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
- - 본 연구에서는 데이터 부족으로 인한 불확실성을 최소화 하는 새로운 알고리즘을 개발하였다.
- 본절에서는 기존 예측 시각적 분석 연구의 흐름과 청소년 신체 성장 예측 연구에 대해 정리한다. 그리고 기존 연구 대비 본 연구의 차별성에 대해 기술한다.
- 논문에서는 전체적인 추세가 알려지지 않은 시계열 단편데이터로부터 물리량을 예측할 수 있는 알고리즘을 기술하였다. 제안한 알고리즘은 신체 구성의 분포가 모든 연령대에 대해 유사하다는 가설을 바탕으로 적용된다.
- 같이 정리할 수 있다. 먼저 본 연구에는 데이터에서야기되는 불확실성 요소를 해소할 수 있는 새로운 알고리즘을 개발했다. 기존 연구는 Figure 1과 같이 예측 분석 프로세스에서 상호작용형 시각화 기법을 적용하여 예측 결과의불확실성을 최소화하는데 집중했다.
- 본 논문에서는 시간 흐름에 따른 청소년 성장 패턴을 예측하기 위한 새로운 예측 모델을 제안한다. 청소년 신체 성장 데이터는 전체적인 추세가 알려지지 않은 시계열 단편데이터로서 불규칙적인 측정 주기, 간격 횟수 등 데이터 부족으로 인해 기존 예측 모델을 적용할 수 없다.
- 본 논문에서는 학생 신체 성장 데이터와 같이 전체적인추세가 알려지지 않은 시계열 단편 데이터에서 물리적 성장값을 예측하기 위한 새로운 예측 모델을 제안한다. 예측 모델은 시간 흐름에 따른 데이터 분포를 추정하는 방법으로, 유사한 데이터를 탐색하고 이를 연결하는 데이터 중심 접근 방법이다.
- 본 절에서는 시스템 디자인의 이론적 근거에 기반 한 예측 시각적 분석 시스템에 대해 기술한다. 연구진은 예측 시각적 분석 시스템을 설계하기 위해 관련 연구를 바탕으로다음과 같은 이론적 근거를 설정하였다.
- 서론에서 언급하였듯이 본 논문에서는 데이터 불확실성을 해소할 수 있는 예측 시각적 분석 방법을 제안한다. 본절에서는 기존 예측 시각적 분석 연구의 흐름과 청소년 신체 성장 예측 연구에 대해 정리한다.
- 전염병 확산[19], 날씨[20], 우범지역 예측[8] 등 시뮬레이션이 필요한 연구에 많이 이용된다. 이러한 연구의 공통 목표는 사용자가 공간 모델링관련 지식이 없어도 잠재적인 위치와 시간을 예측할 수 있도록 대화형 시각적 분석을 최대한 활용할 수 있도록 한다.
- 예측 모델은 시간 흐름에 따른 데이터 분포를 추정하는 방법으로, 유사한 데이터를 탐색하고 이를 연결하는 데이터 중심 접근 방법이다. 이와 더불어 본 논문에서는 예측 모델링 과정에서 발생 가능한 불확실요소를 정리하고, 이를 최소화 할 수있는 시각적 분석 방법을 제안한다. 본 논문에서 제안한 기술적 방법론은 관련 연구 분야에서 다음과 같은 차별성을갖는다.
가설 설정
- 즉 키는 protein mass와 강한 양의 상관관계를 가지며, 지방과 관련된 요소와 약한 양의 상관관계를 갖는다. 상관관계를 분석한 다음, 분석가는 성장 예측 모델링에 사용할 신체 요소를 Figure 4 (a) Parameter view에서 선택해야한다. 우리는 Figure 5에서 도출된 결과를 바탕으로 키와 높은 양의 상관관계를 갖는 성장 요소들 중 skeletal muscle와 weight 그리고 시간 요소인 grade를 선택했다.
- 두 번째로기존 예측 모델은 새로운 데이터가 업데이트 될 때마다 지속적인 정확도 검증을 해야 한다[3]. 만약 성장 패턴을 모두 분류한 다음 각 dass에 적합한 예측 모델은 구현했다고 가정한다. 데이터 분석가는 새로운 데이터를 업데이트 할 때마다 Figure 1의 과정을 반복해야 한다.
- 여기서 고안하여 우리는 n학년의 키 분포와 n+1 학년의 키 분포 모두 정규 분포를 따르므로 결국 학년이 올라가도 분포 상에서의 위치는 크게 변하지 않을 것이라는 가설을 세웠다{Figure 3). 제안하는 예측 모델은 가설을 토대로 Euclidean distance를 이용하여 n+1학년에서 가장 유사한 위치에 있는 학생을 찾는 것이다.
- 제안한 알고리즘은 신체 구성의 분포가 모든 연령대에 대해 유사하다는 가설을 바탕으로 적용된다. 그러나 몸무게, BMI 와 같이 지방과 관련된 신체 구성 데이터 일부는 정규분포를 따르지 않는 경향이 있으며, 이는 예측 결과에서 높은 불확실성을 야기한다.
- 좀 더 자세한 설명을 위해 시간 흐름에 따른 키 성장 정도를 예측하기 위한 알고리즘을 구현한다고 가정한다. 예측모델링에 앞서 분석가는 신체 성장 데이터의 상관관계를 분석하기 위해 Figure 5와 같이 시각화했다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.