• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제14권3호
• /
• pp.296-300
• /
• 2008

최근에 개발된 Nonnegative tensor factorization(NTF)는 비음수 행렬 분해(NMF)의 multiway(multilinear) 확장형이다. NTF는 CANDECOMP/PARAFAC 모델에 비음수 제약을 가한 모델이다. 본 논문에서는 Tucker 모델에 비음수 제약을 가한 nonnegative Tucker decomposition(NTD)라는 새로운 텐서 분해 모델을 제안한다. 제안된 NTD 모델을 least squares, I-divergence, $\alpha$-divergence를 이용한 여러 목적함수에 대하여 fitting하는 multiplicative update rule을 유도하였다.

• 전자공학회논문지
• /
• 제52권5호
• /
• pp.136-146
• /
• 2015

차량 인식을 기반으로 하는 능동 제어는 지능형 자동차의 구현에 필요한 핵심 기술이며. 차폐 영역(occlusion)이 빈번하게 발생하는 도심에서 차량을 인식하기 위하여 차량의 부분적인 모습만으로도 차량을 인식할 수 있는 부분 기반 차량 표현이 필요하다. 본 논문에서는 지역적인 특징을 기저벡터로 사용하는 비음수 텐서 분해(non-negative tensor factorization, NTF)를 이용하여 차량을 표현하고, NTF 분해 계수를 특징으로 차량 인식률을 검증하였다. 실험 결과, 제안하는 방법이 기존의 비음수 행렬 분해를 사용한 경우에 비하여 보다 직관적인 부분 표현이 가능하며, 도심 영상에서도 보다 강건하게 차량을 인식함을 보여주었다.

• International Journal of Internet, Broadcasting and Communication
• /
• 제13권3호
• /
• pp.63-72
• /
• 2021

Mobile crowd-sensing (MCS) is a promising sensing paradigm that leverages mobile users with smart devices to perform large-scale sensing tasks in order to provide services to specific applications in various domains. However, MCS sensing tasks may not always be successfully completed or timely completed for various reasons, such as accidentally leaving the tasks incomplete by the users, asynchronous transmission, or connection errors. This results in missing sensing data at specific locations and times, which can degrade the performance of the applications and lead to serious casualties. Therefore, in this paper, we propose a missing data inference approach, called missing data approximation with probabilistic tensor factorization (MDI-PTF), to approximate the missing values as closely as possible to the actual values while taking asynchronous data transmission time and different sensing locations of the mobile users into account. The proposed method first normalizes the data to limit the range of the possible values. Next, a probabilistic model of tensor factorization is formulated, and finally, the data are approximated using the gradient descent method. The performance of the proposed algorithm is verified by conducting simulations under various situations using different datasets.

• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제14권5호
• /
• pp.497-501
• /
• 2008

본 논문에서는 연속적인 뇌파 분류를 위해 비음수 텐서 분해를 이용한 특징 추출과 비터비 알고리즘을 이용한 연속적인 데이타의 클래스 분류를 결합한 새로운 알고리즘을 제시한다. 비음수 텐서 분해는 이미 스펙트럼 데이타에 대해 뇌파의 주요한 특징을 잘 추출한다고 알려진 비음수 행렬 분해의 확장으로써 행렬이라는 제한된 틀에서 벗어나 데이타가 가지는 다양한 차원으로의 확대가 가능하다. 뇌-컴퓨터 인터페이스 컴피티션을 통해 공개된 데이터를 이용한 실험을 통해 제안된 방법의 유용함을 증명하도록 하겠다.

• 전자공학회논문지
• /
• 제54권1호
• /
• pp.121-128
• /
• 2017

본 논문에서는 다음향(multisource) 환경에서의 음향 사건 검출 정확도를 높이기 위해 비음수 텐서 분해(nonnegative tensor factorization, NTF)와 은닉 마코프 모델(hidden Markov model, HMM)을 이용한 이중 채널 음향 사건 검출 방법을 제안한다. 제안된 방법은 먼저 이중 채널 입력 신호들에 NTF 기법을 적용하여 얻은 각 음향 사건 별 채널 이득을 활용하여 다수의 음향 사건들을 검출한다. 그러고 나서, 채널 이득에 의해 검출된 음향 사건의 발생 여부를 검증하기 위하여 채널 이득을 우도 가중치로 활용하는 HMM 기반의 우도비 검증을 수행한다. 제안된 방법의 검출 정확도를 평가하기 위하여 다양한 잡음과 사건간 중첩 밀도를 고려하는 다중 사건 발생 환경에 대한 F-measure를 측정하였고, 기존의 혼합 가우시안 모델 및 비음수 행렬 분해 기반의 음향 사건 검출 방법들과 비교하였다. 실험 결과, 제안된 방법이 기존 방법들에 비하여 모든 실험 조건에서 높은 정확도를 보였다.

• International Journal of Contents
• /
• 제12권3호
• /
• pp.22-28
• /
• 2016

Tensor with missing or incomplete values is a ubiquitous problem in various fields such as biomedical signal processing, image processing, and social network analysis. In this paper, we considered how to reconstruct a dataset with missing values by using tensor form which is called tensor completion process. We applied Tucker factorization to solve tensor completion which was built base on optimization problem. We formulated the optimization objective function using components of Tucker model after decomposing. The weighted least square matric contained only known values of the tensor with low rank in its modes. A first order optimization method, namely Nonlinear Conjugated Gradient, was applied to solve the optimization problem. We demonstrated the effectiveness of the proposed method in EEG signals with about 70% missing entries compared to other algorithms. The relative error was proposed to compare the difference between original tensor and the process output.

• Kyungpook Mathematical Journal
• /
• 제31권1호
• /
• pp.119-130
• /
• 1991

• Kyungpook Mathematical Journal
• /
• 제29권1호
• /
• pp.104-113
• /
• 1989

• 한국멀티미디어학회논문지
• /
• 제22권4호
• /
• pp.443-454
• /
• 2019

In recent years, there has been active research on a recommender system that considers three or more inputs in addition to users and goods, making it a multi-dimensional array, also known as a tensor. The main issue with using tensor is that there are a lot of missing values, making it sparse. In order to solve this, the tensor can be shrunk using the tensor decomposition algorithm into a lower dimensional array called a factor matrix. Then, the tensor is reconstructed by calculating factor matrices to fill original empty cells with predicted values. This is called tensor reconstruction. In this paper, we propose a user-based Top-K recommender system by normalized PARAFAC tensor reconstruction. This method involves factorization of a tensor into factor matrices and reconstructs the tensor again. Before decomposition, the original tensor is normalized based on each dimension to reduce overfitting. Using the real world dataset, this paper shows the processing of a large amount of data and implements a recommender system based on Apache Spark. In addition, this study has confirmed that the recommender performance is improved through normalization of the tensor.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2007년도 가을 학술발표논문집 Vol.34 No.2 (A)
• /
• pp.68-69
• /
• 2007