디지털 라이브러리[ 검색결과 ]
뉴로 심볼릭 기반 규칙 유도 및 추론 엔진을 활용한 지식 완성 시스템
http://doi.org/10.5626/JOK.2021.48.11.1202
최근 지식 그래프의 불완전성 문제를 해결하기 위한 다양한 지식 완성 연구중 딥러닝 학습 방법과 로직 시스템의 장점을 결합한 NTP(Neural Theorem Prover)와 같은 연구가 기존 연구들에 비해 좋은 성능을 내고 있다. 하지만 NTP는 하나의 입력에 대한 예측 결과를 얻기 위해 지식 그래프의 모든 트리플이 연산에 관여하게 되므로 대용량 지식 그래프 처리에 한계가 있다. 본 논문에서는 NTP의 계산 복잡도 문제를 개선한 모델로부터 심볼의 벡터 표현을 학습하여 규칙을 유도하고, 추론 엔진을 사용하여 유도된 규칙으로부터 지식 추론을 수행할 수 있는 딥러닝 학습 방식과 로직 추론 방식의 통합시스템을 제안한다. 본 논문에서 사용한 규칙 생성모델의 규칙유도 성능 검증을 위해 NTP와 Nations, Kinship, UMLS 데이터 셋을 대상으로 유도된 규칙을 활용한 테스트 데이터 추론가능 여부를 비교하였으며, 대규모 지식그래프인 Kdata와 WiseKB를 사용한 실험에서는 추론 엔진을 통한 지식 추론 결과 실험에 사용된 지식 그래프에 비해 각각 Kdata는 30%, WiseKB는 95%증가된 지식 그래프를 얻을 수 있었다.
뉴로 심볼릭 기반 규칙 생성을 통한 지식 완성 기법
http://doi.org/10.5626/JOK.2021.48.4.425
지식 그래프는 실세계의 지식을 다양한 소스로부터 수집하여 구조화된 방식으로 표현한 것이다. 지식 그래프는 데이터들 간의 관계를 표현한 네트워크로서 인공지능 기술에 접목되어 다양하게 활용되고 있지만, 엔티티 또는 엔티티 사이의 링크가 누락되어 지식의 불완전성에 대한 문제가 존재한다. 이러한 문제 해결을 위해 자동 지식 완성 기법 연구가 중요하게 요구되며, 임베딩 기법을 사용하거나 딥러닝을 활용한 연구와 온톨로지를 이용한 심볼릭 규칙 추론을 통한 지식 완성 수행과 같은 다양한 연구들이 진행되었다. 이러한 방식을 통해 효율적으로 자동 지식 완성을 수행하지만 딥러닝 방식은 데이터 기반의 처리방식으로 인해 대량의 학습 데이터가 요구되며, 결과에 대한 설명이 불가능한 문제점이 있다. 그리고 온톨로지 기반의 방식은 전문가에 의해 정의된 온톨로지 및 규칙이 필요하다는 문제가 존재한다. 따라서 본 논문에서는 뉴로 심볼릭 방식을 이용하여 데이터에 내포된 규칙을 명시적으로 추출하여 자동 지식 완성방법을 제안한다. 규칙 추출을 위해 심볼릭 방식의 단일화(unification) 기반의 릴레이션 임베딩 경로를 구현하고, 이에 대한 손실 함수를 정의하여 자동으로 규칙을 생성한다. 기존의 임베딩 기법에 비하여 뉴로 심볼릭 방식은 속도와 성능이 더 우월함을 보여준다. 제안하는 방법의 성능을 측정하기 위해 Nations, UMLS, Kinship 데이터 셋을 대상으로 최신 지식 완성 연구와 비교 실험을 진행하였으며, 학습 시간이 크게 감소했고, 평균적으로 성능이 37.5%p 증가한 것을 확인하였다.
