초록

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

본 연구에서는 정보시스템의 지능형 인터페이스를 위하여 사용자의 개인성을 학습하는 방법론으로서 신경망 이론의 활용가능성을 고찰한다. 입력형식의 유연성, 입력의 왜곡 및 소실가능성 등 시스템의 실용성과 연관하여 나타나는 자료의 특성을 수용하기 위하여, 학습과정에서 신호표현의 다양화와 부분 패턴의 의한 분류 기능 등을 개선한 신경망모델을 제안한다. 이를 위하여 퍼지 양방향 연상기억장치와 구간연산으로 일반화된 다층 신경망모델을 결합하여 혼합형 분류모형을 제시하고 그 유용성을 고찰한다. 실험은 전공분야 선택을 위한 개인의 적성분석시스템을 대상으로 구현하였다.

본 연구에서는 정보시스템의 지능형 인터페이스를 위하여 사용자의 개인성을 학습하는 방법론으로서 신경망 이론의 활용가능성을 고찰한다. 입력형식의 유연성, 입력의 왜곡 및 소실가능성 등 시스템의 실용성과 연관하여 나타나는 자료의 특성을 수용하기 위하여, 학습과정에서 신호표현의 다양화와 부분 패턴의 의한 분류 기능 등을 개선한 신경망모델을 제안한다. 이를 위하여 퍼지 양방향 연상기억장치와 구간연산으로 일반화된 다층 신경망모델을 결합하여 혼합형 분류모형을 제시하고 그 유용성을 고찰한다. 실험은 전공분야 선택을 위한 개인의 적성분석시스템을 대상으로 구현하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 보다 진보된 지능형 정보시스템의 구축을 위하여 사용자의 개인성을 학습하기 위한 방법론을 제안하였다. 이는 정보검색시스템뿐만 아니라 특정 상품에 관하여 사용자의 취향이나 선호도를 반영하여 능동적으로 정보를 제시할 수 있도록 하는 이른바 지능형 상품정보 시스템을 위한 기반기술로서 의미를 갖는다.
• 이는 정보검색시스템뿐만 아니라 특정 상품에 관하여 사용자의 취향이나 선호도를 반영하여 능동적으로 정보를 제시할 수 있도록 하는 이른바 지능형 상품정보 시스템을 위한 기반기술로서 의미를 갖는다. 본 연구에서는 개인성의 학습 과정에서 필요한 데이터 표현의 다양화와 이에 대한 처리기법을 포함하여 학습 모델 및 응용 시스템의 구축에 관한 내용을 고찰하였다. 특히 이용한 누락데이터의 보완기 법 및 부분 특징에 의한 분류기법을 소개하였으며, 분류 과정에서 정보표현 능력의 확장을 위하여 구간연산 기능을 고려한 신경망 활성화 특성 및 학습 방법을 고찰하였다.
• 본 연구에서는 이러한 응용시스템이 갖는 특성 중에 시스템의 성능과 실용성을 저해하는 다음 두 가지의 요인을 중점적으로 고려한다.
• 그럼에도 불구하고 이러한 정보를 제공하는 방법이 불특정 다수를 대상으로 하는 획일적인 방법에만 의존한다면 제공정보에 대한 고객의 만족도를 제고하기가 어렵다. 이에 본 논문에서는 고객의 개인적인 취향이나 관심에 따라 그 선호도가 민감하게 달라질 수 있는 분야에 대하여 개별 고객에게 가장 적합한 정보 및 상품을 능동적으로 제시하는 방법론으로서 개인성 학습기법을 연구하였다.
• 정보시스템에서 어떤 사용자군의 성향 분석 등과 같이 시간에 따라 동적으로 변화하는 문제는 정적인 일반 분류기법과는 달리 일종이 시계열(time series) 예 측문 제로 고려될 수 있다. 이에 본 논문에서는 시계 열 예측 신경망으로서 FIR 네트워크 구조를 기반으로 하여 구간표현의 자료를 수용하는 연산 기능을 정의한다. 다시 말해서 각 계층 간 임의 노드의 연결은 하위 노드의 활성화 값이 일정 횟수의 주기로 이동(shift)되어 상위노드에 입력되는 형태로서 노드 활성화의 동 적 특성을 반영한다.
• 이에 본 연구에서는 데이터의 표현 형태와 연산 기능을 확장함으로써 이러한 단점을 개선한다. 다시 말해서 기존의 단순 이진값으로 결정되는 데이터 표현 및 연산방식을 개선하여, 미지 데이터(unknown data)를 포함하여 처리될 수 있도록 흐卜고, 단순 이진값이 아닌 모호한 응답이나, 구간 범위 형식의 데이터에 대한 처리가 지원되도록 함으로써 시스템의 표현능력, 연산능력 및 신뢰도의 개선을 시도하였다.

