선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 수행시간이 증가된다. 따라서 본 논문에서는 모델 최적화를 위한 진화알고리즘의 수행 시간 단축을 위해, 개체평가 단계에서 모델을 생성할 때 학습 데이터 전체를 이용하는 대신 샘플링된 부분 학습 데이터로 개체를 평가하는 데이터 분할 평가 진화알고리즘(EA-DPE: evolutionary algorithm with data partition evaluation) 을 제안한다.
- 본 논문에서는 퍼지화에서 알갱이 문제를 해결하기 위해, 클래스 분포에 따라 초기 소속함수를 생성하고 정확하고 간결한 퍼지 분류규칙을 생성할 수 있도록 소속함수를 최적화시키면서 규칙을 생성하는 방법을 제안하였다. 제안한 방법은 지도 군집화로 초기 소속함수를 생성하고 정확성이 높은 간결한 규칙을 생성할 수 있도록 소속함수를 진화알고리즘으로 진화시키면서 퍼지 분류규칙을 생성한다、퍼지 분류규칙은 FDT를 이용하여 퍼지 의사결정트리를 생성하고 생성된 트리로부터 규칙들을 추출한다.
- 본 논문에서는 효율적인 퍼지 분류규칙을 생성하기 위해 지도 군집화로 클래스 분포에 따라 초기 소속함수의 개수와 모양을 결정하고 정확성이 높은 간결한 퍼지 분류규칙을 생성할 수 있도록 소속함수의 개수와 모양을 진화알고리즘으로 진화시키는 방법을 제안한다.
제안 방법
- [3] 에서는 사전에 정의된 소속함수로부터 전역적 이산화(읺obal discretization)로 퍼지 의사결정트리를 생성하고, 보다 간결하고 정확한 트리를 생성하기 위해 분류에서 속성의 기여도를 이용한 휴리스틱 방법을 제안하였다. FID(fuzzy ID3)[4] 는 C4.5처럼 퍼지 무질서 도(fuzzy entropy)가 가장 낮은 분할 점을 찾고 이를 기준으로 퍼지 경계가 생길 수 있도록 두 개의 사다리꼴 소속함수를 생성하였다. FID 는<그림 2>와같이 지역적 이산화(local discretization)로 트리를 생성함으로 트리가 생성되면 각 속성마다 소속함수 개수가 결정된다.
- KDD, 99 침입 탐지 데이터는 침입 탐지 연구의 평가를 목적으로 1998년 DARPA 침입 탐지 평가 프로그램 (intrusion detection evaluation program) 에 의해 9주 동안 미국 군사 네트워크에서 시뮬레이션을 통해 제작되었다.
- 개체집단에 표현된 소속함수로부터 FDT을 이용하여 퍼지 의사결정트리를 생성하고 생성된 트리로부터 퍼지 분류규칙을 추출한다. 추출된 규칙이 간결하면서 정확성이 높은 규칙인지 개체평가 단계에서 적합도 함수를 통해 평가한다.
- 그러나 이러한 방법들은 사전에 적절한 소속함수 개수를 결정하기 어렵기 때문에 연속형 속성을 두 개에서부터 다섯 개까지 균등하게 분할된 14개의 삼각형 소속함수와 속성의 전체 범위에서 정의된 직사각형 소속함수 1개를 포함한 총 15개의 소속함수에서 최대 조건 항의 개수(벡터공간 차원 개수)만큼 중복 선택하면서 분류규칙의 조건부를 생성한 후에 결론부와 확신도를 계산하여 규칙을 생성하였고, 진화 다중목적 최적화(evolutionary multi-objective optimization) 로 정확하고 간결한 퍼지 분류규칙을 선택하였다.[7, 8, 9].
- 퍼지 분류규칙은 진화되는 소속함수들을 이용하여 FDT[2]로 퍼지 의사결정트리를 생성한 다음 추출한다. 또한 진화알고리즘의 개체평가 시간을 단축시키기 위해 전체 학습 데이터를 兀 개의 부분 학습 데이터로 분할하여 개체를 평가하는 데이터 분할 평가 진화 방법을 제안한다.
- 제안한 방법은 지도 군집화로 초기 소속함수를 생성하고 정확성이 높은 간결한 규칙을 생성할 수 있도록 소속함수를 진화알고리즘으로 진화시키면서 퍼지 분류규칙을 생성한다、퍼지 분류규칙은 FDT를 이용하여 퍼지 의사결정트리를 생성하고 생성된 트리로부터 규칙들을 추출한다. 또한 진화알고리즘의 수행 시간을 단축시키기 위해 개체평가 단계에서 전체 학습 데이터를 이용하는 대신 부분 학습 데이터로 개체를 진화시키는 데이터 분할 평가 진화 방법을 제안하였다.
