디지털 라이브러리[ 검색결과 ]
관계적 메모리 코어 구조를 적용한 변분적 순환신경망
http://doi.org/10.5626/JOK.2020.47.2.189
순차적 데이터(sequential data)를 위한 생성모델(generative model) 학습을 위해서 순환신경망(RNN; recurrent neural network) 기반의 모델들이 제안되고 있는 가운데, 순환신경망에 변분오토인코더(VAE; variational autoencoder) 의 요소를 도입하여 복잡한 순차적 데이터 분포를 표현 가능하게 하는 변분적 순환신경망(VRNN; variational recurrent neural network)이 제시된 바 있다. 한편, 최근 셀프어텐션(self-attention) 기반의 메모리 구조를 RNN에 도입하여 입력 간의 관계를 고려할 수 있는 구조를 가진 관계적 메모리 코어(RMC; relational memory core)가 제안되어 순차적 데이터 처리에 있어서 성능을 높인 바 있다. 이 논문에서는 관계적 메모리 코어 구조를 VRNN에 도입해 순차적 입력데이터들 간에 한층 심화된 관계적 추론을 가능하게 하는 모델인 변분-관계적 메모리 코어(VRMC; varitional relational memory core)를 제안한다. 또한, 음악생성 데이터 기반의 실험을 통해 기존 VRNN보다 비해 성능이 나아짐을 보이고 이를 통해 본 연구에서 제시한 모델이 순차적 데이터를 모델링하는 데 있어서 더 효과적임을 보이려 한다.
온톨로지 기반 무인기의 자율 위협 상황 인지 시스템
http://doi.org/10.5626/JOK.2019.46.10.1044
무인기의 자율적인 위협 상황 인지는 다양한 분야에서 필요한 기술이다. 이를 위해 다양한 접근 방식이 제안되었지만 대부분은 개체의 의미 정보를 추론하기 위한 방식이다. 따라서 본 연구에서는 기존 개체의 의미적 정보를 기반으로 개체 간 관계 추론을 통해 무인기의 위협 상황을 인지할 수 있는 방법을 제안한다. 본 연구에서는 크게 3가지 방법을 통해 UAV의 위협 상황을 인지한다. 첫 번째로 LOD기반 그리드 맵을 사용하여 인지된 의미적 개체의 정보를 표현한다. 두 번째로 무인기 주변 개체들에 대한 개념들을 온톨로지로 정의하고 개체 간 관계 및 상황은 SWRL로 정의한다. 세 번째로 온톨로지 추론을 통하여 개체 간 관계 및 무인기의 위협 상황을 인지하고 시뮬레이터 시스템을 구축하여 이를 시각화한다.
무인기와 주변 개체간의 위협 관련 관계추론을 통한 무인기 상황인지 기법
http://doi.org/10.5626/JOK.2019.46.2.141
무인기의 기술적 성능이 향상됨에 따라 무인기가 각종 위험을 스스로 인지하고 회피하면서 목표 지역에 접근하기 위해 지능적으로 UAV의 상황을 분석하고 이해하려는 연구가 활발하다. 무인기의 임무를 달성하기 위해서는 빠른 상황 판단과 함께 정확한 상황 판단이 요구된다. 이를 위해 본 논문에서는 3단계의 접근방식을 통하여 무인기와 인지된 주변 개체 간의 위협 관련 관계를 추론하고 이를 기반으로 무인기의 상황을 추상화된 정보로 제공하는 방법을 제안한다. 첫 번째 단계는 무인기가 인지한 개체 데이터를 온톨로지 및 규칙 추론에 활용하기 위해 개체화 하는 것이다. 두 번째 단계는 개체화된 데이터에 대해 개체 간 위협과 관련된 추론의 우선순위를 정의하고 이들 간의 관계 추론을 한다. 마지막으로 현재 추론된 관계들과 과거에 추론된 관계들 간의 연관성을 고려한 관계 추론을 통하여 상황을 인지한다. 제안한 방식의 성능 평가를 위해 가상의 무인기 환경 시뮬레이터를 구축하고 순차적인 5개의 무인기 이동 포인트 경로를 무작위로 1,000번 생성하여 실험하였다. 무인기 이동 경로에서 8종류의 개체를 인지할 수 있으며, 10종류의 관계를 추론할 수 있다. 그리고 전체적인 추론 인지 성능은 평균 91% 이다.
