[논문]통합 비교차 다중 분위수회귀나무 모형을 활용한 AI 면접체계 자료 분석

김재오; 방성완

doi:10.5351/kjas.2020.36.6.753

초록
AI-Helper

본 연구는 대한민국 육군이 선도적으로 도입하고자 노력하고 있는 AI 면접체계의 자료를 통합 비교차 다중 분위수 회귀나무 모형(unified non-crossing multiple quantile tree; UNQRT)을 활용하여 분석한 것이다. 분위수 회귀가 일반적인 선형회귀에 비하여 많은 장점을 가지지만, 선형성 가정은 여전히 많은 현실 문제해결에 있어 지나치게 강한 가정이다. 선형성을 완화한 모형의 하나인 기존 나무모형 기반의 분위수 회귀는 추정된 분위수 함수별로 교차하는 문제와 분위수별로 나무모형을 제시하여 해석력을 저하시키는 문제가 있다. 통합 비교차 다중 분위수회귀나무 모형은 비교차 제약식을 부여한 상태로 다중 분위수 함수를 동시에 추정함으로서 분위수 함수의 교차 문제를 해결하며, 극단 분위수에서 안정된 결과를 기대할 수 있고, 하나의 통합된 나무모형을 제시하여 우수한 해석력이 있다. 본 연구에서는 통합 비교차 다중 분위수회귀나무 모형을 활용하여 육군 AI 면접체계의 결과와 기존 인사자료간 관계를 충분히 탐색하여 의미있는 다양한 결과를 도출하였다.

Abstract ▼ AI-Helper

With an increasing interest in integrating artificial intelligence (AI) into interview processes, the Republic of Korea (ROK) army is trying to lead and analyze AI-powered interview platform. This study is to analyze the AI interview data using a unified non-crossing multiple quantile tree (UNQRT) m...

With an increasing interest in integrating artificial intelligence (AI) into interview processes, the Republic of Korea (ROK) army is trying to lead and analyze AI-powered interview platform. This study is to analyze the AI interview data using a unified non-crossing multiple quantile tree (UNQRT) model. Compared to the UNQRT, the existing models, such as quantile regression and quantile regression tree model (QRT), are inadequate for the analysis of AI interview data. Specially, the linearity assumption of the quantile regression is overly strong for the aforementioned application. While the QRT model seems to be applicable by relaxing the linearity assumption, it suffers from crossing problems among estimated quantile functions and leads to an uninterpretable model. The UNQRT circumvents the crossing problem of quantile functions by simultaneously estimating multiple quantile functions with a non-crossing constraint and is robust from extreme quantiles. Furthermore, the single tree construction from the UNQRT leads to an interpretable model compared to the QRT model. In this study, by using the UNQRT, we explored the relationship between the results of the Army AI interview system and the existing personnel data to derive meaningful results.

주제어

표/그림 (3)

그림 Figure 4.1. The tree models from QRT and UNQRT for the AI interview data. The numbers within circles or squares are node numbers and the numbers beneath each terminal node are the node sample sizes. The observation goes to the left if the condition is satis?ed at the intermediate nodes; otherwise, it goes to the right.
그림 Figure 4.2. Fitted quantile functions of the log result of AI interview against log FIR for the AI interview data. The locally weighted scatterplot smoothing is used for effective visualization. The left and right panels show the QRT and UNQRT estimates, respectively. The blue solid lines represent the estimated quantile functions at τ = 0.1, 0.5, and 0.9, and the dashed red lines represent the estimated quantile functions at τ = 0.3 and 0.7.
표 Table 4.1. Prediction accuracy of the AI interview data of the ROK army

참고문헌 (14)

Bondell, H. D., Reich, B. J., and Wang, H. (2010). Noncrossing quantile regression curve estimation, Biometrika, 97, 825-838.

상세보기
Breiman, L., Friedman, J. H., Olshen, R. A., and Stone, C. J. (1984). Classification and Regression Trees, Wadsworth, Belmont.
Chang, Y. (2016). Variable selection with quantile regression tree, The Korean Journal of Applied Statistics, 29, 1095-1106.

원문보기 상세보기
Chaudhuri, P. and Loh, W. Y. (2002). Nonparametric estimation of conditional quantiles using quantile regression trees, Bernoulli, 8, 561-576.

상세보기
Farcomeni, A. (2012). Quantile regression for longitudinal data based on latent Markov subject-specific parameters, Statistics and Computing, 22, 141-152.

상세보기
Kim, J., Cho H., and Bang, S. (2019). Unified noncrossing multiple quantile regressions tree, Journal of Computational and Graphical Statistics, 28, 454-465.

상세보기
Koenker, R. and Bassett Jr, G. (1978). Regression quantiles, Econometrica: Journal of the Econometric Society, 33-50.
Liu, Y. and Wu, Y. (2011). Simultaneous multiple non-crossing quantile regression estimation using kernel constraints, Journal of nonparametric statistics, 23, 415-437.

상세보기
Loh, W. Y. (2002). Regression trees with unbiased variable selection and interaction detection, Statistica Sinica, 12, 361-386.

상세보기
Luo, X., Huang, C. Y., and Wang, L. (2013). Quantile regression for recurrent gap time data, Biometrics, 69, 375-385.

상세보기
Portnoy, S. (2003). Censored regression quantiles, Journal of the American Statistical Association, 98, 1001-1012.

상세보기
Sun, X., Peng, L., Huang, Y., and Lai, H. J. (2016). Generalizing quantile regression for counting processes with applications to recurrent events, Journal of the American Statistical Association, 111, 145-156.

상세보기
Theil, H. (1970). On the estimation of relationships involving qualitative variables, American Journal of Sociology, 76, 103-154.

상세보기
Wang, H. J. and Fygenson, M. (2009). Inference for censored quantile regression models in longitudinal studies, The Annals of Statistics, 37, 756-781.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

통합 비교차 다중 분위수회귀나무 모형을 활용한 AI 면접체계 자료 분석
Analysis of AI interview data using unified non-crossing multiple quantile regression tree model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (3)

표/그림 (3)

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

통합 비교차 다중 분위수회귀나무 모형을 활용한 AI 면접체계 자료 분석 Analysis of AI interview data using unified non-crossing multiple quantile regression tree model 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (3)

표/그림 (3)

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

방성완 (18)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

통합 비교차 다중 분위수회귀나무 모형을 활용한 AI 면접체계 자료 분석
Analysis of AI interview data using unified non-crossing multiple quantile regression tree model 원문보기

초록
AI-Helper