[논문]Recommendation Model for Battlefield Analysis based on Siamese Network

Geewon, Suh; Yukyung, Shin; Soyeon, Jin; Woosin, Lee; Jongchul, Ahn; Changho, Suh

doi:10.9708/jksci.2023.28.01.001

Recommendation Model for Battlefield Analysis based on Siamese Network 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.28 no.1, 2023년, pp.1 - 8

Geewon, Suh (Dept. of Electrical Engineering, KAIST) , Yukyung, Shin (Intelligent C4I Team, Hanwha Systems Co.) , Soyeon, Jin (Intelligent C4I Team, Hanwha Systems Co.) , Woosin, Lee (Intelligent C4I Team, Hanwha Systems Co.) , Jongchul, Ahn (Intelligent C4I Team, Hanwha Systems Co.) , Changho, Suh (Dept. of Electrical Engineering, KAIST)

초록
AI-Helper

점점 더 복잡해지고 다양해지는 무기체계와 급격하게 변화하는 전장정보에 따라서, 인공지능을 사용한 전장 상황 분석 연구의 필요성이 대두되고 있다. 본 논문에서는 전장 상황을 분석하여 현재 상황에 적합한 가설을 추천해주는 분석결과 추천 학습모델의 학습 및 설계 방안을 제안한다. 학습 모델은 두 가설을 비교하여 결정되는 선호 여부를 레이블 데이터로 활용하여, 어떠한 가설이 현재 전장상황을 잘 분석하고 있는지 학습한다. 또한 후처리 랭킹 알고리즘을 통하여 각각의 가설에 대한 종합점수를 부여하고, 점수가 높은 상위 가설들을 지휘관에게 추천할 수 있음을 확인한다.

Abstract ▼ AI-Helper

In this paper, we propose a training method of a recommendation learning model that analyzes the battlefield situation and recommends a suitable hypothesis for the current situation. The proposed learning model uses the preference determined by comparing the two hypotheses as a label data to learn which hypothesis best analyzes the current battlefield situation. Our model is based on Siamese neural network architecture which uses the same weights on two different input vectors. The model takes two hypotheses as an input, and learns the priority between two hypotheses while sharing the same weights in the twin network. In addition, a score is given to each hypothesis through the proposed post-processing ranking algorithm, and hypotheses with a high score can be recommended to the commander in charge.

주제어

표/그림 (19)

그림 Fig. 1. Example of Battlefield Knowledge Graph
그림 Fig. 2. Example of Combination Hypothesis
그림 Fig. 3. Pairwise Comparison Dataset of Combination Hypothesis
그림 Fig. 4. Additional Metrics of Combination Hypothesis
표 Table 1. Description of Hypothesis Dataset Categories
그림 Fig. 5. Embedding Algorithm for Aggregation & Combination Hypothesis
그림 Fig. 6. Description of Pairwise Comparison Model
그림 Fig. 7. Structure of Siamese Neural Network
그림 Fig. 8. Ranking Algorithm – Matrix Transformation
그림 Fig. 9. Ranking Algorithm - Constructing Transition Matrix
그림 Fig. 10. Ranking Algorithm – Equation for entries of Transition Matrix
그림 Fig. 11. Example of Score Update
그림 Fig. 12. Output of Score Update in Simulation
그림 Fig. 13. Combination Hypothesis Data Pre-processing
그림 Fig. 14. Train/Test loss curve for Experiment with Top011 dataset
그림 Fig. 15. Train/Test loss curve for Experiment with Top020 dataset
표 Table 2. Description of Combination Hypothesis Dataset
표 Table 3. Description of Combination Hypothesis Dataset
그림 Fig. 16. Output of Score Refinement Step

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 전장 상황을 분석하여 적합한 가설을 추천하는 랭킹 모델을 제안한다. 랭킹 모델은 사용자가 정보를 검색했을 때 검색 결과를 나열하는 순위를 정하는 시스템으로, 주로 검색이나 추천 시스템에서 널리 사용되고 있다.
본 논문에서는 지휘관의 전장 상황 파악을 돕기 위해 전장 상황과 관련한 여러 가설들의 점수 및 랭킹을 매기는 방법을 제안하였다. 선행 연구를 통해 수집한 조합가설 및 그들 사이의 선호도 데이터를 이용하여 두 개의 가설이 주어졌을 때 우수한 조합가설을 선택하는 모델을 Siamese Neural Network를 통해 학습하였으며, 이를 바탕으로 각각의 조합가설에 대한 점수 부여 및 상위 조합가설들을 선별하는 랭킹 알고리즘을 제안하였다.
1과 같다. 본 연구에서는 주로 조합가설을 분석하여 전장상황에 적합한 가설을 추천하는 데에 초점을 맞춘다. 조합가설 내용을 그래프화한 도식은 Fig.

