초록 ▼

연구의 목적 및 내용
고차원데이터를 효율적으로 다룰 수 있는 새로운 변수선택 및 변수변환 기법은 최적예측모형에 매우 중요하다. 고차원데이터는 변수간 상관성이 높아서 원래의 데이터공간에서 직접적으로 종속변수간의 인과관계를 탐색하는 것은 어려운 문제이고, 따라서 인자추출법에 의한 저차원구조의 변수변환기법과 변수선택기법의 개발은 최적예측모형 도출의 핵심적 분석기술을 개발 적용하였다. 변수변환기법으로는 선형적 방법인 주성분분석이 있고, 비선형 변수변환기법으로는 국소기반 인자추출법이 있는데, 변수선택기법과 인자추출법에 의한 최적예측모형

연구의 목적 및 내용
고차원데이터를 효율적으로 다룰 수 있는 새로운 변수선택 및 변수변환 기법은 최적예측모형에 매우 중요하다. 고차원데이터는 변수간 상관성이 높아서 원래의 데이터공간에서 직접적으로 종속변수간의 인과관계를 탐색하는 것은 어려운 문제이고, 따라서 인자추출법에 의한 저차원구조의 변수변환기법과 변수선택기법의 개발은 최적예측모형 도출의 핵심적 분석기술을 개발 적용하였다. 변수변환기법으로는 선형적 방법인 주성분분석이 있고, 비선형 변수변환기법으로는 국소기반 인자추출법이 있는데, 변수선택기법과 인자추출법에 의한 최적예측모형을 제안하고자 국소기반 최적화 인자추출법과 다중커널기반 변환기법을 개발하고, 베이지안 네트워크를 이용한 구조학습 변수선택기법을 개발하여 최적예측모형을 도출하였다

연구결과
∎베이지안 네트워크을 이용한 합병증 위험예측모형
베이지안 네트워크는 랜덤 변수의 집합과 그 집합의 결합확률분포를 조건부 독립 을 이용하여 유향 비순환 그래프로 표현한 모델이다. 비침습 생체측정 기기개발 과제에서도 적외선을 이용한 혈당 및 콜레스테롤 예측에 중요변수 선택에서도 회귀모형기반 변수선택방법보다 정확도가 높은 결과가 나왔다. 건강보험공단 의료빅데이터를 이용한 합병증발생 연구를 베이지안 네트워크를 이용하여 분석하고, 사전확률과 사후확률을 구하여 어떤 특성변수들이 상호 연관성이 있고 확률적 영향을 갖는지 비교 연구하였다.

∎ 국소기법의 비선형특성추출기법 연구
국소기반 최적화 인자추출은 비선형인자추출법으로서 국소최적화 방법을 도입하여 국소적인 인접구조를 최적으로 보전하는 방법이다. 인접보전사상법을 이용한 인자추출로 분류분석에 결합하여 여러물질의 원산지 분류모형을 분석한 결과 선형보다 비선형차원축소의 정확도가 향상됨을 발견하였다.

∎고차원데이터의 특징추출기법을 결합한 커널기반 예측모형
고차원데이터인 근적외선분광데이터를 이용한 다변량 특징(feature)선택과 커널기반 결합 모델을 제안하였다. 커널 부분최소자승법 및 커널 서포트벡터회귀방법과 결합하여 투영 점수와 가중치 벡터 계수로부터 변수 중요도 순위를 주고 특징변수를 추출하였다. 특징선택기법과 결합한 커널 서포트벡터 회귀방법은 고차원데이터의 복잡한 차이를 분별하여 데이터에 잠재되어 있는 정보를 추출하여 예측정확도를 향상시킬수 있었다. 차원감소를 위한 특징선택과 커널모델결합은 분류문제의 정확성을 개선하였다.

연구결과의 활용계획
∎ 응용적 측면의 기대효과 : 본 연구에서 제안하고자 하는 변수선택 및 변수변환기법은 기존의 데이터마이닝에서 보편적으로 사용해왔던 방법과 차별화된 접근방법이다. 빅데이터의 속성이기도 한 고차원데이터의 복잡구조를 저차원구조로 매핑하는 인자추출법을 개발하여 최적화모형연구, 데이터마이닝 및 기계학습이론 연구에 응용효과를 기대한다. 제안하는 방법론은 통계학, 산업공학, 컴퓨터공학, 생명공학, 의학진단, 분광학 분야의 데이터분석에 새로운 도약을 이룰수 있는 기술로서 연관학문분야에 융합적으로 기여할 것으로 예상한다.