스마트폰 어플리케이션 설치 목록을 이용한 사용자 특성 추론
http://doi.org/10.5626/JOK.2018.45.12.1240
스마트폰의 사용이 보편화됨에 따라 개인화 서비스에 대한 요구가 증가하고 있다. 이에 따라 개인화 서비스를 제공할 때 유용하게 활용될 수 있는 사용자 특성을, 데이터 기반으로 통계 학습을 이용해 추론하는 연구가 활발히 진행되고 있다. 본 연구에서는 사용자의 관심사와 생활습관을 반영하고 있을 뿐만 아니라, 적은 비용으로 수집할 수 있는 어플리케이션 설치 목록으로부터 요인 벡터를 추출하여 사용자 특성을 추론한다. 추론 과정에서는 설치 목록과 더불어 어플리케이션 스토어에서 획득 가능한 메타정보인 카테고리와 설명글을 이용하여 사용자를 표현하는 네 가지 요인 벡터를 만들어 사용한다. 특히, 인공 신경망 기반의 텍스트 임베딩 기법인 Doc2Vec을 설명글에 적용한 요인 벡터를 사용한다. 또한, 요인 벡터 추출에 이용되는 어플리케이션을 선별하는 기준을 제시하여 추론 성능을 높이고자 하였다. 국내 스마트폰 사용자 100명으로부터 데이터를 수집하여 성별, 연령, 연애 상태, 거주형태, 동거 여부, 수입 수준, 지출 수준, 신장, 체중, 종교, 이수 학기, 단과대학을 추론하는 실험을 수행했으며, 제안 기법의 우수성을 확인하였다.
대용량 데이터 기반 SPARQL 질의결과에 대한 통합 설명 시스템
http://doi.org/10.5626/JOK.2018.45.10.1004
최근 다양한 QA시스템 및 전문가 시스템에서 질의 결과에 대한 설명을 필요로 하는 요구가 증대되고 있다. 하지만 현재 연구되는 시스템에서는 대용량 기반의 질의 처리에만 중점을 두고 있다. 따라서 본 논문에서는 대용량 데이터 기반 질의 결과에 대한 인과 관계를 설명할 수 있는 통합 시스템을 제안한다. 본 시스템은 대용량의 지식에 대한 추론을 위해 분산 규칙 기반 SWRL엔진을 사용한다. 그리고 그 추론 근거를 인과 관계에 대한 구조로 표현할 수 있는 분산 가정기반 진리 관리 시스템(Distributed ATMS)의 입력으로 사용한다. 마지막으로 대용량 데이터 기반의 SPARQL 처리기인 SPARQLGX를 사용하여 질의 해답을 구하고 그 해답에 대한 인과 관계를 앞서 구축된 의존 구조를 참조하여 설명한다. 제안한 통합 설명 시스템에 대한 평가는 벤치마크 데이터인 LUBM(Lehigh University Benchmark)을 사용했으며, LUBM에서 제공한 14개의 테스트 질의문을 사용하여 질의 응답 시간 및 설명 시간에 대한 성능 평가를 하였다.
생활 패턴 인지를 위한 이벤트 연산 기반 예측 모델 학습 기법
http://doi.org/10.5626/JOK.2018.45.5.466
기계 학습 알고리즘의 발전에 따라 다양한 영역의 데이터에 대한 분석 및 결과를 예측하는 연구들이 진행되고 있다. 그러나 기존의 데이터 의존적인 기계 학습 기반의 의도 인지 방법론은 노이즈 처리에 대한 어려움이 존재하고, 복합적으로 발생할 수 있는 행위 의도에 대한 인지에서 한계점을 가진다. 본 한계점을 극복하기 위해 본 논문에서는 이벤트 연산(Event Calculus)을 기반으로 3단계의 행위 의도인지 방법론을 제안한다. 첫 번째 단계는 시퀀스 데이터가 어떤 의도인지를 판별하는 의도 추론 단계이다. 두 번째 단계는 새롭게 추론된 행위 의도를 기반으로 이전부터 유지됐던 행위 의도와의 병행 가능 여부를 판단하는 충돌 해결(Conflict Resolution) 단계이다. 마지막으로 많은 노이즈로 인해 발생되는 오류를 추론된 행위 의도들에 반영하는 노이즈 감소(Noise Reduction) 단계로 진행된다. 이벤트 연산 기법에 대한 성능 평가를 위해 실제 수집한 데이터를 재구축한 혼합 가우시안 모델과 휴리스틱 규칙 기반의 범용 데이터 생성 기법을 제안한다. 5개의 의도로 이루어진 약 13시간의 시퀀스 데이터 300개를 사용하여 이벤트 연산의 성능을 측정하였고, 각 의도에 대해 이벤트 연산의 예측 결과와 실제 확률 모델이 평균 89.3%의 일치
도를 보였다.
인메모리 기반의 클러스터 환경에서 분산 병렬 SWRL 추론에 대한 연구
http://doi.org/10.5626/JOK.2018.45.3.224
최근 들어 대용량 온톨로지를 사용하여 분산 환경에서 사용자 정의 규칙을 기반으로 하는 SWRL 추론엔진에 대한 연구가 다양하게 진행되고 있다. 스키마를 기반으로 하는 공리 규칙과 다르게 SWRL 규칙들은 미리 효율적인 추론 순서를 정의할 수 없다. 또한 불필요한 반복과정으로 인해 많은 양의 네트워크 셔플링이 발생한다. 이러한 문제점들을 해결하기 위해서 본 논문에서는 Map-Reduce 알고리즘과 인메모리 기반의 분산처리 프레임워크를 활용하여 동시에 여러 규칙을 추론할 수 있고, 클러스터의 노드간에 발생하는 데이터 셔플링의 양을 최소화할 수 있는 방법을 제안한다. 제안하는 방법의 성능을 측정하기 위해 약 2억 트리플로 구성된 WiseKB 온톨로지와 36개의 사용자 정의 규칙을 사용하여 실험을 진행했고 약 16분이 소요되었다. 또한 LUBM 벤치 마크 데이터를 이용한 비교 실험에서 기존 연구보다 2.7배 높은 성능을 보였다.