가설 설정

가설 데이터셋의 기본 단위는 전장 지식요소 중 사건 (Event)과 개체(Object)이다. 지식그래프 상에서 사건과 개체는 노드(Node)로 표현되며, 둘 사이의 관계 (Relation)는 엣지(Edge)로 표현된다.

제안 방법

본 실험에서는 데이터 분할을 통해 90%의 데이터를 학습에, 10%의 데이터를 테스트에 활용하여 모델 학습을 진행하였다. 3장에서 설명한 Siamese Neural Network를 사용하여, 실제 조합가설의 선호도를 맞추는 정확도를 평가지표로 활용하였다.
본 실험에서는 샴 네트워크를 기반으로 한 pairwise comparison 모델의 실험 결과를 서술한다. 본 실험에서는 데이터 분할을 통해 90%의 데이터를 학습에, 10%의 데이터를 테스트에 활용하여 모델 학습을 진행하였다. 3장에서 설명한 Siamese Neural Network를 사용하여, 실제 조합가설의 선호도를 맞추는 정확도를 평가지표로 활용하였다.
5는 해당 구조의 형태를 임베딩하기 위한 방법이다. 본 연구에서는 포함된 후보가설의 임베딩 벡터들의 평균을 취하여 후보가설들에 해당하는 벡터 부분을 계산하고, 이후 4가지 지표의 값을 이어 붙여 하나의 집합 가설의 벡터 임베딩을 생성하였다. 마찬가지의 과정을 각각의 조합가설에도 적용하여 최종적으로 조합가설에 대한 임베딩 값을 계산하여 학습에 활용하였다.
본 절에서는 학습 모델을 통해 임베딩 값을 바탕으로 하여 pairwise comparison 모델을 사전학습한 이후에, 후처리를 통해 조합가설의 랭킹 및 스코어를 매기는 방안을 서술한다.
본 논문에서는 지휘관의 전장 상황 파악을 돕기 위해 전장 상황과 관련한 여러 가설들의 점수 및 랭킹을 매기는 방법을 제안하였다. 선행 연구를 통해 수집한 조합가설 및 그들 사이의 선호도 데이터를 이용하여 두 개의 가설이 주어졌을 때 우수한 조합가설을 선택하는 모델을 Siamese Neural Network를 통해 학습하였으며, 이를 바탕으로 각각의 조합가설에 대한 점수 부여 및 상위 조합가설들을 선별하는 랭킹 알고리즘을 제안하였다. 또한 구현 및 실험을 통해 제안한 모델이 조합가설 간의 우선순위를 제대로 학습함을 확인하였으며, 후처리 알고리즘이 조합가설의 점수를 단계적으로 업데이트함을 관찰하였다.
위에서 서술한 조합가설의 우선순위를 학습시키기 위해서는 조합가설을 평가하는 데이터를 사용하여야 한다. 이를 충족시키기 위해, 두 개의 조합가설의 우선순위를 모의 시뮬레이터를 사용하여 수집하고 이를 레이블로 사용하는 데이터셋을 구성하였다. 즉, Fig.

대상 데이터

실험을 위한 모의 시나리오는 생성된 토픽 중에서 Topic ID top011과 top020을 활용하였다. 각각의 시나리오에서 조합가설들 및 pairwise comparison 데이터를 수집하여 진행하였으며, 각각의 모의 시나리오에서 가설 조합 쌍을 9:1 비율로 나누어 학습, 테스트에 사용하였다. 각각의 조합가설에 대한 세부사항은 Table.

성능/효과

또한 Table. 3의 Train/Test 정확도 값이 97% 이상이 나온다는 점에서 본 모델이 조합가설의 우선순위 판별을 올바르게 파악하고 있음을 확인할 수 있다.
선행 연구를 통해 수집한 조합가설 및 그들 사이의 선호도 데이터를 이용하여 두 개의 가설이 주어졌을 때 우수한 조합가설을 선택하는 모델을 Siamese Neural Network를 통해 학습하였으며, 이를 바탕으로 각각의 조합가설에 대한 점수 부여 및 상위 조합가설들을 선별하는 랭킹 알고리즘을 제안하였다. 또한 구현 및 실험을 통해 제안한 모델이 조합가설 간의 우선순위를 제대로 학습함을 확인하였으며, 후처리 알고리즘이 조합가설의 점수를 단계적으로 업데이트함을 관찰하였다.

