최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기대한산업공학회지 = Journal of the Korean Institute of Industrial Engineers, v.42 no.4, 2016년, pp.263 - 269
권혁호 (한양대학교 융합기계공학과) , 김승욱 (한양대학교 융합기계공학과) , 최동훈 (한양대학교 기계공학과) , 이기천 (한양대학교 산업공학과)
The purpose of this study is to challenge a computational regression-type problem, that is handling large-size data, in which conventional metamodeling techniques often fail in a practical sense. To solve such problems, regression-type boosting, one of ensemble model techniques, together with bootst...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
부스팅은 어떤 방법인가? | 이러한 문제점을 해결하고자 산업공학 분야에서 사용하는 앙상블 기법의 하나인 부스팅을 이용하고자 한다. 부스팅은 다양한 근사모델을 생성하고, 이들을 정확도에 따라 서로 다른 가중치로 조합하는 방법이다. 부스팅을 대량 데이터에 적용하는 경우에 랜덤복원추출 방법을 이용하여 방대한 데이터에서 일부 데이터를 선택한 후, 이를 이용하여 근사모델을 생성한다. | |
근사모델의 역할은? | 이처럼 설계과정의 효율성을 극대화하기 위해 산업 분야에서 사용하는 방법 중 하나가 근사모델이다. 근사모델은 해석이나 실험을 통해 얻은 실제 응답 값을 기반으로 설계 공간 내에서 아직 해석이나 실험이 수행되지 않은 위치에서의 응답값을 예측해주는 역할을 한다. 각 산업 현장에서 갖고 있는 방대한 양의 데이터를 이용하여 근사모델을 제작한다면 정확성이 높은 근사모델을 얻을 수 있다(Chen et al. | |
일반 근사모델이 방대한 데이터를 효과적으로 다루는 데에 한계가 있는 이유는? | 하지만 일반 근사모델의 경우 방대한 데이터들을 효과적으로 다루기에는 한계가 있다. 데이터가 많아질수록 근사모델제작에 필요한 변수 행렬이 커져 역행렬 계산이 어려워지기 때문이다. 따라서 방대한 데이터를 이용하여 한 번에 근사모델을 만드는 경우, 정확성이 부정확해진다. |
Drucker, H. (1997), Improving regressors using boosting techniques, Proceedings of the 14th International Conference of Machine Learning.
Freund, Y. and Schapire, R. E. (1997), A decision-theoretic generalization of on-line learning and an application to boosting, Journal of computer and system sciences, 55(1), 119-139.
Gao, F., Kou, P., Gao, L., and Guan, X. (2013), Boosting regression methods based on a geometric conversion approach : using SVMs base learners, Neurocomputing, 113(3), 67-87.
Jin, R., Chen, W., and Simpson, T. W. (2001), Comparative Studies of Metamodeling Techniques under Multiple Modeling Criteria, Structural and Multidisciplinary Optimization, 23(1), 1-13.
Kodiyalam, S., Yang, R. J., and Gu, L. (2004), High-Performance Computing and Surrogate Modeling for Rapid Visualization with Multidisciplinary Optimization, AIAA Journal, 42(11), 2347-2354.
Madsen, K. and Zilinskas, J. (2000), Testing branch-and-bound methods for global optimization, IMM technical report, Technical University of Denmark.
Sasena, M. J. (2002), Flexibility and Efficiency Enhancement for Constrained Global Design Optimization with Kriging Approximations, PhD thesis, University of Michigan.
Park, C. I., Kim, Y. D., Kim, J. S., Song, J. W., and Choi, H. S. (2011), Data Mining with R, Kyowoosa.
Powell, M. J. D. (1987), Radial Basis Functions for Multivariable Interpolation : A review, Oxford University Press, 143-167.
Shrestha, D. L. and Solomatine, D. P. (2006), Experiments with Ada Boost.RT : an improved boosting scheme for regression, Neural computation, 18(7), 1678-1710.
Simpson, T. W., Toropov, V., Balabanov, V., and Viana, F. A. C. (2008), Design and Analysis of Computer Experiments in Multidisciplinary Design Optimization : A Review of How Far We Have Come-or Not, 12th AIAA/ISSMO Multidisciplinary and Optimization Conference.
Solomatine, D. P. and Shrestha, D. L. (2004), AdaBoost.RT : a boosting algorithm for regression problems, Proceedings of the International Joint Conference on Neural Networks.
Wang, G. G. and Shan, S. (2007), Review of Metamodeling Techniques in Support of Engineering Design Optimization, Journal of Mechanical Design, 129(4), 370-380.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.