사용자 의도 파악(intention reading) 기술은 스마트 홈과 같은 복잡한 유비쿼터스(ubiquitous) 환경에서 사용자에게 보다 편리하고 개인화된(personalized) 서비스 제공이 가능하도록 해준다. 또한 학습 기능(learning capability)은 지식 발견(knowledge discovery)의 관점에서 의도 파악 기술의 핵심 요소 기술의 하나로 자리 매김하고 있다 이 논문에서는 스마트 홈(smart home) 환경에서 제공 가능한 개인화된 서비스 중의 하나로, 개인화된 미디어 제어 방법에 대한 내용을 다룬다. 특히, 사람의 행동 패턴과 같은 데이터는 패턴 분류의 관점에서 구분해야 할 클래스(class)에 비해 입력 정보가 불충분한 경우가 많아서 비일관적인(inconsistent) 데이터가 많으므로, 퍼지 논리(fuzzy logic)와 확률 (probability)의 개념을 효과적으로 병행해야 의미 있는 지식을 추출해 낼 수 있다. 이를 위하여 반복 퍼지 지도 클러스터링(IFCS; Iterative Fuzzy Clustering with Supervision) 알고리즘에 기반하여 주어진 데이터 패턴으로부터 확률적 퍼지 룰(probabilistic fuzzy rule)을 얻어 내는 방법에 대해 설명한다. 또한 이를 이용한 다양한 학습 제어 구조를 바탕으로 개인화된 미디어 서비스를 추천해 줄 수 있는 방법에 대해서 설명하도록 하고, 실험 결과를 통해 제안된 시스템의 효용성을 보이도록 한다.
사용자 의도 파악(intention reading) 기술은 스마트 홈과 같은 복잡한 유비쿼터스(ubiquitous) 환경에서 사용자에게 보다 편리하고 개인화된(personalized) 서비스 제공이 가능하도록 해준다. 또한 학습 기능(learning capability)은 지식 발견(knowledge discovery)의 관점에서 의도 파악 기술의 핵심 요소 기술의 하나로 자리 매김하고 있다 이 논문에서는 스마트 홈(smart home) 환경에서 제공 가능한 개인화된 서비스 중의 하나로, 개인화된 미디어 제어 방법에 대한 내용을 다룬다. 특히, 사람의 행동 패턴과 같은 데이터는 패턴 분류의 관점에서 구분해야 할 클래스(class)에 비해 입력 정보가 불충분한 경우가 많아서 비일관적인(inconsistent) 데이터가 많으므로, 퍼지 논리(fuzzy logic)와 확률 (probability)의 개념을 효과적으로 병행해야 의미 있는 지식을 추출해 낼 수 있다. 이를 위하여 반복 퍼지 지도 클러스터링(IFCS; Iterative Fuzzy Clustering with Supervision) 알고리즘에 기반하여 주어진 데이터 패턴으로부터 확률적 퍼지 룰(probabilistic fuzzy rule)을 얻어 내는 방법에 대해 설명한다. 또한 이를 이용한 다양한 학습 제어 구조를 바탕으로 개인화된 미디어 서비스를 추천해 줄 수 있는 방법에 대해서 설명하도록 하고, 실험 결과를 통해 제안된 시스템의 효용성을 보이도록 한다.
Intention reading technique is essential to provide personalized services toward more convenient and human-friendly services in complex ubiquitous environment such as a smart home. If a system has knowledge about an user's intention of his/her behavioral pattern, the system can provide mote qualifie...
Intention reading technique is essential to provide personalized services toward more convenient and human-friendly services in complex ubiquitous environment such as a smart home. If a system has knowledge about an user's intention of his/her behavioral pattern, the system can provide mote qualified and satisfactory services automatically in advance to the user's explicit command. In this sense, learning capability is considered as a key function for the intention reading technique in view of knowledge discovery. In this paper, ore introduce a personalized media control method for a possible application iii a smart home. Note that data pattern such as human behavior contains lots of inconsistent data due to limitation of feature extraction and insufficiently available features, where separable data groups are intermingled with inseparable data groups. To deal with such a data pattern, we introduce an effective engineering approach with the combination of fuzzy logic and probabilistic reasoning. The proposed learning system, which is based on IFCS (Iterative Fuzzy Clustering with Supervision) algorithm, extract probabilistic fuzzy rules effectively from the given numerical training data pattern. Furthermore, an extended architectural design methodology of the learning system incorporating with the IFCS algorithm are introduced. Finally, experimental results of the media contents recommendation system are given to show the effectiveness of the proposed system.