실내 서비스 로봇을 위한 방향 관계 표현과 추론
http://doi.org/10.5626/JOK.2018.45.3.211
본 논문에서는 실내 서비스 로봇들을 위한 로봇 중심의 방향 관계 표현과 추론 방법을 제안한다. 정성적 공간 관계 추론에 관한 많은 기존 연구들에서는 기준 물체를 중심으로 대상 물체의 상대적 방향관계를 판별할 때, 두 물체의 위치 정보만을 이용해왔다. 이러한 방향 관계 추론 방법들은 로봇 스스로가 기준 물체가 되어 다른 대상 물체들과의 방향 관계를 판별할 때, 로봇이 바라보고 있는 방향을 제대로 고려하지 않음으로써, 대상 물체의 방향 관계를 잘못 판별하는 사례들이 발생할 수 있다. 본 논문에서는 실내환경에서 로봇을 중심으로 물체들의 상대적인 방향 관계를 판별할 때, 로봇의 위치 정보뿐만 아니라 로봇이 향하고 있는 방향 정보도 이용하는 로봇 중심의 방향 관계 표현과 방향 관계 추론 방법들을 제시한다. 로봇중심의 방향 관계 추론 방법들은 두 물체의 위치 정보만을 이용해왔던 기존의 콘 기반 추론, 행렬 기반 추론, 그리고 혼합 추론 방법을 확장하여 구현하였다. 터틀봇과 시뮬레이션 로봇을 이용한 다양한 실험들을 통해, 본 논문에서 제안하는 방향 관계 표현과 추론 방법들의 높은 성능과 적용 가능성을 확인할 수 있었다.
분산 처리 환경에서 SWRL 규칙을 이용한 대용량 점증적 추론 방법
빅데이터 시대가 도래 하면서 시맨틱 데이터의 양이 빠른 속도로 증가하고 있다. 이러한 대용량 시맨틱 데이터에서 의미 있는 암묵적 정보를 추론하기 위해서 지식 사용자의 경험적 지식을 기반으로 작성된 SWRL(Semantic Web Rule Language) 규칙들을 활용하는 많은 연구가 진행되고 있다. 그러나 기존의 단일 노드의 추론 시스템들은 대용량 데이터 처리에 한계가 있고, 다중 노드 기반의 분산 추론 시스템들은 네트워크 셔플링으로 인해 성능이 저하되는 문제점들이 존재한다. 따라서 본 논문에서는 기존 시스템들의 한계를 극복하고 보다 효율적인 분산 추론 방법을 제안한다. 또한 네트워크 셔플링을 최소화 할 수 있는 데이터 파티셔닝 전략을 소개하고, 점증적 추론에서 사용되는 추가된 새로운 데이터의 선별과 추론 규칙의 순서결정으로 추론 과정을 최적화 할 수 있는 방법에 대해 설명한다. 제안하는 방법의 성능을 측적하기 위해 약2억 트리플로 구성된 WiseKB 온톨로지와 84개의 사용자 정의 규칙을 이용한 실험에서 32.7분이 소요되었다. 또한 LUBM 벤치 마크 데이터를 이용한 실험에서 맵-리듀스 방식에 비해 최대 2배 높은 성능을 보였다.
미디어 분류를 위한 온톨로지 스키마 자동 생성
UCC와 SNS 등을 통해 개인 미디어가 다양한 방식으로 생성됨에 따라 미디어를 분석하고 인지하는 기술에 대한 연구가 진행되고 있으며, 이를 통해 객체 인지의 수준이 향상되었다. 그 결과 기존의 제목, 태그 및 스크립터 정보를 이용한 추론 방식과 달리 미디어에서 인지되는 객체를 활용하는 영상 분류 추론 연구가 수행되고 있다. 하지만 추론을 위한 미디어 온톨로지 모델링을 사람이 직접 수행해야 하기 때문에 많은 시간과 비용이 발생하는 단점이 있다. 따라서 본 논문에서는 미디어 분류를 위한 온톨로지 스키마 모델링의 자동화 방법을 제안한다. 영상에서 인지되는 객체의 빈도에 따른 OWL-DL 공리의 특성을 고려하여 온톨로지 모델 생성의 자동화 방안에 대하여 설명한다. 유튜브에서 수집한 15가지의 카테고리에 대한 영상으로부터 온톨로지 모델을 자동 생성하여 추론을 통해 미디어 분류의 정확도에 대한 실험을 수행하였다. 실험결과 15가지 영상 이벤트의 행위 약 1500개에 대하여 영상 분류를 수행한 결과, 86%의 정확도를 얻었고, 온톨로지 모델링의 자동화 방법에 대한 타당한 성능을 보였다.
