디지털 라이브러리[ 검색결과 ]
차량 애드혹 네트워크에서 오동작 유형 분류를 위한 효과적인 임베딩 방법
http://doi.org/10.5626/JOK.2024.51.11.970
차량들 간의 데이터를 송수신 할 수 있도록 하는 네트워크 기술인 VANET에는 차량, 인프라, 보행자 사이의 통신을 기반으로 차량 외부 정보와 내부 정보를 교환 할 수 있는 통신 기술인 V2X가 있다. 그러나 네트워크에서 결함 및 공격 정보를 포함한 데이터를 방송함으로 인해 치명적인 문제를 일으킬 수 있어 MBD(Misbehavior Detection) 시스템은 VANET에서 필수적인 기술이다. 최근에는 기계학습을 활용한 MBD 연구가 활발하지만, VANET에서의 오동작 유형들의 패턴이 정상 유형과 유사하여, 이를 일괄적으로 학습하여 완벽하게 분류하는 것에는 한계가 존재한다. 기존 연구에서 공격과 결함에 따른 분류 체계를 계층적으로 정의하여 오동작을 분류하는 방식을 제안하고 있다. 본 연구에서는 정확도가 높은 오동작 분류 모델 제안을 위해 계층적 분류 체계를 구축하기 위한 임베딩 표현 방법을 제안한다. 오동작 유형 분류를 사전 학습한 LSTM 모델을 통해 다변량 시계열 데이터에 대한 임베딩 벡터를 추출하여 오동작 유형의 핵심데이터를 압축하고, 계층적 군집화를 사용하여 다양한 공격 유형을 큰 그룹으로 나누는 방식을 제안하였다.
CCTV 동영상에서 보행자 이상행동 이벤트 검출을 위한 딥러닝 기반 이상행동 이벤트 인식 방법
http://doi.org/10.5626/JOK.2024.51.9.771
CCTV의 설치가 증가하면서 모니터링 업무량이 크게 증가했다. 하지만, 단순히 인력을 늘리는 것만으로는 해결할 수 없는 한계에 부딪혔다. 이 문제를 해결하기 위해, 지능형 CCTV 기술이 개발되었으나, 이마저도 다양한 상황에서 성능 저하의 문제를 겪고 있다. 본 논문에서는 다양한 상황에 적용 가능하고 강건 한 CCTV 동영상 통합 이상행동 인식 방법을 제안한다. 동영상으로부터 프레임 이미지를 추출하여 원시 이 미지, 히트맵 표현 이미지 입력을 사용하며, 이미지 단계와 특징 벡터 단계에서의 병합 방식을 통해 특징 벡터를 추출하고, 이를 바탕으로 2차원 합성곱 신경망 모델과 3차원 합성곱 신경망 모델, 그리고 LSTM과 평균 풀링을 활용한 이상행동 인식 방법을 제안한다. 성능 검증을 위해 소분류 클래스를 정의하고 총 1,957개의 이상행동 동영상 클립 데이터를 생성하여 검증한다. 제안하는 방법은 CCTV 영상을 통한 이상 행동 인식의 정확도를 향상시키며, 보안 및 감시 시스템의 효율성을 증대시킬 수 있을 것으로 기대한다.
신용카드 거래 데이터를 활용한 BiLSTM-GAT 기반 매출 예측 모델 연구
http://doi.org/10.5626/JOK.2024.51.9.807
신용카드 거래데이터를 통한 매출 예측은 소비자 구매 패턴 및 시장 동향을 파악하는데 중요한 역할을 한다. 그러나 기존의 통계 및 기계 학습 모델은 지리적 데이터와 서비스 업종, 인구 및 거래시 간의 매출 정보 등 다양한 특성 간의 관계와 시간적 특성을 분석하는데 한계가 있다. 본 논문에서는 상권 간의 특성에 따른 관계와 매출의 시계열 특성을 동시에 분석할 수 있는 두 가지 모델을 제안한다. 제안된 두 모델의 성능을 비교 분석하기 위해 상권 간 거리 및 특성별 매출 유사도를 기반으로 그래프를 구성하 였다. 이후, 제안 모델의 성능을 기존 시계열 모델인 LSTM 및 BiLSTM과 비교하였다. 실험 결과, RMSE를 기준으로 GAT-BiLSTM 모델은 BiLSTM 모델 대비 약 15%, BiLSTM-GAT 모델은 BiLSTM 모델 대비 약 29% 예측 정확도가 향상되었다.