온톨로지와 CNN 기반의 무인기와 주변 개체 간 위협 관계 추론
http://doi.org/10.5626/JOK.2020.47.4.404
무인기 스스로 주변 개체와의 관계를 파악하고 상황을 인지하는 기술은 다양한 분야에서 필요로 하는 기술이다. 이를 위해 다양한 방법이 연구되고 있다. 대부분의 연구는 관련 도메인의 지식을 온톨로지로 구축하고 이를 기반으로 지식 추론하는 방식으로 해결하고 있다. 하지만 이러한 방식은 관련 도메인 지식을 가진 전문가의 의존성 때문에 전문가의 부재 시, 새로운 상황에 대해 대처할 지식을 구축하기가 어렵다. 또한 전문가가 고려하지 못한 상황을 추론하기 위한 지식을 구축하기가 어렵다. 그래서 본 연구에서는 이와 같은 문제를 해결하기 위해 온톨로지와 CNN을 이용하여 무인기와 주변 개체 간의 관계를 추론하기 위한 모델을 구축하는 방식을 제안한다. 온톨로지 추론의 정확도는 부족하다는 가정에서 감지된 주변 개체들의 정보를 활용하여 온톨로지 추론을 먼저 수행한다. 그리고 온톨로지 추론 결과는 CNN을 사용하여 보정한다. 실제 데이터 확보의 한계로 인해 데이터 생성기를 구축하여 실 데이터와 유사한 데이터를 생성하였다. 본 연구의 평가를 위해 2가지 개체 간 관계에 대한 모델을 구축하여 평가하였으며 두 관계 모델 모두 90% 이상의 정확도를 보였다.
지각 정보를 활용한 이벤트 연산 기반 고령자 생활패턴 인지 연구
http://doi.org/10.5626/JOK.2019.46.11.1149
본 논문은 고령자의 주거 공간에서 획득될 수 있는 일상 행동 정보로 표현된 지각 정보를 바탕으로 행위 의도를 통해 고령자의 생활패턴을 인지하는 기법을 제안한다. 제안하는 기법은 고령자의 각 행위 의도와 관련된 행동, 자세 정보로 표현된 온톨로지를 기반으로 지각정보를 입력받아, 이벤트 연산(event calculus)을 수행하여 고령자의 행위 의도를 파악한다. 파악된 행위 의도를 기반으로 행위 의도의 빈도 및 패턴 분석을 통해 고령자의 생활패턴을 인지한다. 실제 고령자의 주거지안의 공간에서 발생하는 일상 행위 의도는 복합적으로 발생하며, 복합적으로 발생하는 행위 의도를 인지하기는 어렵기 때문에 이를 통한 생활패턴의 인지에 한계점을 가진다. 이러한 문제를 해결하기 위해 본 논문에서는 일상 행동 정보로 표현된 지각 정보에 대한 온톨로지를 구성하고, 이벤트 연산기반 추론을 통해 행위 의도 인지를 위한 추론을 수행한다. 본 논문에서 제안한 기법을 평가하기 위해 행위 의도가 기록된 지각정보를 기반으로 행위의도 인지 실험을 수행한 결과 84%의 정밀도와 85%의 재현율을 보였다.
온톨로지 기반 무인기의 자율 위협 상황 인지 시스템
http://doi.org/10.5626/JOK.2019.46.10.1044
무인기의 자율적인 위협 상황 인지는 다양한 분야에서 필요한 기술이다. 이를 위해 다양한 접근 방식이 제안되었지만 대부분은 개체의 의미 정보를 추론하기 위한 방식이다. 따라서 본 연구에서는 기존 개체의 의미적 정보를 기반으로 개체 간 관계 추론을 통해 무인기의 위협 상황을 인지할 수 있는 방법을 제안한다. 본 연구에서는 크게 3가지 방법을 통해 UAV의 위협 상황을 인지한다. 첫 번째로 LOD기반 그리드 맵을 사용하여 인지된 의미적 개체의 정보를 표현한다. 두 번째로 무인기 주변 개체들에 대한 개념들을 온톨로지로 정의하고 개체 간 관계 및 상황은 SWRL로 정의한다. 세 번째로 온톨로지 추론을 통하여 개체 간 관계 및 무인기의 위협 상황을 인지하고 시뮬레이터 시스템을 구축하여 이를 시각화한다.
