$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

나이브 베이지안 환경에서 미분류 데이터를 이용한 성능향상

Improving the Classification Accuracy Using Unlabeled Data: A Naive Bayesian Case

정보처리학회논문지. The KIPS transactions. Part B. Part B, v.13B no.4 = no.107, 2006년, pp.457 - 462  

이창환 (동국대학교 정보통신학과)

초록
AI-Helper 아이콘AI-Helper

많은 경우에 분류데이터의 생성은 사람의 시간과 노력에 의존하기 때문에 많은 비용과 시간을 요구한다. 이에 반하여 미분류 데이터는 거의 비용을 들이지 않고 무제한의 데이터를 쉽게 획득할 수 있다. 따라서 기계학습에 있어서 이러한 미분류 데이터를 이용하여 분류학습의 성능을 향상시킬 수 있는 준감독자(semi-supervised)학습 방법이 최근 관심을 끌고 있다. 본 논문에서는 미분류 데이터가 분류학습의 성능향상에 마치는 영향을 분석하기 위하여 나이브 베이지안의 환경에서 미분류 데이터를 이용한 학습방법을 제시하고 이를 이용하여 미분류 데이터의 효용성을 실험적으로 조사하였다. 미분류 데이터는 나이브 베이지안의 환경에서 분류데이터의 숫자가 적을 때 특히 많은 효과를 보임을 알 수 있었다.

Abstract AI-Helper 아이콘AI-Helper

In many applications, an enormous amount of unlabeled data is available with little cost. Therefore, it is natural to ask whether we can take advantage of these unlabeled data in classification learning. In this paper, we analyzed the role of unlabeled data in the context of naive Bayesian learning....

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 아울러 본 연구의 방법에서는 파라미터의 예측치 계산을 위하여 라플라스 유연화(Laplace smoothing) 방법[16]을 사용하였다. 라플라스 유연화는 제로 확률의 발생을 방지하는데 목적이 있다. 목적 속성의 값 갯수를 C라고 할 때 본 연구에서 라플라스 유연화를 이용한 파라미터 예측을 위한 최종 식은 다음과 같다.
  • 본 논문에서 이와 같은 미분류 데이터의 분류학습에서의 역할을 분석하고 나이브 베이지안 환경에서 미분류 데이터의 효용성을 실험을 통하여 분석하고자 한다.
  • 본 연구는 분류학습에서 미분류 데이터의 사용이 학습의 정확도에 어떠한 영향을 미치는지를 나이브베이지안 환경에서 검증하였다. 기존의 나이브베이지안 학습방법을 미분류 데이터의 처리를 위하여 수정한 준나이브 베이지 안 학습방법을 이용하였으며 실험을 위하여 다양한 갯수의 분류 데이터와 미분류 데이터 조합을 사용하여 실험을 진행하였다.
  • 본 연구에서는 나이브 베이지안 학습 알고리즘을 미분류 데이터의 처리를 위하여 기능을 수정하였다. 미분류 데이터를 처리하는 방법은 다음과 같다.
  • 이런 이유로 본 논문은 나이브 베이지안(naive Bayesian)의 환경에서 미분류 데이터를 이용하여 분류학습의 성능을 향상시키는 방법을 실험적으로 제시하는 연구이다. 미분류 데이터는 분류 값이 없기 때문에 누락(missing) 데이터로 간주할 수 있으며 이러한 미분류 데이터가 어떻게 분류 학습의 성능을 향상시키는데 사용될 수 있는지 의문을 품을 수 있다.

가설 설정

  • 클래스의 값이 2개인 이진 분류(binary classification)의 경우를 가정하였으며 클래스의 값이 2개 이상인 일반적인 경우도 본 문제와 별 차이가 없다. 각 클래스의 값들은 (그림 1)과 같은 가우시안(Gaussian) 분포를 따른다고 가정하고 각 분포의 파라미터(평균값, 분산 값 등)값은 알 수 없다고 가정한다. 이 경우에 최적의 분류자(optimal classifier)는 값 d를 중심으로 구분하는 방법이다[1].
  • 본 연구에서는 다양한 경우의 실험을 위하여 분류 데이터의 숫자를 10에서 10, 000까지 9가지의 경우를 설정하였고 미분류 데이터는 0개에서 100,000개까지 7가지의 경우를 가정 하였다. 따라서 전체적으로 63개의 실험 데이터 셋을 이용하여 실험을 하였으며 정확도 측정을 위한 테스트 데이터는 학습데이터와는 별도로 1,000개의 데이터를 생성하여 정확도를 측정하였다.
  • 클래스의 값이 2개인 이진 분류(binary classification)의 경우를 가정하였으며 클래스의 값이 2개 이상인 일반적인 경우도 본 문제와 별 차이가 없다. 각 클래스의 값들은 (그림 1)과 같은 가우시안(Gaussian) 분포를 따른다고 가정하고 각 분포의 파라미터(평균값, 분산 값 등)값은 알 수 없다고 가정한다.
본문요약 정보가 도움이 되었나요?