Intention reading technique is essential to provide personalized services toward more convenient and human-friendly services in complex ubiquitous environment such as a smart home. If a system has knowledge about an user's intention of his/her behavioral pattern, the system can provide mote qualified and satisfactory services automatically in advance to the user's explicit command. In this sense, learning capability is considered as a key function for the intention reading technique in view of knowledge discovery. In this paper, ore introduce a personalized media control method for a possible application iii a smart home. Note that data pattern such as human behavior contains lots of inconsistent data due to limitation of feature extraction and insufficiently available features, where separable data groups are intermingled with inseparable data groups. To deal with such a data pattern, we introduce an effective engineering approach with the combination of fuzzy logic and probabilistic reasoning. The proposed learning system, which is based on IFCS (Iterative Fuzzy Clustering with Supervision) algorithm, extract probabilistic fuzzy rules effectively from the given numerical training data pattern. Furthermore, an extended architectural design methodology of the learning system incorporating with the IFCS algorithm are introduced. Finally, experimental results of the media contents recommendation system are given to show the effectiveness of the proposed system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이 논문에서는 비일관적인 데이터 패턴으로부터 의미 있는 정보를 추출하게 위해서 지식 표현의한 방법으로 PFRB 를 사용하고 이러한 지식을 얻어내기 위해서 IFCS 알고리즘에 기반을 둔 학습 방법을 사용하였다 그리고, 단기 학습 기능뿐만 아니라 지속적인 변화에 적응하여 학습할 수 있는 기능을 구현하기 위하여 분할 메모리 구조에 기반을 둔 학습제어 구조를 제안하였다. 또한, 제안된 학습 제어 구조를 개인화된 미디어 제어에 적용함으로써 사용자의 행동 패턴을 학습하여 의도 파악을 하고, 이에 맞추어 사용자가 원하는 미디어 컨텐츠를 효과적으로 추천해 줄 수 있음을 보였다.
이 논문에서는 스마트 홈 환경에서 기계 학습 능력을 이용한 사용자 의도 파악 기술을 구현하는 사례의 하나로, 확률적 퍼지 룰 기반 지식을 이용한 효율적인 미디어 제어 방법에 대해서 다룬다. 미디어를 제어하는 사용자의 행동 패턴으로부터 반복 퍼지 지도 클러스터 링(iterative fuzzy clustering with supervision, 이하 IFCS) 알고리즘에 기반한 학습 시스템은 사용자의 행동 패턴에 대한 확률적 퍼지 룰 기반(probabilistic fuzzy rule base, 이하 PFRB)를 얻어내고, 얻어진 PFRB를 이용하여 사용자에게 개인화된 미디어 제어 서비스를 제공하게 된다.
제안 방법
경우를 말한다. 각 미디어 디바이스별로 서로 다른 확률적 퍼지 룰 베이스를 갖도록 MIMO (multi-input multi-output) 시스템을 MISO (multi-input single-output) 시스템의 조합으로 해석하여 학습 시스템을 구축한다. 그리고 각각의 MISO 시스템은 독립적인 PFRB를 보유한다.
즉, 우선 순위가 높은 클래스와 다른 클래스의 비율 차이가 크지 않은 경우, 우선 순위가 높은 클래스가 데이터 군을 대표한다고 볼 수 없으므로, 이 경우는 확률적인 해석을 효과적으로 잘 하고 있는지의 여부를 시스템 성능 평가 지표로 삼아야 한다. 그렇기 때문에, 패턴 분류 성공률 평가를 위하여, 그림 10과 같이 N 번째 확률적으로 우선 순위를 가지는 클래스까지 성공률에 포함시켜 그래프를 그리고 이를 바탕으로 시스템 성능을 평가한다. 그림 10의 X축을 LCC (Level of Correct Classification)라고 정의하고, 이것을 1부터 구분할 클래스의 수까지 증가시켜가면서 LCC 번째 우선순위를 가.