∎ 기술경제적 활용효과 : 새로운 변수변환 및 변수선택기법의 개발은 예측의 정확도를 향상시켜 개인적, 사회적 비용을 절감하고 나아가서는 사회적 복지에도 기여하게 될 것이다. 저차원구조 매핑방법의 개발은 데이터에 내재되어 있는 노이즈를 제거하고 계산복잡도를 감소시키고 모형의 타당도를 향상시켜 경제적 비용을 절감하여 기업의 생산성과 수익성을 높일수 있다. 의학진단에서의 오분류율을 낮추고, 품질모니터링에서 불량률을 낮추고, 고객분류에서도 신용등급 오분류율을 낮추어 경제적 비용효과를 거둘수 있다.

(출처 : 요약문 4p)

Abstract ▼

Purpose&contents
High dimensional data are highly correlated, and it is not easy to explore causal relationship between target variable and original variable. Data transforming to low dimension using feature extraction enhances prediction power and classification accuracy. Feature selection using

Purpose&contents
High dimensional data are highly correlated, and it is not easy to explore causal relationship between target variable and original variable. Data transforming to low dimension using feature extraction enhances prediction power and classification accuracy. Feature selection using wrapper and filter method build a good model. For nonlinear feature extraction, locally optimized feature and multiple kernel method are developed, and Bayesian network is utilized for selecting the minimal variables.

Result
∎ Risk assessment for hypertension complications using a Bayesian network : The Bayesian network is a useful method for modeling healthcare issues since it can graphically represent causal relationships among variables and provide probabilistic information. We apply this method to conduct hypertension and hypertension complications incidence analyses using the National Health Insurance Corporation (NHIC) sample cohort database We conclude that the Bayesian network method has several notable advantages. It demonstrates which factors affect hypertension and its complications incidence and how they are related to each other.

∎ Exploring supervised neighborhood preserving embedding as a nonlinear feature extraction :
The combination of supervised neighborhood preserving embedding and support vector machine differentiated the geographical origins with improved accuracy. Overall results demonstrate that supervised neighborhood preserving embedding is a valuable alternative feature representation method, especially when complex and highly overlapping vibrational spectra are used for analysis.

∎ Kernel-based calibration models combined with multivariate feature selection :
Kernel-based calibration models combined with multivariate feature selection data are proposed for complex quantitative near-infrared spectroscopic data. Because the spectra include hundreds of features, an optimal selection of features that provide relevant information for target analysis improves the accuracy of spectroscopic analysis

Expected Contribution
∎ We have developed an algorithm for extracting the complex structure of high dimensional data, which is also the property of big data, into a low dimensional structure. We expect application effects to the study of optimization model, data mining and machine learning theory. The proposed methodology will contribute to the development of related disciplines as a new leap forward in data analysis in statistics, industrial engineering, computer science, biotechnology, medical diagnostics, and spectroscopy.

∎ Development of a new variable selection method and dimension reduction algorithm for high dimensional data with complex causal structure is a challenging field in data mining. We will challenge not only the nonlinear factor extraction learning method but also the development of optimal prediction model structure using appropriate kernel function. In particular, we want to challenge efficient multi-kernel function selection and parameter estimation methods that minimize computation time for high-dimensional data.

(출처 : SUMMARY 5p)

목차 Contents

• 표지 ... 1
• 목차 ... 2
• 연구계획 요약문 ... 3
• 연구결과 요약문 ... 4
• 한글요약문 ... 4
• SUMMARY ... 5
• 연구내용 및 결과 ... 6
• 1. 연구개발과제의 개요 ... 6
• 2. 연구수행 내용 및 결과 ... 6
• 3. 목표달성도 및 관련분야에의 기여도 ... 9
• 4. 연구결과의 활용계획 ... 9
• 5. 주관연구책임자 대표적 연구실적 ... 10
• 6. 참고문헌 ... 10
• 7. 연구성과 ... 11
• 8. 국가과학기술지식정보서비스에 등록한 연구시설‧장비 현황 ... 11
• 별첨1 대 표 연 구 성 과 ... 12
• 끝페이지 ... 26