참고문헌 (21)

  1. R. Duda, et al. 'Pattern Classification' 2nd edition, John Wiley&Sons, 2001 

  2. T. Zhang 'Some Asymptotic Results Concerning the Value of Unlabeled Data' NIPS 99 Workshop on Using Unlabeled Data for Supervised Learning, 1999 

  3. Y. Zhou and S. Goldman 'Enhancing Supervised Learning with Unlabeled Data' 17th Int'l Conf. On Machine Learning, pp.327-334, 2000 

  4. Vittorio Castelli and Thomas M. Cover, 'On the Exponential Value of Labeled Samples' Pattern Recognition Letters, Vol.16, pp.105-111, 1995 

  5. B. Shahshahani and D. Landgrebe 'The Effect of Unlabeled Samples in Reducing the Small Sample Size Problem and Mitigating the Hughes Phenomenon' IEEE Trans. On Geoscience and Remote Sensing, Vol.32, No.5, 1087-1095, 1994 

  6. F. De Comite et al. 'Positive and Unlabeled Examples Help Learning' Tenth Int'l Conf. on Algorithmic Learning Theory, pp.219-230, 1999 

  7. Sally Goldman and Yan Zhou 'Enhancing Supervised Learning with Unlabeled Data' ICML, 2000 

  8. T. Hofmann 'Text Categorization with Labeled and Unlabeled Data: A Generative Model Approach' NIPS 99 Workshop on Using Unlabeled Data for Supervised Learning, 1999 

  9. K. Nigam, AK. McCallum, S. Thrun, and T. Mitchell 'Text Classification from Labeled and Unlabeled Documents Using EM' Machine Learning, Vol.39, pp.103-134, 2000 

  10. T. Mitchell 'The Role of Unlabeled Data in Supervised Learning' 6th Int'l Colloquium on Cognitive Science, 1999 

  11. A. P. Dempster, N. M. Laird, and D. B. Rubin 'Maximum Likelihood from Incomplete Data via the EM Algorithm' Journal of Royal Statistical Society, Vol.39, pp.1-38, 1977 

  12. Xing Yi; Changshui Zhang; Jingdong Wang, 'Multi-view EM algorithm and its application to color image segmentation' IEEE International Conference on Multimedia and Expo., 2004 

  13. Avrim Blum and Tom Mitchell 'Combining Labeled and Unlabeled Data with Co-Training', COLT, 1998 

  14. Kamal Nigam and Rayid Ghani 'Analyzing the Effectiveness and Applicability of Co-training', CIKM, 2000 

  15. A. Levin and P. Viola and Y. Freund, 'Unsupervised improvement of visual detectors using co-training' the Nineth IEEE International Conference on Computer Vision, 2003 

  16. Rong Yan and Naphade, M. 'Multi-Modal Video Concept Extraction Using Co-Training' IEEE International Conference on Multimedia and Expo., 2005 

  17. D. Cohn et al 'Active Learning with Statistical Models' Journal of Artificial Intelligence Research, Vol.4, pp.129-145, 1996 

  18. R. Liere and P. Tadepalli 'Active Learning with Committees for Text Categorization' 14th National Conf. on Artificial Intelligence, pp.591-596, 1997 

  19. Tur, G., Schapire, R.E., and Hakkani-Tur, D. 'Active learning for spoken language understanding' IEEE International Conference on Acoustics, Speech, and Signal Processing, 2003 

  20. Riccardi, G. and Hakkani-Tur, D. 'Active learning: theory and applications to automatic speech recognition' IEEE Transactions on Speech and Audio Processing, 2005 

  21. Tom Mitchell, 'Machine Learning' McGraw Hill, 1997 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트