- 소속함수를 적게 사용하면 생성되는 퍼지 분류규칙의 정확성이 떨어지고, 너무 많이 사용하면 생성되는 퍼지 분류규칙이 많아져 간결성이 떨어진다. 본 논문에서는 지도 군집화(supervised clustering)로 클래스의 분포를 고려하여 적절한 소속함수의 개수를 결정한다.
- 본 실험에서 진화알고리즘의 기본 매개변수인 개체 집단크기를 20으로 설정하였고, 교배확률은 0.4, 돌연변이 확률은 0.1 로 설정하였다. 그리고 개체평가 단계에서 FDT의 단말노드 조건인 C와 C을 각각 035와 0.
- 본 실험에서 진화알고리즘의 기본 매개변수인 개체집단의 크기는 30, 교배 확률은 0.9, 돌연변이 확률은 0.9로 설정하였고, 5000세대까지 진화시켰다. 그 결과<표 2>와 같다.
- 평가 데이터에 존재하기 때문이다. 본 실험에서는 KDD'99 Cup에서 제공한 클래스 범주화 스크립트를 사용하여 총 38개의 클래스를 대분류 5개('normal', 'probe', 'DOS', 'U2R', 'R2L')로 범주화하였고, 41개 속성 중 범주형 속성을 제외한 38개의 연속형 속성만을 사용하였다.
- 본 실험에서는 [3, 11]에서 사용되었던 UCI 벤치마크 데이터들을 이용하여 기존 방법과 비교하였다. 사용된 데이터에 대한 세부 사항은<표 1>과 같다.
- 본 실험은 1999년도 KDD Cup에서 제공되었던 침입 탐지데이터를 이용하여 기존 방법과 비교 평가하였고 대용량 데이터에서 제안한 데이터 분할 평가 진화 방법의 타당성을 확인하였다.
- 비교 평가 척도로 생성된 퍼지 분류규칙의 정확성과 간결성을 고려하였다. 정확성은 평가 데이터 중에 정확하게 분류한 백분율인 인식률로 계산하였고, 간결성은 생성된 규칙 개수와 조건항 개수로 나타내었다.
- 실험은 랜덤 초기값을 0에서 9까지 변경하면서 10회 반복 수행하여 평균을 구했다.
- 분류규칙을 추출한다. 이때 정확성과 간결성이 높은 퍼지 분류규칙을 생성하기 위해 진화알고리즘을 사용하여 소속함수를 최적화시킨다.
- 적합도가 상대적으로 우수한 개체(부모 개체)들을 선택(재생산)한 후 교배 (crossover), 돌연변이 (mutation) 등의 진화연산을 적용하여 새로운 개체(자식 개체)를 생성하고 이 새로운 개체들이 새로운 세대를 이룬다. 이와 같이 개체의 평가, 진화연산 적용 등의 과정을 종료 조건이 만족될 때까지 반복적으로 수행함으로써 개체를 시켜 문제에 대한 최적의 해를 구한다.<그림 4>는 진화알고리즘을 나타내며 이는 t 세대의 개체집단을 나타낸다.
- 인식률과 탐지 비용, 오 탐지율, 미탐지율의 항목으로 제안한 방법에 의해 생성된 침입 탐지를 위한 퍼지 분류규칙의 정확성을 평가한다. 인식률은 전체 평가 데이터 311, 029건 중에 정확히 분류한 백분율로 나타낸다.
- 주어진 문제의 잠재적 해를 개체 (individual)로인코딩하여 초기 개체집단(세대)을 만들고 개체가 주어진 문제의 제약조건에 얼마나 부합한 지 목적함수를 평가하여 각 개체의 적합도(fitness score)를 계산한다. 적합도가 상대적으로 우수한 개체(부모 개체)들을 선택(재생산)한 후 교배 (crossover), 돌연변이 (mutation) 등의 진화연산을 적용하여 새로운 개체(자식 개체)를 생성하고 이 새로운 개체들이 새로운 세대를 이룬다. 이와 같이 개체의 평가, 진화연산 적용 등의 과정을 종료 조건이 만족될 때까지 반복적으로 수행함으로써 개체를 시켜 문제에 대한 최적의 해를 구한다.
- 제안한 방법은 앞서 기술한 기존 방법과 다르게 소속함수를 진화시키면서 퍼지 의사결정트리를 생성하고 평가하므로 소속함수와 퍼지 분류규칙이 자동으로 생성된다. 따라서 퍼지화에서 발생되는 알갱이 문제를 해결할 수 있다.
- 1 일 때), 많은 규칙이 생성되면서 정확성이 낮은 경우가 발생되면 적합도에 음수가 발생될 수 있으므로 식 (6) 에 1을 더한다. 제안한 방법은 엘리트(elitist) 방법과 룰렛휠(roulette wheel) 방법으로 다음 세대의 개체들을 선택하기 때문에, 적합도는 반드시 0보다 같거나 커야 한다.