후속연구

후속 연구에서는 조합가설 데이터들의 실제 선호도 데이터를 수집하여 본 연구 결과와의 교차검증을 통해 알고리즘의 성능을 개선해나갈 예정이다. 또한 다른 접근법 대비 본 연구 결과의 우수성을 확인할 수 없었기에, 다른 베이스라인 알고리즘과의 비교실험을 진행할 예정이다.
제안한 연구 내용이 미래에 발생할 복잡한 전장 상황에서 지휘관의 판단을 돕는 AI 국방 기술의 시작점이 될 것으로 기대한다. 후속 연구에서는 조합가설 데이터들의 실제 선호도 데이터를 수집하여 본 연구 결과와의 교차검증을 통해 알고리즘의 성능을 개선해나갈 예정이다.
제안한 연구 내용이 미래에 발생할 복잡한 전장 상황에서 지휘관의 판단을 돕는 AI 국방 기술의 시작점이 될 것으로 기대한다. 후속 연구에서는 조합가설 데이터들의 실제 선호도 데이터를 수집하여 본 연구 결과와의 교차검증을 통해 알고리즘의 성능을 개선해나갈 예정이다. 또한 다른 접근법 대비 본 연구 결과의 우수성을 확인할 수 없었기에, 다른 베이스라인 알고리즘과의 비교실험을 진행할 예정이다.

참고문헌 (10)

C.E. Lee, J.H. Son, H.S. Park, S.Y. Lee, S.J. Park, Y.T. Lee, "Technical？Trends of AI Military Staff to Support Decision-Making of？Commanders," Electronics and Telecommunications Trends, Vol.？36, No. 1, pp. 89-98, Feb. 2021. DOI: https://doi.org/10.22648/ETRI.2021.J.360110

원문보기 상세보기
F. Barlos, A. Peeke et al. "Collection and Monitoring via Planning？for Active Situational Scenarios (COMPASS) (Strategic？Multi-Layer Assessment Report)," STRATEGIC TECHNOLOGY？OFFICE, 2020. DOI: https://doi.org/10.2172/1592839
DEFENSE ADVANCED RESEARCH PROJECTS DAGENCY,？Active Interpretation of Disparate Alternatives, URL: https://www.darpa.mil/program/active-interpretation-of-disparate-alternatives
Changhee Han, Jongkwan Lee, "A Methodology for Defense AI？Command & Control Platform Construction," The Journal of？Korean Institute of Communications and Information Sciences,？Vol. 44, No. 4, pp. 774-781, Feb. 2019. DOI: http://dx.doi.org/10.7840/kics.2019.44.4.774

상세보기
Changhee Han, "A Methodology for Constructing？Intelligent-Machine FDC Commander Using Decision-Making？Tree," The Journal of Korea Institute of Communications and？Information Sciences, Vol. 45, No. 2, pp. 355-363, Feb. 2020.？DOI: https://doi.org/10.7840/kics.2020.45.2.355

상세보기
Cho, Eunji, Soyeon Jin, Yukyung Shin, and Woosin Lee. "A？Virtual Battlefield Situation Dataset Generation for Battlefield？Analysis Based on Artificial Intelligence." Journal of the Korea？Society of Computer and Information 27, no. 6 (June 30, 2022):？33-42. DOI: http://doi.org/10.9708/jksci.2022.27.06.033

원문보기 상세보기
Koch, Gregory, Richard Zemel, and Ruslan Salakhutdinov.？"Siamese neural networks for one-shot image recognition." ICML？deep learning workshop. Vol. 2. 2015. URL: http://www.cs.toronto.edu/~gkoch/files/msc-thesis.pdf
Chen, Yuxin, and Changho Suh. "Spectral mle: Top-k rank？aggregation from pairwise comparisons." International Conference？on Machine Learning. PMLR, 2015. DOI: https://doi.org/10.48550/arXiv.1504.07218
Chen, Jiaoyan, et al. "Owl2vec*: Embedding of owl ontologies."？Machine Learning 110.7 (2021): 1813-1845. DOI: https://doi.org/10.1007/s10994-021-05997-6

상세보기
Negahban, S., Oh, S., and Shah, D. Rank centrality: Ranking from pair-wise comparisons. 2012. DOI: https://doi.org/10.48550/arXiv.1209.1688

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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