디지털 라이브러리[ 검색결과 ]
텍스트 바꿔 쓰기 과제를 위한 분류 모델 기반의 손실 함수 설계와 평가
http://doi.org/10.5626/JOK.2021.48.10.1132
바꿔 쓰기(paraphrase generation)는 입력 문장에 대하여 의미는 같지만, 단어나 통사 구조와 같은 표현이 다른 문장을 생성하는 과제이다. 최근 이를 구현하기 위해 인공 신경망 기반의 모델이 널리 사용되며, 학습 방법으로서 지도 학습이 주로 사용된다. 그러나 생성된 문장과 레이블 문장 간의 차이를 줄이는 지도 학습 방법은 모델에 제한된 의미 정보만을 제공한다. 따라서 본 논문에서는 분류 과제를 학습한 별도의 모델을 활용하여, 바꿔 쓰기 모델 학습 시 의미 정보를 추출하고 이를 활용하는 방법을 제안하고 실험하였으며, 그 결과 기존 방법과 비교하여 더 좋은 성능을 보였다.
뉴럴 네트워크 기반의 다중 오믹스 통합 유방암 서브타입 분류
http://doi.org/10.5626/JOK.2020.47.9.835
유방암은 다양한 생물학적 요소로 구성된 복잡한 질병으로, 여러 분자적 서브 타입을 유발한다. 정확한 서브 타입 예측은 암의 예후에 중대한 영향을 가지며, 서브 타입별 치료법 제공을 통한 환자의 생존율 향상에 중요하나, 생물학적 이질성으로 인해 쉽지 않다. 최근, 유전체 및 후성 유전체 데이터를 처리하기 위해 머신러닝 모델들이 유방암 분류에 적용되었으며, 특히 다중 오믹스를 활용한 연구들이 제시되었다. 하지만, 높은 차원과 복잡성으로 인해 특징 분석 및 분류 정확성에 한계를 갖는다. 본 논문에서는 뉴럴 네트워크를 기반으로 다중 오믹스 통합 데이터를 활용한 유방암 서브 타입 분류 모델을 제시한다. 유전자 발현, DNA 메틸레이션, 그리고 miRNA 오믹스를 통합한 데이터로 분류 모델을 구축하였으며, 성능 비교 결과, 평균 90.45%의 정확도로 기존 연구보다 높은 성능을 보였다. 제안된 모델을 통해 정확한 유방암 환자의 서브 타입 예측을 기반으로 환자의 예후 향상에 도움을 줄 것으로 기대된다.
