초록 ▼

□ 연구개요
본 연구는 비지도 학습(unsupervised learning)의 대표적인 방법론인 주성분분석(Principal Component Analysis, PCA)과 클러스터링(Clustering) 기법의 일반화에 관한 것입니다. 기존의 전통적인 방법론의 한계점을 설명하고 이를 다양한 방향으로 확장함으로서 실제 자료 분석에서의 그 활용도를 높이고자 합니다.

□ 연구 목표대비 연구결과
1) Quantile Time varying Frequency domain PCA / Wavelet domain PCA

□ 연구개요
본 연구는 비지도 학습(unsupervised learning)의 대표적인 방법론인 주성분분석(Principal Component Analysis, PCA)과 클러스터링(Clustering) 기법의 일반화에 관한 것입니다. 기존의 전통적인 방법론의 한계점을 설명하고 이를 다양한 방향으로 확장함으로서 실제 자료 분석에서의 그 활용도를 높이고자 합니다.

□ 연구 목표대비 연구결과
1) Quantile Time varying Frequency domain PCA / Wavelet domain PCA
: Missing observation 문제에 당면하게 되어, 이를 해결하기 위한 연구를 먼저 진행하여, 논문을 국외 SCI저널에 출판. Non-stationary 자료 분석을 위한 wavelet domain에서의 PCA 방법론을 제안하였고, 이론적 성질을 증명함과 동시에 시뮬레이션과 실제 자료 분석을 통해 제안한 방법론의 유의성을 확인하였고, 현재 관련 논문 first revision 진행 중.
2) Principal Component Analysis on Non-Euclidean data
: 기존 연구들에 대한 리뷰 및 연구 계획은 수립하였고. 현재는 시뮬레이션과 실제 자료 분석에 중점을 두고 연구를 진행 중.
3) Functional　Clustering method based on Multivariate Functional PCA
: Discrete functional data에 적용 가능한 clustering 방법론을 개발하였고, 관련 논문을 국외 SCI 저널에 출판되었습니다.

□ 연구발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
본 과제에서 주로 다루고 있는 주성분분석과 클러스터링 기법은 기상학, 의학, 경제학 등 다양한 분야에서 활용되는 데이터 마이닝 기법이며 그 활용성이 방대합니다. Wavelet domain PCA의 경우, 뇌전도(Electroencephalography, EEG)자료에 적용하여 기존의 방법론이 찾자 못했던 주요한 뇌파정보를 찾아낼 수 있을 것으로 기대되며, non-Euclidean 자료에 대한 주성분분석론의 경우는 최근 한반도에서 크게 관심을 가지고 있는 지진자료에 적용하여 의미 있는 결과를 얻을 수 있을 것입니다. 클러스터링 방법론 또한 count 자료 분석이 필요한 의학자료 및 경제학 자료에 다양하게 활용될 수 있을 것입니다.

(출처 : 연구결과 요약문 2p)