 네트워크(Bayesian network, BN)가 부각되고 있다. BN의 파라메터 학습은 주어진 평가 척도에 따라 데이타의 훈련집합에 가장 잘 부합되는 네트워크 파라메터를 구하는 것으로, BN 설계에 드는 시간과 노력을 줄이기 위해 연구되어 왔다. 기존의 오프라인 학습은 학습에 필요한 충분한 양의 데이타를 모으기에는 많은 노력과 시간이 필요하다. 또한 현실세계는 불완전성을 포함하고 있어 완전한 데이타를 얻기 힘들다. 본 논문에서는 불완전한 데이타로부터 온라인으로 BN 파라메터를 학습하는 방법을 제안한다. 이 방법은 불완전한 데이타로부터 학습이 가능하도록 하여 학습의 유연성을 높이고, 실시간 학습을 통해 변화하는 환경에 대한 적응성을 높인다. Cohen 등이 제안한 온라인 파라메터 학습방법인 Voting EM 알고리즘과 비교 실험한 결과, 완전한 데이타를 가지고 학습한 경우에는 동일한 학습 결과를, 그리고 불완전한 데이타의 경우에는 보다 나은 학습 결과를 얻었다.

• 제어로봇시스템학회:학술대회논문집
• /
• 제어로봇시스템학회 2004년도 ICCAS
• /
• pp.631-634
• /
• 2004

In this paper, the Bayesian recurrent neural network (BRNN) is proposed to predict time series data. Among the various traditional prediction methodologies, a neural network method is considered to be more effective in case of non-linear and non-stationary time series data. A neural network predictor requests proper learning strategy to adjust the network weights, and one need to prepare for non-linear and non-stationary evolution of network weights. The Bayesian neural network in this paper estimates not the single set of weights but the probability distributions of weights. In other words, we sets the weight vector as a state vector of state space method, and estimates its probability distributions in accordance with the Bayesian inference. This approach makes it possible to obtain more exact estimation of the weights. Moreover, in the aspect of network architecture, it is known that the recurrent feedback structure is superior to the feedforward structure for the problem of time series prediction. Therefore, the recurrent network with Bayesian inference, what we call BRNN, is expected to show higher performance than the normal neural network. To verify the performance of the proposed method, the time series data are numerically generated and a neural network predictor is applied on it. As a result, BRNN is proved to show better prediction result than common feedforward Bayesian neural network.

• 응용통계연구
• /
• 제15권2호
• /
• pp.251-267
• /
• 2002

Kohonen이 제안한 자기조직화 지도(Self Organizing Maps : SOM)는 매우 빠른 신경망 모형이다. 하지만 다른 신경망 모형과 마찬가지로 학습 결과에 대한 명확한 규칙을 제시하지 못할 뿐만 아니라 지역적 최적값으로 빠지는 경우가 종종 있다. 본 논문에서는 이러한 자기조직화 지도의 모형에 대한 설명력을 부여하고 전역 최적값으로 수렴할 수 있는 예측 성능을 갖는 모형으로서 자율학습 신경망에 베이지안 추론을 결합한 자기조직화 지도를 위한 베이지안 학습(Bayesian Learning for Self Organizing Maps ; BLSOM)을 제안한다. 이 방법은 기존의 자기조직화 지도가 지역적 해에 머물러 있는 것에 비해서 언제든지 전역적 해로 수렴함이 실험을 통하여 밝혀졌다.

