디지털 라이브러리[ 검색결과 ]
ETF 가격 방향성 예측을 위한 그래프 구조 학습 기반 신경망
http://doi.org/10.5626/JOK.2024.51.5.473
상장지수펀드(ETF)는 특정 지수를 추종하는 인덱스 펀드로, 개별 종목에 대한 위험도 및 운용 보수가 낮다는 특징을 가지고 있다. ETF 예측을 위해 다양한 방법들이 개발되었으며 최근 인공지능 기반 기술들이 개발되고 있다. 대표적인 방법은 시계열 기반 인공신경망을 활용하여 ETF의 가격 방향성을 예 측하는 것이다. 이는 ETF의 과거 가격 정보들을 효과적으로 반영하여 ETF의 등락을 예측할 수 있다는 장점이 있다. 하지만 개별 ETF의 과거 정보만 사용할 뿐 서로 다른 ETF 간의 관계를 반영하지 못하는 한계점을 지닌다. 이러한 문제를 해결하기 위해 본 논문에서는 ETF 간의 관계를 반영할 수 있는 모델을 제안한다. 제안 모델은 그래프 구조 학습을 통해 다양한 ETF 간의 관계를 표현하는 그래프를 추론하고, 이를 기반으로 그래프 신경망 모델을 통해 ETF 가격 방향성을 예측한다. 실험을 통해, 제안 모델이 개별 ETF 정보만 사용한 시계열 모델보다 우수한 예측 성능을 보이는 것을 확인하였다.
한국어 말덩이 정의와 구묶음: 한국어 말덩이 부착 말뭉치와 Bi-LSTM/CRFs 모델을 활용하여
남궁영, 김창현, 천민아, 박호민, 윤호, 최민석, 김재균, 김재훈
http://doi.org/10.5626/JOK.2020.47.6.587
한국어 의존구조를 분석하는 데에는 몇 가지 고질적인 문제가 있다. 그 중 하나는 중심어 위치문제이고 다른 하나는 구성성분의 단위 문제이다. 이와 같은 문제는 구묶음을 수행함으로써 어느 정도는 해결된다. 구묶음은 형태소 분석과 구문분석의 중간 단계에 위치하면서 말덩이라 하는 구성성분을 찾는 과정이다. 본 논문에서는 한국어 말덩이의 정의와 의의를 살펴보고 한국어 말덩이 부착 말뭉치를 구축한다. 또한 본 논문에서는 구축된 말뭉치와 Bi-LSTM/CRFs를 이용한 한국어 구묶음을 제안한다. 실험을 통해서 제안된 구묶음 모델은 98.54%의 F1점수를 보여 실용적으로 사용할 수 있을 것으로 판단된다. 또한 다양한 입력 표상에 따른 성능을 분석하여 fastText가 가장 좋은 성능을 보였다. 또한 오류 분석을 통해 제안된 시스템의 문제를 분석하여 향후 시스템 개선에 적극 활용할 계획이다.
Visualization of Convolutional Neural Networks for Time Series Input Data
http://doi.org/10.5626/JOK.2020.47.5.445
산업, 의료, 금융 등 다양한 분야에서 인공지능을 활용한 예측 및 진단이 늘어나면서, 인공지능의 내부 작동원리를 설명하는 연구에도 관심이 높아지고 있다. 이미지 데이터에서 중요 입력 특징점을 시각화하는 기존 연구들과 다르게, 본 논문에서는 시계열 데이터의 은닉 노드를 시각화하여 심층신경망 내부의 작동원리를 설명한다. 본 논문은 은닉 노드의 시각화를 쉽게 하도록 가중치 행렬(weight matrix)을 기준으로 은닉 노드를 군집화하여 패턴을 파악하였다. 이를 통해 심층학습 모델의 작동원리를 설명할 뿐만 아니라, 사용자 수준에서 시계열 데이터에 대한 이해를 높일 수 있었다.
Bidirectional LSTM-CRF 기반의 음절 단위 한국어 품사 태깅 및 띄어쓰기 통합 모델 연구
http://doi.org/10.5626/JOK.2018.45.8.792
일반적으로 한국어 품사 태깅은 단어 단위로 띄어쓰기가 완료된 문장을 입력으로 받는다. 만일 띄어쓰기가 제대로 되지 않은 문장을 처리하기 위해서는 오류를 수정하기 위한 자동 띄어쓰기 처리가 선행되어야 한다. 그러나 자동 띄어쓰기 처리와 품사 태깅을 순차적으로 수행하면 각 단계에서 발생하는 오류로 인해 심각한 성능 저하 현상이 발생할 수 있다. 본 연구에서는 자동 띄어쓰기와 품사 태깅을 동시에 수행할 수 있는 통합 모델을 구축하여 이러한 문제를 해결하고자 한다. 세부적으로 Bidirectional LSTM-CRF 모델을 바탕으로 음절 기반의 띄어쓰기 및 품사 태깅을 상보적으로 동시에 수행할 수 있는 통합 모델을 제안한다. 한국어 문어 품사 부착 말뭉치를 이용한 실험 결과, 띄어쓰기가 완전한 문장에 대해서는 98.77%의 품사 태깅 성능을 보였으며, 띄어쓰기가 전혀 되어 있지 않은 문장 집합에 대해서는 97.92%의 형태소 단위 F1-measure 성능을 나타내었다.
심층학습 기반의 Predictor-Estimator 모델을 이용한 영어-한국어 기계번역 품질 예측
http://doi.org/10.5626/JOK.2018.45.6.545
기계번역 품질 예측은 정답번역문의 참고 없이 기계번역문장의 번역품질을 예측하는 것을 말하며, 최근 들어 기계번역분야에서 중요성이 강조되고 있다. 현재까지 영어-유럽어를 대상으로 기계번역 품질 예측 연구들이 진행되어 왔으며, 영어-한국어에 대해 기계번역 품질 예측을 시도한 사례가 없었다. 본 논문에서는 영어-한국어 기계번역 품질 예측을 위한 학습 데이터를 구축하고, 심층학습 기반의 모델을 적용하여 영어-한국어에 대한 기계번역 품질 예측을 수행한다. 학습 데이터 생성을 위해서는 기계번역문장에 기반한 새로운 정답번역문을 만드는 과정이 필요하며, 본 논문에서는 자유로운 어순과 다양한 형태가 가능한 한국어 문장의 특징을 고려하는 새로운 정답번역문을 만들기 위한 가이드라인을 제시한다. 또한 학습 데이터가 편향되는 문제를 완화하여 학습 데이터를 구축한다. 본 연구에서 구축한 학습데이터와 심층학습 기반의 모델을 이용한 실험 결과, 영어-한국어 기계번역 품질 예측이 잘 수행됨을 확인하였다.