주어진 데이터 패턴으로부터 초기에는 FCM (fuzzy c-means)[12] 클러스터링 및 클러스터 타당성 지수 (cluster validity index)로 Xie-Beni[13] 인덱스를 사용하여 클러스터링을 수행한다. 이 때, 평가 지수의 첫 번째 극소값에 해당하는 클러스터의 수를 선택한 후, 이를 기준으로 각 클러스터에 분리 가능한 정보가 있는지를 판단하여 다시 클러스터링을 수행할 것인지, 아니면 클러스터로부터 확률적인 정보를 추출할 것인지를 판단한다. 이러한 학습 과정을 위해서 IFCS에서는 클러스터링 과정에서 얻어진 분할 행렬 (partition matrix)의 퍼지 소속도 및 클래스 정보에 따라 클러스터 순도(cluster pureness) 지수 및 클래스 분리도 (class separability) 지수를 정의하여 사용하였다.
이 때, 평가 지수의 첫 번째 극소값에 해당하는 클러스터의 수를 선택한 후, 이를 기준으로 각 클러스터에 분리 가능한 정보가 있는지를 판단하여 다시 클러스터링을 수행할 것인지, 아니면 클러스터로부터 확률적인 정보를 추출할 것인지를 판단한다. 이러한 학습 과정을 위해서 IFCS에서는 클러스터링 과정에서 얻어진 분할 행렬 (partition matrix)의 퍼지 소속도 및 클래스 정보에 따라 클러스터 순도(cluster pureness) 지수 및 클래스 분리도 (class separability) 지수를 정의하여 사용하였다.
제안된 학습 시스템의 효용성을 보이기 위해서, 그림 8과 같은 TV 시청 패턴 학습 및 채널/장르 추천 시스템을 개발하였다. 학습 응용 프로그램은 그림 5와 같은 확장된 학습구조를 이용하여 개발되었다.
학습 모듈은 제어 모듈의 요청에 따라 학습된 지식을 이용하여 채널 또는 장르를 추천한다. 학습은 일정기간동안 축적된 TV 시청 패턴을 이용해서 진행되었고, 입력으로는 0에서 1 사이로 정규화된 요일과 시간의 수치값이 사용되었다.
이론/모형
이 논문에서는 수어진 수치 데이터로부터 확률적 퍼지 룰 기반을 얻어내기 위해서 IFCS 학습 알고리즘 [11] 이 사용되었으며, 학습 과정은 그림 3에 보이는 것과 같다.
성능/효과
증가한다. 또한 공중파 5개 채널 및 9개 장르에 선택에 대한 학습 결과는 3번째 우선 순위까지 고려했을 경우, 90% 이상의 성공률을 나타낸다. 이것은 학습 시스템이 3번의 시도 안에 높은 만족도로 사용자가 원하는 채널을 추천해줄 수 있다는 것과 같다.
구조를 제안하였다. 또한, 제안된 학습 제어 구조를 개인화된 미디어 제어에 적용함으로써 사용자의 행동 패턴을 학습하여 의도 파악을 하고, 이에 맞추어 사용자가 원하는 미디어 컨텐츠를 효과적으로 추천해 줄 수 있음을 보였다.
이것은 학습 시스템이 3번의 시도 안에 높은 만족도로 사용자가 원하는 채널을 추천해줄 수 있다는 것과 같다. 여러 사용자의 데이터를 같이 학습하고, 사용자 ID를 입력으로 사용할 경우에도 좋은 성능을 보이지만, 수치화된 사용자 ID를 퍼지화 하여 입력으로 사용하는 과정에서 중첩이 일어날 수 있으므로 개인별로 독립적인 PFRB를 구성하는 것보다는 약간 낮은 성능을 보일 수도 있다. 따라서 개인별 성공률.