- 규칙을 생성하는 방법을 제안하였다. 제안한 방법은 지도 군집화로 초기 소속함수를 생성하고 정확성이 높은 간결한 규칙을 생성할 수 있도록 소속함수를 진화알고리즘으로 진화시키면서 퍼지 분류규칙을 생성한다、퍼지 분류규칙은 FDT를 이용하여 퍼지 의사결정트리를 생성하고 생성된 트리로부터 규칙들을 추출한다. 또한 진화알고리즘의 수행 시간을 단축시키기 위해 개체평가 단계에서 전체 학습 데이터를 이용하는 대신 부분 학습 데이터로 개체를 진화시키는 데이터 분할 평가 진화 방법을 제안하였다.
- 제안한 방법은와 같이 클래스 분포에 따라 초기 소속함수를 생성하고 정확성이 높은 간결한 퍼지 분류규칙을 생성할 수 있도록 소속함수를 진화알고리즘으로 최적화시키는 방법이다.
- 있다. 주어진 문제의 잠재적 해를 개체 (individual)로인코딩하여 초기 개체집단(세대)을 만들고 개체가 주어진 문제의 제약조건에 얼마나 부합한 지 목적함수를 평가하여 각 개체의 적합도(fitness score)를 계산한다. 적합도가 상대적으로 우수한 개체(부모 개체)들을 선택(재생산)한 후 교배 (crossover), 돌연변이 (mutation) 등의 진화연산을 적용하여 새로운 개체(자식 개체)를 생성하고 이 새로운 개체들이 새로운 세대를 이룬다.
- 01로 설정하였다. 진화종료 조건은 엘리트 개체의 인식률이 95% 이상 이거나 엘리트 개체의 적합도가 30세대 동안 변하지 않을 경우에 종료하고 최대 100세대까지 진화하도록 설정하였다.
- 추출한다. 추출된 규칙이 간결하면서 정확성이 높은 규칙인지 개체평가 단계에서 적합도 함수를 통해 평가한다. 적합도 함수는 식 (6) 과 같이 정의하고 간결성과 정확성의 비중을 나타내기 위해 가중치 w를 고려한다.
- 클래스 분포에 따라 생성된 초기 소속함수로부터 퍼지 의사결정트리를 생성하고, 생성된 퍼지 의사결정트리로부터 퍼지 분류규칙을 추출한다. 이때 정확성과 간결성이 높은 퍼지 분류규칙을 생성하기 위해 진화알고리즘을 사용하여 소속함수를 최적화시킨다.
대상 데이터
- 실험은 학습 데이터와 평가 데이터에서 각각 3, 000(nor- mal(900), probe(411), DOS(1231), U2R(52), R2L(406)) 건을클래스별 계통추출 방법으로 샘플링하여 진화 과정에서 사용하고, 진화 종료- 후 311, 029건의 전체 평가 데이터로 평가하였다. 실험은 랜덤 초기값을 0에서 9까지 변경하면서 10회 반복 수행하여 평균을 구했다.
데이터처리
- 제안한 퍼지 분류규칙 생성 방법의 타당성을 검증하기 위해 UCI[14]에서 제공되는 벤치마크 데이터와 1999년도 KDD(knowledge discovery and data-mining) Cup[15] 에서 제공되었던 침입탐지 데이터를 이용하여 기존 방법과 비교 평가하였다. 비교 평가 척도로 생성된 퍼지 분류규칙의 정확성과 간결성을 고려하였다.
이론/모형
- 또한 그림과 같이 서로 다른 클래스가 축에 평행하지 않게 분포되어있을 경우 퍼지 분류규칙이 일반 분류규칙보다 적은 개 수로 데이터를 분류할 수 있다. 본 논문에서는 FDT를 이용하여 퍼지 분류규칙을 생성한다.
- 특히, 간결한 규칙을 위해 진화 중에 규칙기반 간소화(rule base simplification) 방법을 적용하여 규칙의 조건부를 간소화시켰다. [10] 에서는 지도 퍼지 군집화로 소속함수를 결정하고 초기 퍼지 분류규칙을 생성하였다.
