초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

최근 IT 기기의 소형화, 스마트폰과 센서 기기 등이 발전함에 따라 이러한 기기에서 수집된 데이터를 분석하는 관찰 목적의 모니터링 시스템에 대한 관심이 높아지고 있다. 실시간 데이터를 분석하기 위해 과거의 데이터를 이용하여 모델을 생성해야 하는데 만약 데이터 분포 패턴이 서로 다르다면 모델의 정확도는 떨어 질 수밖에 없다. 따라서 성능을 올리기 위해서는 데이터 분포의 패턴이 바뀔 때 새로운 모델을 생성해 주어야 하며, 새로운 모델을 생성하기 위해서는 전문가가 새로운 ...

최근 IT 기기의 소형화, 스마트폰과 센서 기기 등이 발전함에 따라 이러한 기기에서 수집된 데이터를 분석하는 관찰 목적의 모니터링 시스템에 대한 관심이 높아지고 있다. 실시간 데이터를 분석하기 위해 과거의 데이터를 이용하여 모델을 생성해야 하는데 만약 데이터 분포 패턴이 서로 다르다면 모델의 정확도는 떨어 질 수밖에 없다. 따라서 성능을 올리기 위해서는 데이터 분포의 패턴이 바뀔 때 새로운 모델을 생성해 주어야 하며, 새로운 모델을 생성하기 위해서는 전문가가 새로운 학습 데이터에 클래스정보를 입력하는 레이블링을 해야만 한다. 레이블링은 많은 시간과 노력이 요구되며 특히 스트리밍 데이터에서는 더욱 중요한 이슈가 된다. 본 논문에서는 전문가가 입력해야할 레이블링의 양을 줄이면서 분류모델의 성능은 유지할 수 있는 스트리밍 데이터를 위해 군집화를 이용한 앙상블 분류모델을 제안한다. 제안하는 방법은 군집화를 통해 레이블링이 필요한 데이터를 줄일 수 있도록 분류모델을 생성하고 정확도 향상을 위해 k-nn을 모델 개념으로 확장한 방법을 이용하여 앙상블 분류모델을 사용한다. 실험 결과 기존 방법이 사용하는 데이터의 9.8%양 만을 이용하면서도 거의 동등한 정확도를 보였다. 또한 데이터 분포를 사용한 앙상블 방법에 비해 사용되는 데이터가 평균 3% 감소하여 본 논문에서 제안하는 방법이 유용함을 증명하였다.

Abstract ▼ AI-Helper

In this paper, we propose the ensemble-based classification model which extracts just new data patterns from the streaming-data by using clustering and generates new classification models to be added to the ensemble in order to reduce the number of data labeling while it keeps the accuracy of the ex...

In this paper, we propose the ensemble-based classification model which extracts just new data patterns from the streaming-data by using clustering and generates new classification models to be added to the ensemble in order to reduce the number of data labeling while it keeps the accuracy of the existing system. The proposed technique performs clustering of similar patterned data from streaming data. It performs the data labeling to each cluster at the point when a certain amount of data has been gathered. The proposed technique applies the K-NN technique to the classification model unit in order to keep the accuracy of the existing system while it uses a small amount of data. The proposed technique is efficient as using about 3% less data comparing with the existing technique as shown the simulation results for benchmarks, thereby using clustering.