제안 방법

• 이에 기존의 BAMU]과 퍼지연상기억장치(FAM)[3]를 이용하는 방법론을 제시하며, 이어서 분류를 위한 신경망에서 추세분석 기능 등을 포함한 구간 데이터 연산 기능 및 학습 방법을 제시한다. 그리고 전형적인 패턴 분류 신경망인 다층 퍼셉트론[4]과 추세분석 기능을 위한 FIR 네트워크[5]에 대하여 구간연산으로 일반화한 동작 특성 및 학습 방법을 보이고 그 유용성을 고찰한다. 실험으로는 실제 응용 시스템으로서 개인의 적성 분석시스템에 적용한 결과를 보인다.
• 이에 본 연구에서는 데이터의 표현 형태와 연산 기능을 확장함으로써 이러한 단점을 개선한다. 다시 말해서 기존의 단순 이진값으로 결정되는 데이터 표현 및 연산방식을 개선하여, 미지 데이터(unknown data)를 포함하여 처리될 수 있도록 흐卜고, 단순 이진값이 아닌 모호한 응답이나, 구간 범위 형식의 데이터에 대한 처리가 지원되도록 함으로써 시스템의 표현능력, 연산능력 및 신뢰도의 개선을 시도하였다.
• 대상 전공은 총 15개 분야에 대해 적합도를 평가하도록 하였고, 사용자는 초기설정 시 이들에 대해 선택적으로 적용할 수 있도록 하였다.
• 두 번째로는 이러한 모델에 대하여 이진값 또는 모호한 실수 표현 및 구간 표현형식을 수용하는 네트워크의 활성화 특성 및 학습 방법을 제시한다. 이에 기존의 BAMU]과 퍼지연상기억장치(FAM)[3]를 이용하는 방법론을 제시하며, 이어서 분류를 위한 신경망에서 추세분석 기능 등을 포함한 구간 데이터 연산 기능 및 학습 방법을 제시한다.
• 시스템에서 분류신경망과 연관한 본 논문의 의의는 네트워크의 활성화 특성과 학습 과정을 구간표현의 데이터를 수용하도록 일반화하였다는 점이다. 우선 BAM 의 최종 출력으로부터 주어지는 입력에 대하여 정보분류 기능은 다충퍼셉트론(MLP)을 대상으로 하는데, 여러 회의 자료획득을 통하여 얻어진 정보에서 특징의 편차 범위를 구간으로 표시하여 그대로 분류과 정에 적용할 수 있도록 하였디..
• 두 번째로는 이러한 모델에 대하여 이진값 또는 모호한 실수 표현 및 구간 표현형식을 수용하는 네트워크의 활성화 특성 및 학습 방법을 제시한다. 이에 기존의 BAMU]과 퍼지연상기억장치(FAM)[3]를 이용하는 방법론을 제시하며, 이어서 분류를 위한 신경망에서 추세분석 기능 등을 포함한 구간 데이터 연산 기능 및 학습 방법을 제시한다. 그리고 전형적인 패턴 분류 신경망인 다층 퍼셉트론[4]과 추세분석 기능을 위한 FIR 네트워크[5]에 대하여 구간연산으로 일반화한 동작 특성 및 학습 방법을 보이고 그 유용성을 고찰한다.
• 본 연구에서는 개인성의 학습 과정에서 필요한 데이터 표현의 다양화와 이에 대한 처리기법을 포함하여 학습 모델 및 응용 시스템의 구축에 관한 내용을 고찰하였다. 특히 이용한 누락데이터의 보완기 법 및 부분 특징에 의한 분류기법을 소개하였으며, 분류 과정에서 정보표현 능력의 확장을 위하여 구간연산 기능을 고려한 신경망 활성화 특성 및 학습 방법을 고찰하였다. 향후의 연구 방항으로는 자료획득 방법의 다 양화를 통하여 학습자료의 충실도를 제고하는 연구와 모듈 구조 신경망의 의사결정 융합 방법론의 개선을 통하여 분류성능의 신뢰도를 개선하는 연구가 이루어져야 하겠다.

