초록 ▼

다양한 형태의 데이터의 축적 그리고 그 안에 숨겨져 있는 유용한 정보의 발견과 활용은 정보화 시대의 핵심이다. 이러한 데이터의 분석을 위해 데이터 개체 사이의 관계, 즉 유사성과 상이성을 정의하게 된다. 특히 벡터 등을 이용한 직접적이고 단순한 형태로 표현되지 않는 다양한 형태의 데이터들이 생성됨에 따라 데이터 개체들 간의 관계를 묘사하는 그래프를 바탕으로 한 효과적인 데이터 분석 방법의 연구는 매우 중요하게 되었다. 전형적인 데이터 분석에서는 전체 데이터 셑에 대하여 한 개의 그래프로 표현하여 문제를 해결하는 것이 일반적이다. 그

다양한 형태의 데이터의 축적 그리고 그 안에 숨겨져 있는 유용한 정보의 발견과 활용은 정보화 시대의 핵심이다. 이러한 데이터의 분석을 위해 데이터 개체 사이의 관계, 즉 유사성과 상이성을 정의하게 된다. 특히 벡터 등을 이용한 직접적이고 단순한 형태로 표현되지 않는 다양한 형태의 데이터들이 생성됨에 따라 데이터 개체들 간의 관계를 묘사하는 그래프를 바탕으로 한 효과적인 데이터 분석 방법의 연구는 매우 중요하게 되었다. 전형적인 데이터 분석에서는 전체 데이터 셑에 대하여 한 개의 그래프로 표현하여 문제를 해결하는 것이 일반적이다. 그러나 다양한 형태와 상황의 데이터 객체 간의 관계를 한 개의 그래프 안에 나타내는 것이 어렵거나 비효율적인 경우들이 많아지고 있다. 복잡하고 다양한 형태의 데이터에 대해 한 개의 그래프로 유사성을 정의하는 대신에, 여러 개의 상황으로 나누어 각각 특성에 맞는 그래프를 구성하고 이렇게 구성된 다수의 그래프들을 바탕으로 마이닝 알고리즘을 적용하는 것이 더 효과적일 수 있다. 본 연구에서는 다양한 데이터 형태와 상황에 따른 그래프 집합의 표현 방법, 그래프 연산, 여러 개의 그래프 표현을 바탕으로 한 데이터 마이닝 방법들에 대한 연구를 하고자 한다.

Abstract ▼

In traditional data analysis, it is general to represent the relation between data with one graph, but it becomes difficult and inefficient due to the complexity of data forms and situations. Instead of using only one graph, defining multiple graphs according to the characteristics of data and apply

In traditional data analysis, it is general to represent the relation between data with one graph, but it becomes difficult and inefficient due to the complexity of data forms and situations. Instead of using only one graph, defining multiple graphs according to the characteristics of data and applying data mining algorithms based on them can be more effective. In this research, we study various graph representation methods and data mining algorithms based on multiple graphs.
o Study on semi-supervised dimension reduction using graph representation: We study dimension reduction utilizing a label graph and a feature graph in semi-supervised learning.
o Study on feature fusion on multiple sources: Feature sets obtained from different sources represent different characteristics of data pattern. We define a similarity graph on each feature set and study optimized feature extraction methods based on the group of similarity graphs.

목차 Contents

• 일반연구자지원사업 최종보고서 ... 1
• 목 차 ... 3
• Ⅰ. 연구 계획 요약문 ... 4
• 1. 국문 요약문 ... 4
• Ⅱ. 연구 결과 요약문 ... 5
• 1. 한글요약문 ... 5
• 2. SUMMARY ... 6
• Ⅲ. 연구내용 및 결과 ... 7
• 1. 연구개발과제의 개요 ... 7
• 2. 국내외 기술개발 현황 ... 10
• 3. 연구수행 내용 및 결과 ... 11
• 4. 목표 달성도 및 관련 분야에의 기여도 ... 16
• 5. 연구결과의 활용계획 ... 16
• 6. 연구과정에서 수집한 해외과학기술정보 ... 16
• 7. 주관연구책임자(공동연구원) 대표적 연구 실적 ... 17
• 8. 참고 문헌 ... 17
• 9. 연구 성과 ... 19
• 10. 기타사항 ... 19