무인기와 주변 개체간의 위협 관련 관계추론을 통한 무인기 상황인지 기법
http://doi.org/10.5626/JOK.2019.46.2.141
무인기의 기술적 성능이 향상됨에 따라 무인기가 각종 위험을 스스로 인지하고 회피하면서 목표 지역에 접근하기 위해 지능적으로 UAV의 상황을 분석하고 이해하려는 연구가 활발하다. 무인기의 임무를 달성하기 위해서는 빠른 상황 판단과 함께 정확한 상황 판단이 요구된다. 이를 위해 본 논문에서는 3단계의 접근방식을 통하여 무인기와 인지된 주변 개체 간의 위협 관련 관계를 추론하고 이를 기반으로 무인기의 상황을 추상화된 정보로 제공하는 방법을 제안한다. 첫 번째 단계는 무인기가 인지한 개체 데이터를 온톨로지 및 규칙 추론에 활용하기 위해 개체화 하는 것이다. 두 번째 단계는 개체화된 데이터에 대해 개체 간 위협과 관련된 추론의 우선순위를 정의하고 이들 간의 관계 추론을 한다. 마지막으로 현재 추론된 관계들과 과거에 추론된 관계들 간의 연관성을 고려한 관계 추론을 통하여 상황을 인지한다. 제안한 방식의 성능 평가를 위해 가상의 무인기 환경 시뮬레이터를 구축하고 순차적인 5개의 무인기 이동 포인트 경로를 무작위로 1,000번 생성하여 실험하였다. 무인기 이동 경로에서 8종류의 개체를 인지할 수 있으며, 10종류의 관계를 추론할 수 있다. 그리고 전체적인 추론 인지 성능은 평균 91% 이다.
대용량 데이터 기반 SPARQL 질의결과에 대한 통합 설명 시스템
http://doi.org/10.5626/JOK.2018.45.10.1004
최근 다양한 QA시스템 및 전문가 시스템에서 질의 결과에 대한 설명을 필요로 하는 요구가 증대되고 있다. 하지만 현재 연구되는 시스템에서는 대용량 기반의 질의 처리에만 중점을 두고 있다. 따라서 본 논문에서는 대용량 데이터 기반 질의 결과에 대한 인과 관계를 설명할 수 있는 통합 시스템을 제안한다. 본 시스템은 대용량의 지식에 대한 추론을 위해 분산 규칙 기반 SWRL엔진을 사용한다. 그리고 그 추론 근거를 인과 관계에 대한 구조로 표현할 수 있는 분산 가정기반 진리 관리 시스템(Distributed ATMS)의 입력으로 사용한다. 마지막으로 대용량 데이터 기반의 SPARQL 처리기인 SPARQLGX를 사용하여 질의 해답을 구하고 그 해답에 대한 인과 관계를 앞서 구축된 의존 구조를 참조하여 설명한다. 제안한 통합 설명 시스템에 대한 평가는 벤치마크 데이터인 LUBM(Lehigh University Benchmark)을 사용했으며, LUBM에서 제공한 14개의 테스트 질의문을 사용하여 질의 응답 시간 및 설명 시간에 대한 성능 평가를 하였다.
지식 베이스 임베딩을 활용한 지식 완성 모델링 기법
최현영, 홍지훈, 이완곤, 바트셀렘, 전명중, 박현규, 박영택
http://doi.org/10.5626/JOK.2018.45.9.895
최근 웹 데이터를 기반으로 자동적으로 지식베이스를 구축하는 방법들이 연구되고 있지만, 웹데이지터의 불완전성으로 인해 일부 데이터가 누락되거나 다른 데이터와의 연결이 부족한 경우가 발생한다. 이러한 문제를 해결하기 위해 기존 연구들은 자연어 임베딩을 기반으로 인공 신경망을 통해 학습하는 방법들을 제안했다. 하지만 실제로 사용되는 많은 지식베이스의 경우 자연어 말뭉치가 존재하지 않아 엔티티 임베딩에 어려움이 있다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 지식 베이스의 RDF 데이터를 문장 형태의 RDF-Sentence로 변환 후 임베딩에 사용하여 단어 벡터를 생성하고 신경망을 사용하는 지식 완성 기법을 제안한다. 본 논문에서는 제안하는 방법의 성능을 측정하기 위해 트리플 분류 실험을 진행했다. 기존 NTN 모델과 비교 실험을 수행하였고, 기존 연구보다 평균적으로 15% 높은 정확도를 얻었다. 또한, 한국어 최대 지식 베이스인 WiseKB 지식 베이스에 적용하여 88%의 정확도를 얻었다.
