초록 ▼

□ 연구개요
본 과제에서는 이전 과제에서 연구한 제약된 반감독 학습 기법을 입력 데이터의 특징 학습에 적용한다. 특징 학습은 다수의 입력 데이터중 출력값을 예측하기에 가장 분별력이 있는 특징을 찾아내는 것으로, 해당 문제 도메인에서 발견되는 배경 지식이나 많은 양의 감독되지 않은 데이터를 효과적을 이용하는 알고리즘을 연구할 것이다. 다양한 분야의 예측문제에서 제안된 알고리즘을 적용하여 예측 정확도를 더 향상시키는 것이 목표이다.

□ 연구 목표대비 연구결과
본 과제에서는 다음 7가지의 데이터 분석 방법으로 실제

□ 연구개요
본 과제에서는 이전 과제에서 연구한 제약된 반감독 학습 기법을 입력 데이터의 특징 학습에 적용한다. 특징 학습은 다수의 입력 데이터중 출력값을 예측하기에 가장 분별력이 있는 특징을 찾아내는 것으로, 해당 문제 도메인에서 발견되는 배경 지식이나 많은 양의 감독되지 않은 데이터를 효과적을 이용하는 알고리즘을 연구할 것이다. 다양한 분야의 예측문제에서 제안된 알고리즘을 적용하여 예측 정확도를 더 향상시키는 것이 목표이다.

□ 연구 목표대비 연구결과
본 과제에서는 다음 7가지의 데이터 분석 방법으로 실제 데이터에 적용후 예측 정확도를 향상시키는 것을 확인하였음.
1) Kernel function from partially labeled data: Apply kernel machines to partially labeled clustering problems
2) Sparse feature learning for structured data: We formulate a sparse feature coding with dependency structures; computational overhead reduced by smooth optimization.
3) Flexible intensity modeling for effective event modeling,
4) Incorporating uncertainty in the survival time prediction models:
5) Sparse low-rank discriminative data embedding: The goal is to exploit class labels to impose maximal margin data separation in the subspace; We formulate an optimization problem with low rank constraints on data matrix.
6) Trajectory feature learning for segmentation: A data-driven feature learning method for trajectory clustering; Trajectory space split into low-dim data manifolds.
7) Fast kernel learning for structured data: We develop a novel iscriminative kernel learning algorithm in ensemble models with semi-supervised data; Can attain higher prediction accuracy and computational speed-up on sequences and image datasets.

□ 연구개발결과의 중요성
본 연구개발결과는 순차적 의사 결정에서 이미지 / 비디오 / 텍스트 데이터의 일반적인 예측 문제와 지능형 에이전트 제어를 위한 제한된 세미 감독 기능 학습의 새로운 계산 개념을 가져올 수 있다. 이론적으로 세부 신경 네트워크와 커널 머신에 대한 시각을 통합했다. 또한 유리한 근사 정확성을 가진 가속화 된 학습 알고리즘을 개발하여 방대한 양의 데이터 세트 및 표식인자가 없는 데이터를 크게 활용할 수 있게 되었다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 가. 연구개발의 필요성 ... 4
• 나. 최종목표 ... 4
• 다. 연구범위 ... 4
• 2. 연구수행내용 및 연구결과 ... 5
• 가. 부분적으로 레이블이 지정된 데이터에서 커널 기능 유도 (Inducing kernel functions from partially labeled data) ... 5
• 나. 구조화 된 데이터에 대한 스팔스 기능학습 (Sparse feature learning for structured data) ... 6
• 다. Flexible intensity modeling for effective event modeling ... 6
• 라. 스파스 낮은 순위 차별 데이터 임베딩 (Sparse low-rank discriminative data embedding) ... 9
• 마. 비디오 분할을위한 궤적 특징 학습 (Trajectory feature learning for video segmentation) ... 10
• 바. 구조화 된 데이터를 위한 빠른 세미 감독 커널 학습 (Fast semi-supervised kernel learning for structured data) ... 11
• 3. 연구개발결과의 중요성 ... 11
• 4. 참고문헌 ... 12
• 5. 연구성과 ... 13
• 대표적 연구실적 ... 16
• 끝페이지 ... 28