대상 데이터

• 본 연구에서는 제안된 이론에 대하여 개인의 전공 분야 선택을 위한 적성 분석 시스템을 대상으로 실험하였다. 이는 사용자의 설문으로부터 추출되는 입력 특징으로부터 선택된 범위의 대상 전공들에 대한 각각의 적합도를 산출하는 방식으로 이루어진다.
• 누락된 특징의 생성을 위하여 FAM 구조의 연 상기 억 모델을 사용하였으며, 총 4가지 유형의 120개 문항을 적용하였다. 학습패턴의 생성을 위하여 총 40명의 학생 및 교수로부터 반복 획득한 학습데이터를 사용하였다.

이론/모형

• 이는 사용자의 설문으로부터 추출되는 입력 특징으로부터 선택된 범위의 대상 전공들에 대한 각각의 적합도를 산출하는 방식으로 이루어진다. 누락된 특징의 생성을 위하여 FAM 구조의 연 상기 억 모델을 사용하였으며, 총 4가지 유형의 120개 문항을 적용하였다. 학습패턴의 생성을 위하여 총 40명의 학생 및 교수로부터 반복 획득한 학습데이터를 사용하였다.
• 다시 말해서 입력의 특징 형태로서 단순 이진값 및 모호한 표현의 연속적인 값과 더불어 구간 형태의 표현을 수용하는 신경망을 각각 별도로 고려하게 된다. 또한 이 시스템이 시간에 따라 동적으로 변하는 성향을 반영하기 위하여 시계열(time series) 예즉 신경망올 적용하여 구현하였는데 이는 구간연산으로 일반화된 FIR 네트워크 모델을 사용하였다.
• 본 논문에서 채택한 FAM에서 패턴 연상을 위한 상관관계 행렬의 연산은 퍼지 연산에 의해 이루어진다. 즉 Y = X・M 연산에서 Y의 丿.
• 이의 영향은 입력특징의 누락이나 왜곡의 형태로 나타나게 되는데 이들에 대한 추정치를 BAM 의 특성을 통하여 생성하게 된다. 이진값의 데이터는 전형적인 BAM 의 특성으로부터 지원되며, 연속적인 실수 형태의 연상기능은 FAM(Fuzzy Associative Memory)[3] 모델을 기반으로 하여 구현하였다. BAM 에서 양 계층의 각 노드값을 X와 Y로 표현할 때 이들의 연상과정은 두 패턴 집합 간 상관관계 행렬 M과의 내적 연산을 통해 이루어진다.

후속연구

• 본 논문의 핵심내용은 앞 절에서 제시한 학습모형에서 누락특징의 추정과정과 정보 분류과정에서보다 일반화된 데이터 표현 능력과 그에 대한 연산능력을 제공함에 있다. 구체적으로 단순 이진값 데이터와 모호함을 반영하는 연속적인 실수값의 데이터는 물론, 구간(interval)형식의 데이터에 대한 연산 기능 및 그에 대한 신경망의 학습 방법을 정의한다.
• 특히 이용한 누락데이터의 보완기 법 및 부분 특징에 의한 분류기법을 소개하였으며, 분류 과정에서 정보표현 능력의 확장을 위하여 구간연산 기능을 고려한 신경망 활성화 특성 및 학습 방법을 고찰하였다. 향후의 연구 방항으로는 자료획득 방법의 다 양화를 통하여 학습자료의 충실도를 제고하는 연구와 모듈 구조 신경망의 의사결정 융합 방법론의 개선을 통하여 분류성능의 신뢰도를 개선하는 연구가 이루어져야 하겠다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기