디지털 라이브러리[ 검색결과 ]
딥러닝 기반 재난 상황인지 및 대응지원 모델
http://doi.org/10.5626/JOK.2023.50.8.712
본 논문은 국민의 생명과 재산에 직접적인 관련성이 높은 119 신고 접수업무를 수행하는 상황실 접수자의 재난 상황인지 및 대응지원업무를 위한 의사결정 지원모델에 대한 연구내용이다. 긴급신고에 대해 신속 정확하며 효과적인 초동대처가 이루어지기 위해서는 신고접수 초기부터 접수된 상황에 따라 체계적인 대응은 필수적이다. 하지만, 다양한 신고내용 및 수시로 변화하는 현장 상황을 접수자 개인 역량에 따라 의사결정을 수행하는 것은 한계 사항이 존재한다. 따라서, 본 논문은 119 상황관리 표준매뉴얼에 기반하여 신고접수 업무에 적용할 수 있는 딥러닝 기반 재난상황인지 모델과 대응지원 모델을 제안한다. 마지막으로 실험을 통해 제안한 방법의 유효성을 확인하였다.
거리 기반 데이터 레이블링을 적용한 lncRNA-질병 연관성 예측 모델
http://doi.org/10.5626/JOK.2023.50.5.420
lncRNA는 200개 이상의 뉴클레오타이드로 이루어져 있는 비암호화 RNA이다. 비암호화 RNA는 단백질을 직접 생성하지 못해 중요도가 낮은 물질로 여겨져 왔으나 비암호화 RNA가 단백질 발현을 조절하는 역할을 하는 것으로 밝혀지며 최근 많은 연구가 진행되고 있다. lncRNA의 비정상적인 발현은 다양한 질병의 원인이 되며 lncRNA와 질병의 연관성을 예측함으로써 초기 질병의 진단 또는 질병 예방에 도움을 줄 수 있다. 한편 생물학적 데이터의 연관성을 예측하는 연구는 직접적인 실험으로 진행할 경우 오랜 시간과 큰 비용이 들어가므로 이러한 문제점을 계산적인(computational) 방법을 적용하여 보완하는 것이 중요하다. 따라서 본 연구에서는 LSTM(Long Short-Term Memory)을 기반으로 한 lncRNA-질병 연관성 예측 모델을 제안한다. 또한, 기존 연구에서는 임의로 네거티브 샘플을 생성하여 데이터에 불확실성이 존재하므로 본 연구에서는 이런 불확실성을 해결하는 거리를 기반으로 한 데이터 레이블링 방법 역시 제안한다. 본 연구에서 제시한 데이터 레이블링 방법과 분류 모델을 통해 최고 AUC 0.97을 달성하였다.
클라우드에서 SPARQL 질의 처리를 위한 조인 성능 향상
최근 LOD 데이터의 급격한 증가로 인해 기존의 싱글 머신 시스템을 통한 대량의 LOD 처리는 성능의 한계를 가진다. 이러한 문제를 해결하기 위해 최근 연구들은 분산, 병렬 프레임워크인 맵리듀스를 활용한다. 하지만 맵리듀스를 통해 SPARQL 질의를 처리하기 위해서는 다수의 맵리듀스 잡이 필요하고, 이로 인해 추가적인 비용이 발생하게 된다. 또한, 조인을 위해 불필요한 데이터를 처리해야 하는 문제가 있다. 본 논문에서는 이를 해결하기 위해 SPARQL 질의 처리 시 발생하는 맵리듀스 잡의 개수를 줄이고 Bitmap을 기반으로 조인 인덱스를 작성 후 이용하여 불필요한 데이터 처리를 최소화 하는 방법을 제안한다.
