[논문]프로토타입 학습 모델에 관한 연구

송두헌

프로토타입 학습 모델에 관한 연구
A Study on a Prototype Learning Model 원문보기

우리는 개념 학습에 있어서 전통적으로 사용되어 온 연역 트리 구성법이나 규칙 학습법과 다른 새로운 개념 표현 기법을 소개하고자 한다. 우리의 PROLEARN 알고리즘은 각 클래스로부터 주어진 예제를 가장 잘 설명할 수 있는 가상 예제, 즉, 프로토타입을 하나 이상 학습하고 이것을 마치 주어진 예제처럼 취급하여 일반적인 개체 중심 학습법처럼 분류하도록 한다. 우리의 프로토타입 개념은 인지 심리학에서 사용한 같은 용어와는 하나의 개념이 하나 이상의 프로토타입을 가질 수 있도록 한 점에서 다르며 학습된 프로토타입은 근본적으로 ‘가상 예제’라는 점에서 다른 개체 중심 학습법과 다르다. 실험 결과 이 알고리즘은 정확도에서 다른 알고리즘에 뒤지지 않으며 실제 학습 문제에서 자주 발생하는 불안정성 문제, 즉 훈련 예제 집합이 바뀌면 알고리즘의 정확도도 영향 받는 부분도 해소하였다.

We describe a new representation for learning concepts that differs from the traditional decision tree and rule induction algorithms. Our algorithm PROLEARN learns one or more prototype per class and follows instance based classification with them. Prototype here differs from psychological term in that we can have more than one prototype per concept and also differs from other instance based algorithms since the prototype is a "ficticious ideal example". We show that PROLEARN is as good as the traditional machine learning algorithms but much move stable than them in an environment that has noise or changing training set, what we call 'stability’.tability’.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러면 여기서 가상적 partition 跖의 quality를 계산하는 방법을 살펴본다. 위의 알고리즘에서 보듯 이 PROLEARN 알고리즘은 하나의 유용한 partition을 생성할 때마다 하나의 속성 F, 를 사용하고 그다음 loop에서는 더 이상 F를 고려하지 않는다.
N*는 주어진 partition E洲중 속성 Fj=*인 것의 숫자, Ne class가 C, 인 것의 숫자 K는 Fj 가 가질 수 있는 값의 개수를 나타낸다. 따라서 는 그 partition이 속성 E, 에 의하여 나누어졌을 때 가장 구성원이 의미 있게 혹은 가장 덜 우연하게 모였을 경우를 나타내며 Quality 지표는 이것을 현재 사용 가능한 모든 속성에 대하여 살펴본 것이다. F, .

가설 설정

F, .'의정의 안에 있는 CMax(F) > n의 ne 실험 parameter로서 이 논문에서는 90%의 신뢰도(n=0.9)를 가정하였다.
Re 거리 계산상 1 또는 2를 이용할 수 있으나 여기서는 R=1을 사용한다. 주어진 예제 e와 prototype 간의 거리는 痔 d( 吗, %)로 계산되는데 예제 e는 F广 V}, prototypee F广峋를 갖는다고 가정한다. 여기서 추출된 최소 거리를 갖는 prototype의 class가 예제 e의 class이다.

제안 방법

즉, 심리학자들은 한 개념에 오직 한 개의 prototype이 존재한다고 믿었기 때문에 매우 제한된 문제에서 그것이 존재하고 학습될 수 있음을 보였지만 기계학습의 유명한 문제 중의 하나인 Exclusiue-OR만 하더라도 2개의 proto- type이 동시에 존재하여야 하므로 심리학자들의 이 가정은 너무나 경직된 것이라 할 것이다. 따라서 우리는 학습 목표인 개념은 하나 이상의 prototype을 가질 수 있도록 학습 알고리즘을 설계하였다.
알고리즘마다 서로 다른 거리 계산법이 사용될 수 있으나 우리는 여기서 MVDM[4]의 변형을 차용하였다. 본래의 MVDMe 두 속성 값 化과 V2 간의 거리계산을 위하여 주어진 전체 훈련 집합(training data)을 사용하였다. 우리는 유용한 prototype이 둘 이상 존재할 수.
우리는 PROLEARN 알고리즘을 UCI data repasi- tory 중의 4개의 문제를 대상으로 ID3[9] 및 C₄.5[10]과 그 효과를 비교하였다. 비교 기준은 정확 성과 안정성인데 정확성은 거의 모든 기계 학습 알고리즘이 표방하는바 일정 숫자의 훈련 data를 통하여 학습한 후 알려지지 않은 test 집합이 들어왔을 때 그 알고리즘이 얼마나 정확하게 그 예제의 class를 판별하는가 하는 것이다.
즉, 이 논문에서 우리가 소개할 prototypee 분류에 필요한 최소한의 속성의 부분집합(MDL 진영)만 이 아니라 그 개념을 가장 잘 설명하는 이상적 예제가 포함하는 有用한 중복적 속성 (informative redun- damcy)을 허용한다. 또 이것이 심리학적 정의에 입각한 가상적 예제라는 점에서 예제 중심 분류법 (Instance based algorithm)에 typicality 기준을 적용한 Zhang(1992)의 연구와 다르몌 14](Zhange 주어진 예 제 중 가장 typical 한 예제를 이 기준을 적용하여 선택했다.