성능/효과
- UCI 벤치마크 데이터와 KDD99 침입 탐지 데이터를 이용하여 기존 방법과 비교한 결과, UCI 벤치마크 데이터에서는 적합도 함수에서 간결성 비중을 0.9로 고려하였을 경우 평균적으로 규칙 개수는 약 5개가 적으며 정확성은 약 2% 향상되었고, KDD'99 침입 탐지 데이터에서는 적합도 함수에서 정확성의 비중을 0.5 이상 주고 진화시킨 소속함수로 퍼지 분류규칙을 생성한 경우 기존 방법보다 정확성은 최대 1.54% 향상되었고 탐지 비용은 최대 20.8% 감소되었다. 특히 데이터 분할 평가 진화 방법으로 평균 개체 평가시간이 전체학습 데이터에서 부분 학습 데이터 비율에 비례해 단축되면서 정확성과 간결성은 전체 학습 데이터를 이용하였을 때와 유사한 결과를 보였다.
- 보여준다. 가중치가 증가함에 따라 인식률은 증가하고 규칙 개수와 조건항 개수가 증가됨을 확인할 수 있다. 또한 인식률이 높아지면 탐지 비용과 미탐지율(FNR)。] 감소되는것은 가중치가 증가함에 따라 적합도 함수에서 정확도 항목의 비중을 크게 하여 진화하게 되고, 그 결과 평가 시 사용된 데이터에서 U2R과 같은 낮은 비율의 클래스를 분류할 수 있는 규칙이 생성되기 때문이다.
- 3% 절감되었다. 또한 KDD'99 Cup 우승자의 경우보다 인식률이 1.54% 높아지고 탐지 비용은 20.8% 절감되었다.
- 6>와 같다. 본 논문에서 클래스 분포를 고려하여 초기 소속함수를 생성하고 소속함수를 최적화 시키면서 퍼지 분류규칙을 생성한 제안한 방법이 임의로 초기 소속함수를 생성하여 규칙을 생성한 MOGFID보다 인식률이 1.48% 높아지고 탐지 비용은 20.3% 절감되었다. 또한 KDD'99 Cup 우승자의 경우보다 인식률이 1.
- 규칙 개수가 많아지는 것은 FDT로 퍼지 분류규칙을 생성하는데 소요되는 시간이 증가되는 것을 의미한다. 본 실험에서는 제안한 데이터 분할 평가 진화 방법을 적용하여 개체평가 시간이 약 70% 감소하고 탐지 성능도 전체 학습 데이터를 사용한 것과 유사한 효과를 얻었다.
- 대한 실험 결과이다. 생성된 퍼지 분류규칙은 첫 번쨰 속성 (Al: total serum thyroxin as measured by the isotopic displacement method)만 고려하여 세 개의 클래스 (1:정상, 2: 갑상선 기능 항진증, 3: 갑상선 기능 저항증)를 (3)보다 약 3개 적은 규칙으로 약 7% 향상된 정확성을 보였다.
- 비교 평가 척도로 생성된 퍼지 분류규칙의 정확성과 간결성을 고려하였다. 정확성은 평가 데이터 중에 정확하게 분류한 백분율인 인식률로 계산하였고, 간결성은 생성된 규칙 개수와 조건항 개수로 나타내었다.
- 제안한 방법에서 퍼지 분류규칙은 퍼지 의사결정트리로 생성하므로 학습 데이터 개수가 많아지면 퍼지 분류규칙을 생성하는 개체평가 단계에서 시간이 많이 소요되어 진화알고리즘의 수행시간이 증가된다. 따라서 본 논문에서는 모델 최적화를 위한 진화알고리즘의 수행 시간 단축을 위해, 개체평가 단계에서 모델을 생성할 때 학습 데이터 전체를 이용하는 대신 샘플링된 부분 학습 데이터로 개체를 평가하는 데이터 분할 평가 진화알고리즘(EA-DPE: evolutionary algorithm with data partition evaluation) 을 제안한다.
후속연구
- 대한 연구가 요구된다. 또한 학습 데이터에서 상대적으로 빈도가 낮은 클래스에 대해서 효과적으로 분류할 수 있는 방법에 대한 연구가 필요하다. 마지막으로 제안한 방법을 로봇 분야 또는 센서 네트워크 분야에서 다양한 센서들로부터 상황인식을 위한 규칙 생성에 적용함으로써 보다 일반화된 타당성을 검증한다.
- 또한 학습 데이터에서 상대적으로 빈도가 낮은 클래스에 대해서 효과적으로 분류할 수 있는 방법에 대한 연구가 필요하다. 마지막으로 제안한 방법을 로봇 분야 또는 센서 네트워크 분야에서 다양한 센서들로부터 상황인식을 위한 규칙 생성에 적용함으로써 보다 일반화된 타당성을 검증한다.
- 향후 연구로 진화알고리즘의 효율성을 보다 높이기 위해 진화 수렴 세대를 효과적으로 단축시킬 수 있는 휴리스틱 진화 연산에 대한 연구가 요구된다. 또한 학습 데이터에서 상대적으로 빈도가 낮은 클래스에 대해서 효과적으로 분류할 수 있는 방법에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.