생활 패턴 인지를 위한 이벤트 연산 기반 예측 모델 학습 기법
http://doi.org/10.5626/JOK.2018.45.5.466
기계 학습 알고리즘의 발전에 따라 다양한 영역의 데이터에 대한 분석 및 결과를 예측하는 연구들이 진행되고 있다. 그러나 기존의 데이터 의존적인 기계 학습 기반의 의도 인지 방법론은 노이즈 처리에 대한 어려움이 존재하고, 복합적으로 발생할 수 있는 행위 의도에 대한 인지에서 한계점을 가진다. 본 한계점을 극복하기 위해 본 논문에서는 이벤트 연산(Event Calculus)을 기반으로 3단계의 행위 의도인지 방법론을 제안한다. 첫 번째 단계는 시퀀스 데이터가 어떤 의도인지를 판별하는 의도 추론 단계이다. 두 번째 단계는 새롭게 추론된 행위 의도를 기반으로 이전부터 유지됐던 행위 의도와의 병행 가능 여부를 판단하는 충돌 해결(Conflict Resolution) 단계이다. 마지막으로 많은 노이즈로 인해 발생되는 오류를 추론된 행위 의도들에 반영하는 노이즈 감소(Noise Reduction) 단계로 진행된다. 이벤트 연산 기법에 대한 성능 평가를 위해 실제 수집한 데이터를 재구축한 혼합 가우시안 모델과 휴리스틱 규칙 기반의 범용 데이터 생성 기법을 제안한다. 5개의 의도로 이루어진 약 13시간의 시퀀스 데이터 300개를 사용하여 이벤트 연산의 성능을 측정하였고, 각 의도에 대해 이벤트 연산의 예측 결과와 실제 확률 모델이 평균 89.3%의 일치
도를 보였다.
순환신경망 기반의 사용자 의도 예측 모델
http://doi.org/10.5626/JOK.2018.45.4.360
기계 학습 모델 구축을 통한 인간의 의도 예측은 기존에도 제공되어 왔으나, 특정 행위가 발생하는 시점으로부터 먼 과거의 정보를 반영한 의도 예측이 어렵다는 단점이 존재했다. 이 문제점의 극복을 위해, 본 논문에서는 순환 신경망(RNN – Recurrent Neural Network) 기반의 행위 의도 예측 모델 학습 기법을 제안한다. 순환 신경망 모델은 시계열(Time-Series) 데이터의 패턴을 분석하여 과거의 시점이 반영된 예측 결과를 생성한다. 본 논문이 제안하는 순환 신경망 기반의 의도 예측 모델은 시간, 공간, 행위, 물체, 의도로 구성된 생활 데이터 시퀀스를 바탕으로 사용자의 의도를 예측할 수 있도록 학습된다. 순환 신경망의 각 노드는 의도 예측 모델이 먼 과거의 데이터 시퀀스를 고려하여 의도를 예측 할 수 있도록 LSTM(Long-Short Term Memory) Cell로 구성하였다. 순환 신경망 기반의 의도 예측 모델의 성능 평가를 위해, 본 논문에서는 행위 의도에 대한 가중치 그래프 기반 데이터 생성기를 구축하여 실제 실내에서 발생하는 인간 활동에 가까운 데이터를 자동으로 생성하여 실험에 사용했다. 총 23,000개의 데이터가 의도 모델 학습과 검증에 사용되었으며, 학습된 모델의 의도 예측 정확도 측정 실험을 한 결과로 평균 90.52%의 예측 정확도를 보였다.
