디지털 라이브러리[ 검색결과 ]
학습 데이터를 이용한 CNN의 일반화 오류 평가 방법
http://doi.org/10.5626/JOK.2021.48.3.284
우수한 성능의 CNN일지라도 실제 환경을 예상한 테스트 데이터셋 상의 오류인 일반화 오류는 높게 나오는 경우가 있다. 이 일반화 오류를 줄여서 모델이 실제 환경에서도 학습된 성능이 유지될 수 있도록 해야 한다. 본 논문에서는 데이터 다양성이 높은 학습 데이터셋을 통해 학습한 모델이 클래스별로 자주 활성화하는 뉴런 셋을 반응 셋이라 정의한다. 또한 테스트 데이터셋의 데이터 다양성에 따른 일반화 오류의 차이도 고려한다. 본 논문은 이 차이를 상대적 일반화 오류라 정의한다. 본 논문에서는 CNN의 클래스별 반응 셋과 상대적 일반화 오류의 관계를 이용하여서 학습 데이터셋 만을 이용한 CNN의 일반화 오류의 평가 방법을 제안한다. 사례연구를 통해 반응 셋 비율이 상대적 일반화 오류와 관계가 있음을 확인하였으며 본 논문에서 제안한 학습 데이터를 이용한 CNN의 일반화 오류의 평가 방법이 효과적임을 확인하였다.
자율주행 차량의 기능 간 상호작용 식별 패턴
http://doi.org/10.5626/JOK.2019.46.10.1001
다양한 피처들이 복합적으로 동작하는 시스템은 피처 간 상호작용으로 인해 예상치 못한 동작을 수행할 때가 있다. 시스템 구성 요소의 의존성만을 고려한 상호작용 식별은 실제로 동시에 수행되지 않는 피처들 간에도 상호작용이 발생하는 것으로 간주하여 긍정 오류가 발생할 수 있다. 그리고 속도와 방향과 같이 연관관계로 인해 발생하는 상호작용을 고려하지 않는다. 본 연구는 시스템의 시계열 데이터를 기반으로 상호작용을 식별하기 위한 패턴을 제안한다. 사례 연구에서는 상호작용 속성을 조합하여 상호작용 종류를 분류하고, 각 상호작용을 식별하기 위한 패턴을 대응시켰으며, 자율주행 차량의 시계열 데이터를 바탕으로 상호작용 식별을 수행하였다. 자율주행 차량의 ACC, OA, LKA, EVA 피처를 대상으로 상호작용 식별 결과, 비연속적 파티션 변화 패턴과 반복적 파티션 변화 패턴을 이용하여 속도 변수와 방향 변수에서 발생한 상호작용을 식별하였으며, 파티션 상충 패턴을 이용하여 방향과 속도 변수 사이의 연관관계로 인해 발생하는 상호작용을 식별하였다.
이벤트 의존성을 이용한 상태 머신 다이어그램의 강건성 테스팅 연구
상태 머신 다이어그램 결함 주입을 통하여 강건성 테스트 케이스를 생성하기 위한 연구가 수행되고 있다. 그러나 기존의 연구들은 상태 머신 다이어그램의 구조적인 측면만을 단순 고려하고 있기 때문에 작은 크기의 모델임에도 불구하고 많은 결함이 주입될 수 있다. 본 논문에서는 강건성 테스트의 효과성은 유지한 채, 주입될 결함의 수를 줄이기 위한 결함 주입 방법을 제안한다. 제안 방법은 전자레인지 상태 머신 다이어그램을 이용하여 설명되었으며, 유효성을 검증하기 위하여 해쉬 테이블 상태 머신 다이어그램에 제안 방법을 적용하였다. 해쉬 테이블에 적용된 실험 결과, 제안 연구는 강건성 테스트의 효과성은 유지하였으며, 주입된 결함의 수는 43%, 생성한 테스트 케이스의 수는 63% 감소시킨 것을 확인할 수 있었다.