• 한국HCI학회:학술대회논문집
• /
• 한국HCI학회 2009년도 학술대회
• /
• pp.6-10
• /
• 2009

네트워크의 발달로 인한 정보량의 증가와 모바일 디바이스의 폭넓은 보급으로, 모바일 플랫폼 상에서의 추천 서비스가 최근 각광받고 있다. 기존에 진행되었던 연구인 사용자의 선호도를 반영한 음식점 추천 시스템은 사용자의 선호도를 효과적으로 모델링 하기 위해 베이지안 네트워크를 사용하며, 음식첨 추천을 위해 계층형 분석방법(AHP)을 이용한다. 기존 시스템에서 사용했던 고정된 형태의 사용자 선호도 추론 모델은 변화하는 사용자의 선호도에 대응하지 못하며, 추론 모델을 구축하기 위해 방대한 분량의 설문조사가 선행되어야만 한다는 한계를 가졌다. 본 논문에서는 사용자의 선호도를 학습하기 위해 사용자 요청 정보를 이용한 베이지안 네트워크 학습 방법을 제안한다. 제안하는 방법은 모바일 디바이스와 데스크탑을 이용해 구현되었으며, 실험을 통해 제안하는 방법의 가능성을 보였다.

• 한국지능시스템학회논문지
• /
• 제17권2호
• /
• pp.179-184
• /
• 2007

본 논문은 스마트 홈에서 베이지안 네트워크에 기반을 둔 보편성을 가지는 상황인식 시스템의 구현방법을 제안한다. 베이지안 네트워크는 각 센서정보를 바탕으로 거주자의 활동 및 스마트 홈의 상황에 대한 추론을 확률적으로 접근하는데 매우 유용한 수단이다. 하지만 센서 정보와 활동정보가 다양해짐에 따라 기존의 방법으로는 베이지만 네트워크를 구성하기가 힘들다. 따라서 본 논문에서는 상호정보를 통하여 보다 효율적으로 베이지안 네트워크를 구성하도록 하며, 시뮬레이션을 통하여 자료 취득하고 그에 따른 거주자의 활동인식의 결과를 보인다.

• 한국지능시스템학회논문지
• /
• 제18권4호
• /
• pp.572-578
• /
• 2008

본 논문에서는 대규모 베이지안 망 구조 학습을 위해 제안되었던 R-CORE 방법의 탐색 공간의 크기에 대한 개략적인 분석과 실제 문제에 적용하였을 경우의 효과에 대한 실험적 결과를 제시한다. R-CORE 방법은 베이지안 망 구조 학습의 탐색 공간을 축소하기 위해 제안된 확률변수들의 재귀적 군집화와 오더 제한 방법이다. 알려진 벤치마크 베이지안 망을 이용한 분석을 통해, 제안되었던 R-CORE 방법이 worst case에는 기존의 방법과 유사한 탐색 공간을 가지나 평균적으로 기존방법보다 훨씬 적은 탐색 공간만을 고려한다는 것을 보인다. 또한 평균적으로 훨씬 적은 탐색 공간만을 고려하는 결과, 구조 탐색에서 기존 방법에 비해 상대적으로 적은 overfitting이 일어남을 실험적으로 보인다.

• 응용통계연구
• /
• 제33권3호
• /
• pp.309-320
• /
• 2020

방향성 비순환 그래프(directed acyclic graph; DAG)라고도 하는 베이지안 네트워크(Bayesian network)는 변수 사이의 관계를 확률과 그래프를 통해 모형화할 수 있다는 점에서 최근 의학, 기상학, 유전학 등 여러 분야에서 다양하게 활용되고 있다. 특히 이산형 자료의 예측에 사용되는 베이지안 네트워크 분류분석기(Bayesian network classifier)가 최근 새로운 데이터 마이닝 기법으로 주목받고 있다. 베이지안 네트워크는 그 구조와 학습 방법에 따라 여러 가지 다양한 모형으로 분류할 수 있다. 본 논문에서는 서로 다른 성질을 가진 이산형 자료를 바탕으로 구조 학습 방법에 차이를 두어 베이지안 네트워크 모형을 학습시킨 후, 가장 간단한 방법인 나이브 베이즈 (naïve Bayes) 모형과 비교해 본다. 학습된 모형들을 여러 가지 실제 데이터에 적용하여 그 예측 정확도를 비교함으로써 최적의 분류 분석 결과를 얻을 수 있는지 살펴본다. 또한 각각의 모형에서 나타나는 그래프를 통해 데이터의 변수 사이의 관계를 비교한다.