http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 이우빈(Woobin Lee) (검색결과 9 건)
- 무료
- 기관 내 무료
- 유료
-
추천시스템을 활용한 멀티 에이전트 강화학습과 연합학습 기반의 콘텐츠 캐싱시스템
이우빈(Woobin Lee),송윤석(Yoonseok Song),임민중(Minjoong Rim) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
본 논문은 다양한 스마트 기기에서 오는 사용자의 콘텐츠 요청과 요청되는 콘텐츠 자체의 용량증가로 인해 트래픽이 급증하는 피크 시간에 발생하는 네트워크 문제를 해결하기 위해 추천시스템을 활용한 캐싱시스템을 제안한다. 문제 해결을 위해 네트워크 엣지의 캐시에서 사용자들의 선호도가 높은 콘텐츠를 미리 캐싱하여 콘텐츠의 중복 요청을 줄이는 방법을 사용한다. 이 과정에서 추천시스템의 추천에 의해 변동되는 콘텐츠 선호도를 예측하기 위해 강화학습과 지도학습을 사용한다. 또한 실제 캐시가 설치되는 환경은 주변에 다수의 캐시가 같이 존재하는 환경임을 고려하기 위해 멀티 에이전트 강화학습 환경을 구성한다. 다수의 에이전트를 고려할 때 학습 수렴 속도를 높이기 위해 연합학습을 사용한다.
-
국가수준 학업성취도 평가의 중학교 과학 문항에 나타난 과학의 본성 분석
이우빈(Lee, Woobin),우애자(Woo, AeJa) 학습자중심교과교육학회 2018 학습자중심교과교육연구 Vol.18 No.19
본 연구에서는 국가수준 학업성취도 평가의 중학교 과학 문항에 나타난 과학의 본성을 분석하였다. 과학의 본성을 ‘Ⅰ. 과학 지식의 본성’, ‘Ⅱ. 과학적 탐구의 본성’, ‘Ⅲ. 과학적 사고의 본성’, ‘Ⅳ. 과학과 기술 및 사회의 관계적 본성’의 4가지 범주와 19개의 하위 요소로 분류한 이영희(2013)의 분석 기준을 사용하였다. 2017년 상반기 까지 공개된 자료를 바탕으로 2010년부터 2015년까지 6년간 시행된 국가수준 학업 성취도 평가의 중학교 과학 문항 240개를 분석 대상으로 하였고, 중복 포함을 고려하여 424개의 과학의 본성 요소를 추출하여 분석하였다. 전체 문항에 나타난 과학의 본성은 범주I을 포함한 문항이 25.5%, 범주Ⅱ는 64.4%, 범주III은 5.4%, 범주 IV는 4.7%로 범주 I과 범주II에 편중되어 나타났다. 각 문항의 과학 내용 영역과 문항 유형에 따라 범주별 비율이 다르게 나타났다. 연도별로 보면 2010년에는 범주I과 II를 포함한 문항만 출제되었으나, 2012년부터 범주Ⅲ과 Ⅳ의 문항이 출제되었다. 문항 분류에 따른 문항의 정답률은 범주IV를 포함한 문항이 가장 높고 범주Ⅲ을 포함한 문항이 가장 낮게 나타났으며, 문항이 포함하고 있는 과학 본성의 요소 수가 많을수록 정답률은 대체로 낮게 나타났다. The purpose of this study is to analyze the nature of science reflected on the middle school science of the National Assessment of Educational Achievement (NAEA) from 2010 to 2015. The nature of science was categorized by four themes, ‘Ⅰ. Nature of scientific knowledge’, ‘Ⅱ. Nature of scientific investigation’, ‘Ⅲ. Nature of scientific thinking’, and ‘Ⅳ. Nature of interaction among science, technology, and society’ by Lee(2013). 424 elements of the nature of science were extracted from 240 NAEA questions. In all 240 questions, Theme II consists of 64.4% followed by Theme Ⅰ 25.5%, Theme Ⅲ 5.4%, and Theme Ⅳ 4.7%. Four themes of the nature of science are reflected unevenly. According to the scientific field analysis, the proportions of the four themes vary with each scientific field. As an analysis by the question type, supply questions shows higher proportions in Theme Ⅲ than the multiple-choice questions. And the analysis by the questioning year shows that questions includes Theme Ⅲ and Theme Ⅳ since 2012. Proportions of the questions reflecting Theme Ⅳ was increased to more than doubled in 2015. As a result of confirming the correct rate for each of the four themes, the correct rate of the questions including Theme Ⅳ was the highest and Theme Ⅲ mainly composed of questions requiring logical thinking and creativity was the lowest. In addition, the questions including two or more themes showed lower correct rate.