ConTL: CNN, Transformer 및 LSTM의 결합을 통한 EEG 기반 감정인식 성능 개선
http://doi.org/10.5626/JOK.2024.51.5.454
본 논문은 EEG 기반 감정인식을 위해 convolutional neural network (CNN), Transformer, long short-term memory (LSTM)을 결합한 hybrid-network인 ConTL을 제안한다. 먼저, 입력된 EEG 로부터 지역적인 특징을 학습하기 위해 CNN을 활용한다. 이후 Transformer가 출력된 특징으로부터 전체 적인 시간 종속성을 학습한다. 추가로 순차적 시간 의존성 학습을 위해서 Transformer로부터 출력된 특징 을 bi-directional LSTM에 넣는다. 제안 모델의 성능 검증을 위해 5가지 state-of-art 모델과 분류 정확 도를 비교했고 그중 SEED-IV에서는 CCNN 대비 0.73%, DEAP에서는 valence와 arousal에서 각각 DGCNN 보다 0.97%, 0.68% 더 높은 성능을 나타냈다.
지하공동구 화재 이상 탐지를 위한 ConvLSTM Variational AutoEncoder 모델 연구
http://doi.org/10.5626/JOK.2024.51.4.333
지하공동구 화재를 탐지하지 못하면 재난 관리 비용이 증가하는 동시에 시민의 삶과 산업에 막대한 피해와 혼란을 초래하므로 정확한 화재 이상 징후 탐지가 매우 중요하다. 최근 AI, IoT 및 디지털 트윈 등 첨단기술 기반 지하공동구 화재·재난 관리 시스템에 관한 연구가 활발히 진행중이다. 그러나 IoT 센서는 통신 환경이나 상태에 따라 데이터의 손실 혹은 잡음이 포함된 저품질 데이터가 발생할 수 있고, 이로 인해 부정확한 화재 이상 탐지가 발생할 수 있다. 본 논문에서는 시계열 데이터의 시·공간적 특성을 동시에 반영하여 데이터 잡음이나 손실이 있더라도 정확하게 이상치를 탐지하는 ConvLSTM-VAE을 제안한다. 실험을 위해 화재 시뮬레이터 (FDS)를 이용해 충북 오창 지하공동구를 모사한 가상환경을 조성하여 화재 데이터를 수집하였다. 실험에서는 제안된 모델과 시계열 이상 탐지 모형들의 성능을 비교하고, 화재 상황 분류 성능을 확인하였다. ConvLSTM-VAE는 정밀도 0.881579, 재현율 0.99505, 정확도 0.930693, F1점수 0.934884로 이상 탐지 성능에서 비교모델 중 가장 우수한 것으로 분석되었다.
실시간 지하공동구 화재 온도 예측을 위한 Residual CNN-LSTM 모델 연구
http://doi.org/10.5626/JOK.2024.51.2.131
지하공동구는 전력, 통신, 수도, 난방과 같은 라이프 라인을 공동으로 수용하는 국가 중요 시설물이다. 화재는 지하공동구에서 가장 많이 발생하는 사고 유형이며, 신속한 확인과 적절한 조치를 통해 피해를 최소화할 수 있다. 본 논문에서는 잔차 학습 기법을 적용한 CNN을 통해 효율적으로 데이터의 공간적 특성을 추출하는 동시에, 시간 정보를 고려하는 LSTM를 결합한 지하공동구 화재 온도 예측 모델인 Residual CNN-LSTM을 제안한다. 실험에서는 지하공동구 화재 발생 시나리오를 도출하고, 화재 역학 시뮬레이션 소프트웨어를 이용하여 화재 온도 데이터를 수집하였다. 실험 결과에서는 제안된 모델의 잔차 학습의 적절한 깊이를 분석하고, 이를 바탕으로 제안된 모델과 예측 모델들의 성능을 비교하였다. Residual CNN-LSTM은 RMSE 0.061529, MAE 0.053851, MAPE 6.007076으로 비교 모델보다 예측성능이 우수한 것으로 확인되었다.
