$\require{mediawiki-texvc}$

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.

진화하는 그래프 구조 학습을 위한 부스티드 DNA 컴퓨팅
Boosted DNA Computing for Evolutionary Graphical Structure Learning 원문보기

2005년도 한국컴퓨터종합학술대회 논문집(B), 2005 July, 2005년, pp.265 - 267  

석호식 (바이오지능 연구실, 컴퓨터공학부, 서울대학교) ,  장병탁 (바이오지능 연구실, 컴퓨터공학부, 서울대학교)

초록
AI-Helper 아이콘AI-Helper

DNA 컴퓨팅은 분자 수준(molecular level)에서 연산을 수행한다. 따라서 일반적인 실리콘 기반의 컴퓨터에서와는 달리, 순차적인 연산 제어를 보장하기 어렵다는 특징이 있다. 그러나 DNA 컴퓨팅은 화학반응에 기초한 연산이기 때문에, 실험자가 의도한 연산을 많은 수의 분자에 동시에 적용할 수 있으므로 실리콘 기반의 컴퓨터와는 비교할 수 없는 병렬 연산을 구현할 수 있다. 병렬 연산을 구현하고자 할 때, 일반적으로 연산에 사용하는 모든 DNA 분자들을 대상으로 연산을 구현할 수도 있다. 그러나 전체가 아닌 일부의 분자들을 상대로 연산을 수행하는 것 역시 가능하며 이 때 자연스러운 방법으로 사용할 수 있는 방법이 배깅(Bagging)이나 부스팅(Boosting)과 같은 앙상블(ensemble) 계열의 학습 방법이다. 일반적인 부스팅과 달리 가중치를 부여하는 것이 아니라 특정 학습자(learner)를 나타내는 분자들을 증폭한다면 가중치를 분자의 양으로 표현하는 것이 가능하므로 분자 수준에서 앙상블 계열의 학습을 구현하는 것이 가능하다. 본 논문에서는 앙상블 계열의 학습 방법 중 특히 부스팅의 효과를 DNA 컴퓨팅에 응용하고자 할 때, 어떤 방법이 가능하며, 표현 과정에서 고려해야 할 사항은 어떠한 것들이 있는지 고려하고자 한다. 본 논문에서는 규모를 사전에 한정할 수 없는 진화 가능한 그래프 구조(evolutionary graph structure)를 학습할 수 있는 방법을 찾아보고자 한다. 진화 가능한 그래프 구조는 기존의 DNA 컴퓨팅 방법으로는 학습할 수 없는 문제이다. 그러나 조합 가능한 수를 사전에 정의할 수 없기 때문에 분자의 수에 상관없이 동일한 연산 시간에 문제를 해결할 수 있는 DNA 컴퓨팅의 장정을 가장 잘 발휘할 수 있는 문제이기도 하다.개별 태스크의 특성에 따른 성능 조절과 태스크의 변화에 따른 빠른 반응을 자랑으로 한다. 본 논문에선 TIB 알고리즘리눅스 커널에 구현하여 성능을 평가하였고 그 결과 리눅스에서 사용되는 기존 인터벌 기반의 알고리즘들에 비해 좋은 전력 절감 효과를 얻을 수 있었다.과는 한식 외식업체들이 고객들의 재구매 의도를 높이기 위해서는 한식 외식업체의 서비스요인, 식음료요인, 이벤트 요인 등을 강화함으로써 전반적인 종사원 서비스 품질과 식음료품질을 높이는 전략을 취해야 한다는 것을 시사해주고 있다. 본 연구는 대구 경북소재 한식 외식업체만을 대상으로 하여 연구를 실시하여 연구의 일반화와 한식 외식업체를 이용하는 이용 고객들이 한식 외식업체를 재방문하는 재구매 의도가 발생하는데 있어 발생하는 과정을 설명하는 종단적 연구를 실시하지 못한 한계점을 가지고 있다.아직 산업 디자인이 품질경쟁력에 크게 영향을 미치는 성숙단계에 이르지 못하였음을 의미한다. (2) 제품 디자인에게 영향을 끼치는 유의적인 변수는 연구개발력, 연구개발투자 수준, 혁신활동 수준(5S, TPM, 6Sigma 운동, QC 등)이며, 제품 디자인은 우선 품질경쟁력을 높여 간접적으로 고객만족과 고객 충성을 유발하는 것으로 추정되었다. 상기의 분석결과로부터, 본 연구는 다음과 같은 정책적 함의를 도출하였다. 첫째, 신상품 개발과 혁신을 위한 포괄적인 연구개발 프로젝트를 품질 경쟁력의 주요 결정요인(제품의 기본성능, 신뢰성, 수명(내구성) 및 제품 디자인)과 연계하여 추진해야 할 것이다. 둘째, 기업은 디자인 경영 마인드 제고와 디자인 전문인력 양성을, 대학은 디자인 현장 업무를 통

