초록 ▼

연구의 목적 및 내용
본 연구에서는 확률적 논리 지식 저장소와 동적 빅 데이터의 융합된 저장소로 기능할 수 있는 관계 확률 그래프를 학습한다. 관계 확률 그래프는 관계를 공유하는 변수들을 군집으로 묶어 대용량 데이터에서 정보를 효율적이고 정확하게 다룰 수 있도록 한다. 개인화된 서비스를 제공할 경우에는 관계 확률 그래프에 있는 정보와 개인이 가지고 있는 개별적인 정보를 추론하는 과정에 함께 이용하여 정확한 추론을 할 수 있는 시스템을 만든다. 현재 관계 확률 그래프에서 해결해야 하는 큰 문제점 중의 하나는 모델의 분산(dege

연구의 목적 및 내용
본 연구에서는 확률적 논리 지식 저장소와 동적 빅 데이터의 융합된 저장소로 기능할 수 있는 관계 확률 그래프를 학습한다. 관계 확률 그래프는 관계를 공유하는 변수들을 군집으로 묶어 대용량 데이터에서 정보를 효율적이고 정확하게 다룰 수 있도록 한다. 개인화된 서비스를 제공할 경우에는 관계 확률 그래프에 있는 정보와 개인이 가지고 있는 개별적인 정보를 추론하는 과정에 함께 이용하여 정확한 추론을 할 수 있는 시스템을 만든다. 현재 관계 확률 그래프에서 해결해야 하는 큰 문제점 중의 하나는 모델의 분산(degeneracy)문제 이다. 각 개별의 객체로 분산된 모델은 확장성있는 학습 및 추론이 가능하지 않아서 효과적으로 다루기 힘들다. 대규모 모델을 효과적으로 다룰 수 있게 하기 위하여, 본 연구에서는 관계형 칼만 필터 및 관계형 비선형 모델을 설계하고 각 모델에서 군집의 분산 및 재결합에 관한 연구를 한다. 본 과제 책임자는 선행 연구를 통해서 관계형 칼만 필터에서는 군집의 재결합을 가능하게 하는 조건 및 오류를 분석하였다. 이를 비선형 에너지 함수에 적용하여 일반적인 신뢰 전파 알고리즘에 적용하여 개발하고 지적 재산권을 등록한 후 오픈 소스로 공개를 하여 연구를 활성화 시킨다.

연구결과
본 연구에서는 다수의 시계열 데이터에 공통으로 들어있는 관계를 자동으로 추출하여 미래의 변화를 예측할 수 있는 관계형 자동 통계학자를 개발함. 개발한 알고리즘은 금융 데이터에서 검증하였으며, 다음과 같은 데이터 셋을 활용함 (1) 2001년의 미국 9대 주식 변화, (2) 미국 6대 도시의 집값 변화, (3) 2015년 외환위기를 겪은 신흥 4개국의 환율 변화. 실험을 통해서 개발된 관계형 자동 통계학자가 시계엳 데이터에 담긴 특징점도 자동으로 잘 추출할 수 있을 뿐만 아니라, 예측 오류를 40%이상 감소할 수 있는 것을 확인할 수 있었음.

연구결과의 활용계획
본 연구는 확률 관계형 모델을 사용하여 대용량 지식베이스와 확률적 지식을 융합하는 역할을 할 수 있을 것으로 기대함. 변수가 많을 경우 군집화를 통하여 관련된 변수를 찾고 공통적인 관계를 학습할 수 있는 것은 인공지능의 회귀분석 및 분류에 있어서 큰 역할을 할 것으로 기대함. 개발된 모델 및 알고리즘은 공개 소프트웨어로 공개하여 공유할 뿐만아니라 후속 과제에서 금융 데이터에 적용하여 기술 고도화를 추진함.

(출처 : 한글요약문 4p)

Abstract ▼

Purpose& contents
The Statistical Relational Learning (SRL) is a collection methods which combines statistical machine learning algorithms and logical knowledge bases. This research will provide a new insights, algorithms and open source software that achieves efficient learning and inference wit

Purpose& contents
The Statistical Relational Learning (SRL) is a collection methods which combines statistical machine learning algorithms and logical knowledge bases. This research will provide a new insights, algorithms and open source software that achieves efficient learning and inference with statistical relational models. The provided software platform will open a new way to deliver intelligent personal assistant.

Result
This research exploited relational structure over multiple time series data. In experiments, the proposed model and algorithm is evaluated in three real-world data sets: (1) top 9 US stocks in 2001; (2) average housing prices in 6 US cities for 10 years and (3) 4 currency exchanges of development country in 2015. The proposed algorithms find qualitative difference of the trends over several data sets. Compared to the existing system, the proposed algorithm improves the prediction performance by reducing extrapolation regression error up to 40%..

Expected Contribution
It is expected that the new relational automatic statistician system shed light on building large scale knowledge base. Exploiting common (relational) features over multiple time series contribute building accurate regression and classification systems.

(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. 국내외 기술개발 현황 ... 7
• 3. 연구수행 내용 및 결과 ... 8
• 4. 목표달성도 및 관련분야에의 기여도 ... 10
• 5. 연구결과의 활용계획 ... 10
• 6. 연구과정에서 수집한 해외 과학기술정보 ... 11
• 7. 주관연구책임자 대표적 연구실적 ... 11
• 8. 참고문헌 ... 11
• 9. 연구성과 ... 11
• 10. 국가과학기술지식정보서비스에 등록한 연구시설‧장비 현황 ... 14
• 11. 연구개발과제 수행에 따른 연구실 등의 안전조치 이행실적 ... 14
• 12. 기타사항 ... 14
• 별첨1 ... 15
• 별첨2 ... 26
• 끝페이지 ... 26