계층적 표현 및 레이블 임베딩을 활용한 국내 논문 문장 의미 분류 모델
http://doi.org/10.5626/JOK.2024.51.1.41
논문 문장의 의미는 계층적인 구조를 가지며, 하위 카테고리 간에 데이터 불균형이 존재한다. 또한, 논문 문장의 의미는 논문 내에서의 위치와 밀접한 관련이 있다. 기존의 단일 수준 분류 방법은 주로 하위 카테고리만 고려하기 때문에 데이터 불균형으로 인한 분류 정확도 감소 문제가 발생한다. 이에 대응하여, 본 연구에서는 문장의 계층적 의미 분류를 효과적으로 수행하기 위한 계층적 표현 및 레이블 임베딩 방법을 제안한다. 더불어, 논문의 섹션명을 적극적으로 활용하여 논문 문장의 위치 정보를 표현한다. 실험을 통해 KISTI의 국내 논문 문장 의미 태깅 데이터셋에서 계층 정보와 위치 정보를 명시적으로 고려한 제안 방법이 F1 점수에서 우수한 성능을 보임을 확인했다.
특징 최소화와 선택을 이용한 욕창 발생 예측을 위한 중요 혈액 특징값 예측
http://doi.org/10.5626/JOK.2023.50.12.1054
욕창은 한번 발생하면 치료가 어려울 뿐만 아니라 치료 과정에서 막대한 경제적 비용이 발생한다. 그러므로 욕창의 발생을 예측하는 것은 환자의 고통 측면과 경제적 측면에서 중요하다. 본 연구에서는 척수손상환자의 혈액검사를 통해 얻은 임상 정보들과 욕창 간의 상관관계를 분석하여 욕창 예측에 있어 유의미한 특징 정보를 제공한다. 특징 선택 기법에서 주로 쓰이는 피어슨, 스피어만, 켄달타우의 상관계수를 비교 분석하였을 뿐만 아니라, 머신러닝 기법인 XGBoost와 LightGBM을 사용하여 특징의 중요도를 구하였다. 마지막으로, 특징의 중요도 관점에서 상위 5개의 특징들을 입력 값으로 활용한 장단기메모리 모델을 통해 다른 주요 특징들을 예측하게 한 결과, 우수한 예측력을 보이는 것을 확인하였다. 본 연구결과를 통해 의료인들에게 욕창 조기 예측 모델에 있어 주요한 임상 특징들에 대한 가이드라인을 제공할 수 있을 것으로 기대된다.
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.
개인 선호도 반영 임베딩을 활용한 순환신경망 추천 모델의 성능 향상 기법
http://doi.org/10.5626/JOK.2021.48.11.1211
플랫폼에서 제공하는 콘텐츠 양이 급증하면서 추천 시스템은 플랫폼에서 필수적 요소가 되었다. 추천 시스템 가운데 협업 필터링 기법은 학계나 산업계에서 널리 활용되지만, 평점, 구매 이력 등 소비자의 정량적 정보에 의존한다는 한계가 있다. 이를 극복하고자 리뷰 데이터 등의 정성적 정보를 모델에 학습시켜 성능을 향상하는 연구들이 시도되어 왔다. 또한 최근에 순환 신경망을 적용하는 연구들은 소비자의 시계열 행동 데이터만으로 기존 추천시스템보다 좋은 성능을 보여주었다. 그러나 고객별 선호도를 추천 모델에 반영하는 연구는 아직 이루어지지 않았다. 본 논문은 고객의 로그 데이터를 기반으로 선호도 행렬을 산출하고, 이를 임베딩 벡터를 통해 순환 신경망에 학습시켜 개선된 추천 모델을 제시하였다. 이 모델은 기존 순환 신경망 모델에 비해 예측 성능이 향상됨을 확인할 수 있었다.