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 이와 같은 문제를 해결할 수 있는새로운 응용 분야로써 그래프 구조 학습 문제를 제시한다. 본 논문에서는 그래프 구조 학습을 DNA 컴퓨팅 방법으로 해결하고자 할 패 그래프 구조 표현 및 구조 학습에 사용할 수 있는 밤법에는 어떤 것이 있는지 살펴보고자 한다.
  • 그러나 사전에 규모를 결정할 수 없는 진화 가능한 그래프와 같은 문제의 경우, DNA 컴퓨팅의 연산자를 사용할 경우 문제의 규모에 상관없이 동일한 연산시간을 보장받을 수 있으므로 기존의 컴퓨팅 방법이 제공할 수 없는 계산상의 이점을 보장받을 수 있다. 본 논문에서는 기계 학습 방법 중 부스팅을 이용하여 진화 가능한 그래프를 학습할 수 있는 방법을 모색하여 보았다. 본 논문에서는 아이디어만을 제시했을 뿐, 실제 실험을 수행하지는 않았지만, 여기서 제시한 아이디어를 실현할 수 있다면, 각종 생물학 모델에서 발견되는 신호 전달 경로와 같은 그래프 모델을 모델링하고, 학습에 응용할 수 있는 한 가지 가능성을 제시할 수 있게 될 것이다.
  • 본 논문에서는 기존의 DNA 컴퓨팅 접근범이 가지고 있는 한계를 해결할 수 있는 접근법으로 진화 가능한 그래프 구조 학습이라는 개념을 제시하였匚k 기존의 DNA 컴퓨팅 방법의 경우 문제의 규모가 사전에 결정되기 때문에 확장성이 매우 부족하다. 따라서 DNA 처리에 필요한 시간 및 사전 설계 시간을 고려했을 패, 기존의 컴퓨팅 방법(in silico computation) 특히 FPGA등을 이용한 전용 프로세서의 설계를 통한 접근법에 비해 실행 시간 측면에서 어떤 장점이 있을 수 있는지 강력하게 주장하기 어려웠던 것이 사실이다.
  • 둘짜I, 장난감 문제만을 해결하다 보니 기존의 컴퓨팅 방법(队 silico computation)에 비해 어떤 장점이 있는지 주장하기가 어렵다. 본 논문에서는 이와 같은 문제를 해결할 수 있는새로운 응용 분야로써 그래프 구조 학습 문제를 제시한다. 본 논문에서는 그래프 구조 학습을 DNA 컴퓨팅 방법으로 해결하고자 할 패 그래프 구조 표현 및 구조 학습에 사용할 수 있는 밤법에는 어떤 것이 있는지 살펴보고자 한다.

가설 설정

  • 그래프 구조 진화를 위해 다양한 방법을 사용할 수 있겠지만, 부스팅 [5]이 한 가지 방법이 될 수 있다. 그래프 구조에 대한 학습이 진행되는 상태에서 그림 1의 노드 A와 노드 B 관계가 훈련 데이터로 주어졌다고 가정해 보자. 이 경우 노드 A와 노드 日를 연결하는 관계 이외에는 주어진 훈련 데이터가 소용이 없게 된다.
본문요약 정보가 도움이 되었나요?
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