후속연구
끝으로, 학습 기능은 사용자 의도 파악 분야 뿐만 아니라 서비스 로봇 분야에서도 로봇의 지능을 높이기 위한 중요한 요소 기술로 여기지고 있으며, 이러한 기반 기술의 개발을 통해서 기존의 명령 수행에 중점을 두었던 수동적인 (passive) 로봇은 자동적 (automatic) 임과 동시에 자율적 (autonomous)인 지능 로봇으로 발전할 수 있을 것으로 보여진다.
boundary)를 효과적으로 다룰 수 있다. 또한 퍼지 집합과 논리는 지각 기반(perception-based)의 인간 지식을 코드화(codification)하여, 추론(inference)을 위한 기계 지식으로 변환하는데 효과적으로 사용될 수 있다.
참고문헌 (20)
A. M. Meystel and J. S. Albus, Intelligent Systems: Architecture, Design, and Control, New York: John Wiley & Sons, Inc., 2002
H.A.Simon, 'Why should machine learn?' in Machine Learning, Springer-Verlag, pp.25-38, 1984
Milan Sonika, 'Image Processing, Analysis and Machine Vision', PWS Publishing, pp. 83-87, 1999
Z. Bien, H. Hee, S. Lee, and K. Park, 'Learning Techniques in Service Robotic Environments', Applied Artificial Intelligence: Proc. of 7th International FLINS Conference, Genoa, Italy, 2006
Z. Zenn Bien and Dimitar Stefanov(eds), Advances in Rehabilitation Robotics: Human friendly Techniques on Movement Assistance and Restoration for People with Disability, Springer Verlag, June 2004
Z. Zenn Bien and Hyong-Euk Lee, 'Effective Learning System Techniques for Human-Robot Interaction in Service Environment', Knowledge- Based Systems, accepted, 2007
L. X. Wang and J. M. Mendel, 'Generating Fuzzy Rules by Learning from Examples', IEEE Trans. Systems, Man, and Cybernetics, vol. 22, no.6, pp. 1414-1427, 1992
Nefti, S., Oussalah, M., 'Probabilistic fuzzy clustering algorithm', 2004 IEEE International Conference on Systems, Man and Cybernetics, Vol. 5, pp. 4786 - 4791, 10-13 Oct. 2004
Liu. Z. and Li. H. - X, 'Probabilistic fuzzy logic system for modeling and control', IEEE Transactions on Fuzzy Systems, vol. 13, Issue 6, pp. 848-859, Dec. 2005
Hyong -Euk Lee and Z. Zenn Bien, 'Design of a Probabilistic Fuzzy Rule-based Learning System for Effective Intention Reading in Human-Machine Interaction', Proc. of 3rd International Conference on Ubiquitous Robots and Ambient Intelligence, Korea, Oct, 2006
Hyong-Euk Lee, Kwang-Hvun Park, and Z. Zenn Bien, 'Iterative Fuzzy Clustering Algorithm with Supervision to Construct Probabilistic Fuzzy Rule Base from Numerical Data', IEEE Trans. Fuzzy Systems, accepted, 2007
J C. Bezdek, Pattern Recognition with Fuzzy Objective Algorithms, New York: Plenum, 1981
X. L. Xie and G. Beni, 'Validity Measure for Fuzzy Clustering'. IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 13, No.8, pp. 841-847, 1991
Hyong-Euk Lee, Yong -Hwi Kim, Kwang-Hyun Park, Yong-Soo Kim, .Iin-Woo jung, joonmyun Cho, MinGyoung Kim and Z. Zenn Bien, 'Fuzzy Inductive Learning System for Learning Preference of the User's Behavior Pattern', Journal of Korea Fuzzy Logic and Intelligent Systems Society, Vol. 15, No.7, pp. 804-812, 2005
A. Baddeley, Working Memory, Oxford Psychology Series, Oxford: Clarendon Press,1986
W. James, Principles of Psychology, New York: Holt, 1890
J.D.E. Gabrieli, 'Cognitive neuroscience of human memory', in Annu. Rev. Psychol., vol.49, pp.87-115, 1998
Yingxu Wang, Ying Wang, 'Cognitive informatics models of the brain', IEEE Transactions on Systems, Man and Cybernetics, Part C, Vol. 36, Issue 2, pp. 203-207, March 2006
※ AI-Helper는 부적절한 답변을 할 수 있습니다.