디지털 라이브러리[ 검색결과 ]
센서별 시간지연 교차 상관관계를 이용한 GCN 기반의 시계열 데이터 이상 탐지 방법
http://doi.org/10.5626/JOK.2023.50.9.805
시계열 데이터를 통한 장비 이상 탐지는 더 큰 피해를 방지하고 생산성 향상에 기여할 수 있어 매우 중요한 과제이다. 이와 관련하여 시계열 데이터 이상 탐지에 대한 연구가 활발히 진행되고 있지만, 다음과 같은 제약사항들이 있다. 첫째, 센서 간 상관관계를 분석하지 않기 때문에 불필요한 허위 알람이 발생한다. 둘째, 센서 간 상관관계를 분석하기 위해 완전 그래프로 모델링하고 GAT(Graph Attention Networks)를 적용하였으나, 불필요한 연산의 증가로 많은 분석시간이 소요된다. 본 논문에서는 위의 제약사항을 해결하기 위해 SC-GCNAD(Sensor-specific Correlation GCN Anomaly Detection)를 제안한다. SC-GCNAD는 시계열 데이터의 특징을 반영한 TLCC(Time Lagged Cross Correlation)를 적용하여 정확한 센서별 상관관계를 분석하고, 상관관계 표현력이 뛰어난 GCN(Graph Convolutional Networks)을 활용한다. 그 결과 기존 모델 대비 F1-Score는 최대 6.37% 향상하고, 분석시간은 최대 95.31% 단축한다.
복수 개의 대장암 유전자 상관관계 네트워크 간 비교 분석 향상을 위한 네트워크 스케일링 방법
http://doi.org/10.5626/JOK.2022.49.8.646
질병 분석 모델에서 유전자 발현정보를 바탕으로 다양한 연구방법들이 제시되고 있다. 암 유전체 데이터 분석에 있어 패스웨이를 바탕으로 숨겨진 특성을 발굴하는 방법들은 결과 해석에 유용하다. 본 연구에서는 유전자들의 발현조절 정보를 토대로 한 패스웨이 단위의 유전자 상관관계 네트워크를 비교분석 하였다. 비교하고자 하는 두 네트워크의 규모의 차이가 생기게 되면 정보량의 편향성으로 인해 보다 큰 규모의 네트워크 정보에 치우쳐진 결과를 나타내게 된다. 이러한 편향성을 해소하기 위해 네트워크 망 구성에 대한 정보량을 이용하여 서로 다른 배경을 가진 환자군의 네트워크를 조정하는 방법을 제안한다. 정규화된 네트워크들은 주요 유전자군들의 비교분석법을 적용했으며, 총 4종류의 대장암의 아형 데이터를 활용하여 202개의 패스웨이 네트워크를 분석한 후 아형 특이적인 5개 패스웨이를 발굴했다. 이들은 모두 대장암과 연관된 주요 패스웨이로 선행연구에서 보고된 바가 있어 제안하는 방법의 유효성을 보였다.
상관 계수를 활용한 이종 결함 예측의 학습 프로젝트 선택 기법
http://doi.org/10.5626/JOK.2021.48.8.920
소프트웨어 결함 예측은 과거의 결함정보를 바탕으로 개발 중인 소프트웨어의 결함을 예측하는 기술이다. 최근에는 서로 다른 메트릭을 가진 프로젝트 사이에서도 기술을 적용하기 위해 이종 결함예측이 떠오르고 있다. 지금까지 이종 결함 예측은 한 쌍의 학습 및 타겟 프로젝트가 주어졌을 때 성능을 높이는 것에 초점을 맞춰왔다. 그러나 실제 개발에서는 하나의 타겟 프로젝트에 대해 여러 학습 후보 프로젝트가 존재하므로 어떤 것으로 모델을 학습해야 최적의 결과를 얻을지 알 수 없다. 본 연구에서는 이러한 문제를 해결하기 위해 상관 계수를 활용한 학습 프로젝트 선택 기법을 제안한다. 메트릭 매칭 후 대응하는 데이터 간 상관 계수의 평균이 가장 높은 프로젝트를 학습 프로젝트로 선택한 결과, 무작위 선택과 비교하여 예측 성능이 증가했다. 또한, 100개 미만의 인스턴스를 학습 후보에서 제외하여 성능을 향상할 수 있었다. 이를 통해 실제 개발에서 결함이 존재하는 모듈을 더 정확히 예측할 수 있다.
