$\require{mediawiki-texvc}$

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.

머신러닝을 위한 온톨로지 기반의 Raw Data 전처리 기법
Pre-processing Method of Raw Data Based on Ontology for Machine Learning 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.5, 2020년, pp.600 - 608  

황치곤 (Department of Computer Engineering, Institute of Information Technology) ,  윤창표 (Department Of Computer & Mobile Convergence, GyeongGi University of Science and Technology)

초록
AI-Helper 아이콘AI-Helper

머신러닝은 학습 데이터로부터 목적함수를 구성하고, 테스트 데이터를 통해 목적함수의 확인함으로써 발생하는 데이터에 대한 예측을 수행한다. 머신러닝에서 입력데이터는 전처리 과정을 통해 정규화 과정을 거친다. 이런 정규화는 입력데이터의 평균과 표준편차를 이용하여 표준화하거나, 수치 데이터가 아닌 nominal value는 one-hot 코드 형태로 변환하는 방식을 이용한다. 그러나 이 전처리 과정만으로 문제를 해결할 수 없다. 이러한 이유로 본 논문에서 입력데이터의 정규화를 위해 온톨로지를 이용하는 방법을 제안한다. 이를 위한 테스트 데이터는 모바일 기기로부터 수집된 와이파이 장치의 RSSI값을 이용하고, 수집된 데이터의 노이즈와 이질적 문제는 온톨로지를 이용하여 정제하는 방법을 제시한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Machine learning constructs an objective function from learning data, and predicts the result of the data generated by checking the objective function through test data. In machine learning, input data is subjected to a normalisation process through a preprocessing. In the case of numerical data, no...

주제어

#온톨로지   #기계학습   #데이터전처리   #입력데이터 정규화  

표/그림 (8)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

제안 방법

  • RSSI value. In this paper, SSID, MAC, and RSSI are used to identify the location of the signal measured by the Wi-Fi device. In addition, floor refers to the floor receiving the Wi-Fi signal, while store represents the room number of the measured building.
  • collected data. In this paper, we collect Wi-Fi signals received through a mobile device indoors and use this data as input data for machine learning in order to identify the corresponding areas. We use an ontology to solve the noise and heterogeneity issues in the collected data.
  • The proposed method starts by recognizing the importance of training data and test data used in machine learning. As part of our ongoing project, we needed to identify the location of the store by using the strength of the Wi-Fi signal recognised by the mobile device in a specific area.

대상 데이터

  • This signal is acquired by an Accumulator, and then measured and received by the mobile device. The Wi-Fi device used for testing was the data received from 494 devices, and the number of measurements was 7, 000 times. Table 1 shows the sample groups.
본문요약 정보가 도움이 되었나요?

참고문헌 (12)

  1. L.C.Navarro, A.K.W. Navarro, A.Gregio, A.Rocha, and R.Dahab, "Leveraging ontologies and machine-learning techniques for malware analysis into Android permissions ecosystems," Computers & Security, vol. 78, pp. 429-453, Sep. 2018. 

    상세보기

  2. X.Wang, and H.C.Kim, "Text Categorization with Improved Deep Learning Methods," Journal of information and communication convergence engineering, vol. 16, no.2, pp.106-113, 2018. 

    원문보기 상세보기 crossref

  3. H. Xiong, G. Pandey, and M. Steinbach, V. Kumar, "Enhancing data analysis with noise removal," IEEE Transactions on Knowledge and Data Engineering, vol. 18, no. 3, pp.304-319, 2006. 

    상세보기 crossref

  4. A. H. Doan, J. Madhavan, P. Domingos, and A. Halevy, "Ontology matching: A machine learning approach," In Handbook on Ontologies. Springer, Berlin, Heidelberg. pp. 385-403, 2004. 

  5. T.R.Gruber, "Towards principles for the design of ontologies used for knowledge sharing," International Journal of Human-Computer Studies, vol. 43, no. 5, pp.1-2, 1995. 

  6. C. P. Yoon, and C. G. Hwang, "Efficient indoor positioning systems for indoor location-based service provider," Journal of the Korea Institute of Information and Communication Engineering, vol.19, no.6, pp.1368-1373, 2015. 

    원문보기 상세보기 crossref

  7. M. S. Devi, and H. Mittal, "Machine learning techniques with ontology for subjective answer evaluation," International Journal on Natural Language Computing (IJNLC), vol. 5, no. 2, 2016. 

  8. B. Amann, C. Beeri, I. Fundulaki, and M. Scholl, "Ontology-Based Integration of XML Web Resources," In International Semantic Web Conference (ISWC), pp.117-131, 2002. 

  9. Architecture Committee, "Semantic Web Services Architecture requirements," Working draft, Version 1.0, [Internet]. Available: http://www.daml.org/services/swsa/swsa-requirements.html, 2004. 

  10. Y.Bengio, "Learning deep architectures for AI," Foundations and trends in Machine Learning, vol.2, no.1, pp.1-127, 2009. 

    상세보기 crossref

  11. A.Singh, "Foundations of Machine Learning," Available at SSRN 3399990, 2019. 

  12. T. Miyato, S. Maeda, M. Koyama, and S. Ishii, "Virtual adversarial training: a regularization method for supervised and semi-supervised learning," IEEE transactions on pattern analysis and machine intelligence, vol. 41, no. 8, pp.1979-1993, 2018. 

    상세보기 crossref

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
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

맨위로