이론/모형

물론 그 % 가 높을수록 안정성이 높다. 실험 방법은 5-fold cross validation을 30회 사용했으며 예제 집합은 무차별적으로 3개의 집합 - 훈련 data, test data, 안정성 test data(전체의 10%)-으로 나뉜다. 안정성 평가 data는 이것으로부터 추출된 결과가 이론과 비교하도록 한다.
알고리즘마다 서로 다른 거리 계산법이 사용될 수 있으나 우리는 여기서 MVDM[4]의 변형을 차용하였다. 본래의 MVDMe 두 속성 값 化과 V2 간의 거리계산을 위하여 주어진 전체 훈련 집합(training data)을 사용하였다.

성능/효과

이 논문에서 우리는 prototype을 학습하는 것이 가능하며 또 유용하다는 것을 보여주었다. Prototypee 일반 기계 학습 알고리즘이 분류에 필요한 최소한의 속성들로 학습 결과를 나타내는 데 비해 유관하다고 여겨지는 속성들을 중복해 나타냄으로써 정확성을 유지하면서 안정성을 높이는 것을 실험적으로 보여 주었다. 이것은 실제 응용 data는 noise가 많고 환경의 변화(예 : 한 병원의 data와 다른 병원의 data가 다름)가 있다는 점을 고려할 때 수치적으로 나타난 결과 이상의 의미가 있다고 할 것이다.
보다 의미 있는 PROLEARN 알고리즘의 평가는 跆의 안정성 평가다. 예측한 대로 PROLEARNe ID3와 비교할 때 모든 문제에서 훈련 data의 교체가 미치는 영향이 현저히 적음을 보여주었다. 이것은 기계 학습 알고리즘이 실제적 문제에 응용되었을 때 당면하는 noise 및 과소 예제 문제의 한 해결책이라 할 것이다.
이 논문에서 우리는 prototype을 학습하는 것이 가능하며 또 유용하다는 것을 보여주었다. Prototypee 일반 기계 학습 알고리즘이 분류에 필요한 최소한의 속성들로 학습 결과를 나타내는 데 비해 유관하다고 여겨지는 속성들을 중복해 나타냄으로써 정확성을 유지하면서 안정성을 높이는 것을 실험적으로 보여 주었다.

후속연구

좋은 학습 알고리즘은 훈련 data set의 교체에 따른 변화가 적어야 된다고 우리는 믿는다. 또 우리의 PROLEARN 알고리즘은 그 비교 대상인 C₄.5나 ID3에 비하여 그것이 이상적 예제를 생성하고 test 예제는 그 prototype과의 거리를 기준으로 class를 판별하므로 더욱 안정성 있는 결과를 나타낼 수 있을 것으로 예측한다.
더불어 이 논문에서는 다루지 않았으나 prototype 학습은 단순히 분류뿐만 아니라 추론(inference)에도 적용 가능하다고 우리는 믿는다. 추론의 과정은 학습이 주어진 예제의 속성과 값을 바탕으로 class를 추정하는데 반해, 부분적인 속성-값집합과 class를 주면 나머지 속성의 값을 추정하는 과정을 말하며 이것이 가능하다면 문제 해결 시스템(Problem Solving System) 등에 획기적인 효과를 가져올 것이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

프로토타입 학습 모델에 관한 연구
A Study on a Prototype Learning Model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

프로토타입 학습 모델에 관한 연구 A Study on a Prototype Learning Model 원문보기

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

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

송두헌 (24)

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

프로토타입 학습 모델에 관한 연구
A Study on a Prototype Learning Model 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper