디지털 라이브러리[ 검색결과 ]
LSTM 오토인코더를 이용한 가중 그래프 임베딩 기법
http://doi.org/10.5626/JOK.2021.48.1.13
그래프 임베딩이란 그래프를 저차원 공간의 벡터로 표현하는 것이다. 최근, 딥러닝을 사용해 그래프를 임베딩하는 연구가 진행되고 있지만 대부분의 연구는 그래프의 노드 간 연결 구조에 집중하고 노드간 간선에 임의의 가중치를 갖는 가중 그래프에 대한 임베딩 기법에 대해서 많은 연구가 진행되지 않았다. 따라서 본 논문에서는 가중 그래프를 위한 새로운 임베딩 기법을 제안한다. 제안 기법은 가중 그래프가 주어지면 먼저 해당 그래프의 내부에 존재하는 노드-가중치 시퀀스들을 추출한 다음 LSTM 오토인코더를 사용해 각 시퀀스들을 고정된 길이의 벡터로 인코딩한다. 마지막으로 각 그래프의 인코딩 벡터들을 모아 하나의 최종 임베딩 벡터를 생성한다. 이렇게 얻어진 임베딩 벡터는 가중 그래프간 유사도 측정이나 분류 등에 활용될 수 있다. 여러 유사 가중 그래프 그룹들로 구성된 합성 데이터와 실제 데이터를 이용한 실험을 통해 제안 기법이 유사 가중 그래프를 탐색하는데 94% 이상의 정확도를 보임을 확인하였다.
IoT 환경에서의 시공간 조인의 효율적 처리 기법
http://doi.org/10.5626/JOK.2019.46.1.86
시공간 조인은 서로 다른 릴레이션의 데이터 중 서로 동일한 시간과 동일한 위치 값을 가지는 데이터를 결합하는 연산이다. 특히 최근 IoT의 보급과 함께 서로 다른 사물들이 과거에 발생시킨 데이터 중 동일한 시간에 동일한 위치에서 발생된 데이터를 검색하기 위해 시공간 조인의 필요성이 증가하고 있다. 본 논문에서는 둘 이상의 사물들이 발생시킨 데이터를 효율적으로 시공간 조인하는 기법을 제안한다. 제안 방법은 평면과 시간으로 이루어진 3차원 시공간을 작은 부분 공간들로 나누고, 각 부분 공간 별로 그 내부에 데이터가 존재하는 사물들을 기록한다. 사물들 간 시공간 조인이 요청되면, 제안 방법은 해당 사물들의 데이터가 서로 가까이 존재하는 공간들을 탐색한다. 그 후 탐색된 공간 내에 존재하는 데이터만을 가져와서 조인을 수행한다. 따라서 제안 방법은 서로 조인 가능성이 있는 데이터만을 접근하므로 수행비용이 크게 감소한다. 실제 사물 데이터로 성능을 측정한 결과 제안 방법은 기존 시공간 조인 방법에 비해 수행 시간을 크게 단축함을 확인하였다.
