• 지능정보연구
• /
• 제29권3호
• /
• pp.419-437
• /
• 2023

국내 씬파일러(Thin Filer)의 수가 1200만명을 넘어서며, 금융 업계에서 씬파일러의 신용을 정확히 평가하여 우량고객을 선별해 대출을 공급하는 시도가 많아지고 있다. 특히, 차주의 신용정보에 존재하는 비선형성을 반영하여 채무불이행을 예측하기 위해서 다양한 머신러닝 알고리즘을 활용한 연구가 진행되고 있다. 그 중 그래프 신경망 구조(Graph Neural Network)는 일반적인 신용정보 외에 대출자 간의 네트워크 정보를 반영할 수 있다는 점에서 데이터가 부족한 씬파일러의 채무 불이행 예측에서 주목할 만하다. 그러나, 그래프 신경망을 활용한 기존의 연구들은 신용정보에 존재하는 다양한 범주형 변수를 적절히 처리하지 못했다는 한계가 있었다. 이에 본 연구는 범주형 변수의 맥락적 정보를 추출할 수 있는 트랜스포머 메커니즘(Transformer mechanism)과 대출자 간 네트워크 정보를 반영할 수 있는 그래프 합성곱 신경망(Graph Convolutional Network)를 결합하여 효과적으로 씬파일러의 채무 불이행 예측이 가능한 TeGCN (Transformer embedded Graph Convolutional Network)를 제안한다. TeGCN는 일반 대출자 데이터셋과 씬파일러 데이터셋에 대하여 모두 베이스 라인 모델 대비 높은 성능을 보였으며, 특히 씬파일러 채무 불이행 예측에 우수한 성능을 달성했다. 본 연구는 범주형 변수가 많은 신용정보와 데이터가 부족한 씬파일러의 특성에 적합한 모델 구조를 결합하여 높은 채무 불이행 예측 성능을 달성했다는 시사점이 있다. 이는 씬파일러의 금융소외문제를 해결하고 금융업계에서 씬파일러를 대상으로 추가적인 수익을 창출하는데 기여할 수 있을 것이다.

• Journal of Animal Science and Technology
• /
• 제46권5호
• /
• pp.719-728
• /
• 2004

본 연구는 한우의 도체형질들에 대한 유전적 변이를 분석방법에 따라 어떠한 차이가 있는지를 알아보고자 한우 후대검정자료를 이용하여 분석하였다. 분석에 이용된 도체성적 관련 자료는 가축개량사업소와 한우개량단지에서 1996 년부터 2001 년까지 태어난 후대검정우 1526두로부터 조사었다. 한우에 있어서 주요 개량형질인 육량과 육질에 영향하는 도체중, 도체율,배최장근단면적, 등지방두께, 근내지방도를 대상으로 유전력과 유전상관을 추정하였다. 유전모수 추정에 있어서 REML 분석법과 Bayesian추론방법으로써 Gibbs Sampling 분석법을 사용하였는데 각각의 모수들에 대한 Gibbs Sampler는 100,000회 실시하였고 초기 1,000회는 모수의 사후분포에 대한 부정확성으로 간주하여 모수의 사후분포특성 규명에서 제외하였다. 각각의 형질들에 대한 유전변이는 이러한 두 가지 분석방법을 상호 비교 함으로써 최적의 통계분석 방법을 모색하였다. 도체형질에 대한 유전력 추정은 REML 방법을 통한 추정에서는 근내지방도가 0.51로 고도의 유전력을 보였고, 도체율이 0.25로 중도의 유전력이 추정되었다. Gibbs Sampling 방법을통한 추정에서도 근내지방도가 0.54로 고도의 유전력을 도체율에서 0.25로 중도의 유전력을 보였다. REML 분석방법과 Gibbs Sampling 분석방법에서의 유전력은 다소 큰 차이는 보이지 않았으나, 대체로 Gibbs Sampling 방법으로 분석한 유전력 추정치가 높게 추정되었다. 그리고, 유전상관분석에서는 REML 방법을 통한 분석에서 도체중과 배최장근단면적에서 0.651 로 높은 정의 유전상관을 나타내었고, 배최장근단면적과 등지방두께에서 -0.139로 부의 유천상관을 나타내었다. Gibbs Sampling 방법에서는 도체중과 도체율, 배최장근단면적에서 각각 0.814, 0.695으로 높은 정의 상관을 나타내었고, 배최장근단면적과 등지방두께에서 -0.126으로 부의상관을 나타내었다. Gibbs Sampling방법을 통한 분석에서 특정 형질간 유전상관이 높게 나타났으며, 다소 큰 차이를 보이지 않았다. REML 분석방법과 Bayesian Inference를 바탕으로 한 Gibbs Sampling 분석에서 모수 추정은 큰 차이를 보이지 않았다. 따라서 방대한 현장정보를 활용하여 보다 정확한 모수 추정을 수행하기 위해서는 분석모형에 대한 계수행렬의 역행렬 계산을 통한 REML 방법의 한계성을 극복할 수 있는 방법으로써 Gibbs Sampling 분석 방법이 가능할 것으로 사료된다.