-
사용자의 선호도를 고려한 콘텐츠 캐싱을 위해 콘텐츠 캐싱과 추천시스템을 결합한 연속적인 공간에서의 심층강화학습 모델
이우빈(Woobin Lee),임민중(Minjoong Rim) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.6
본 논문에서는 네트워크 엣지에서 사전 콘텐츠 캐싱 문제를 연구한다. 연구된 모델에서, 네트워크 엣지의 캐시는 추천시스템을 활용하여 사용자 개개인의 선호도를 예측하고 사용자에게 추천이 될만한 적절한 콘텐츠를 캐싱하는 결정을 할 수 있다. 이 문제를 해결하기 위해 강화학습 기반의 프레임워크를 제안하며, 무한히 증가하는 콘텐츠 수와 한정된 캐시 저장 공간에 따른 캐싱 결정의 복잡도 문제에 대처하기 위해 콘텐츠를 연속적인 공간에 배치시키는 것을 제안한다. 실험에서는 제안된 접근 방식이 사용자 개개인의 특성을 고려하지 않는 보편적인 선호도에 따른 캐싱 알고리즘과 비교하여 캐시 효율 측면에서 상당한 이득을 산출한다는 것을 보여준다.
-
-
-
-
-
LDA 모형의 모형평가 및 잠재집단 해석 방법론에 대한 고찰
김향경(HyangKyung Kim),이우빈(Woobin Lee),이은학(Eunhak Lee),김성용(Seongyong Kim) 한국자료분석학회 2023 Journal of the Korean Data Analysis Society Vol.25 No.4
LDA 모형은 문서 또는 단어의 주제를 파악하기 위해 이용되는 모형으로, 대용량의 데이터를분석할 수 있어 다양한 분야에서 널리 이용되고 있다. 다양한 LDA 모형의 비교를 위해 복잡도(perplexity)가 이용되고 있으나, 이는 오직 적합도만을 나타내 각 문서의 군집화가 얼마나 잘 이루어졌는지 파악하기 어려운 한계점이 있다. 이러한 문제를 해결하기 위해 일관성 척도(coherence measure)들이 제안되었다. 복잡도 및 일관성 척도를 이용한 모형 선택 이후, 군집화된 각 주제의관계 및 의미를 파악하기 위한 도구로 LDAvis가 널리 이용되고 있다. 많은 선행 연구에서 LDA모형에 대한 소개는 충분히 이루어져 왔으나, 모형평가 도구인 일관성 척도와 모형 해석을 위한LDAvis에 대한 소개는 불충분하다. 본 논문에서는 먼저 LDA 모형 및 미니배치 학습방법을 소개하고, 모형평가 도구인 일관성 척도를 소개하도록 한다. 또한 LDAvis에서 주제 간 관계를 파악하기 위해 유사도 측정 방법 및 차원 축소 방법을 소개하고, 각 주제별 상위단어를 파악하기 위해관련성 척도(relevance)를 설명한다. 마지막으로 이미지 주석 데이터에 다양한 초모수에서의 LDA모형을 적합한 후, 일관성 척도를 통해 모형을 비교하고, LDAvis를 통해 각 주제를 해석하였다. LDA model has been widely used to investigate the subject of documents or words in various fields because it can analyze large amounts of data. Although perplexity is used to compare various LDA models, it only presents the goodness of fit, and it is not possible to consider how well each document is clustered. To resolve this problem, coherence measures have been proposed. After model selection using complexity and coherence measures, LDAvis is widely used to understand the relationship and meaning of each topic. Although LDA model has been introduced in many preceding studies, the introduction of the model evaluation method, coherence measure, and LDAvis for model interpretation is not sufficient. In this paper, we first introduce the LDA model and the mini-batch learning method, and introduce the coherence measure. We also introduce LDAvis including similarity measures and dimension reduction method to investigate the relationship between topic. Relevance is also explained to present the top words for each topic. Finally, after fitting the LDA model at various hyper-parameters to the image annotation data, the models were compared through coherence measures, and each subject was interpreted using LDAvis.
-
심전도 이상 탐지를 위한 Variational Autoencoder 비교 연구
우민선(Min Sun Woo),이은학(Eunhak Lee),이우빈(Woobin Lee),김성용(Seongyong Kim) 한국자료분석학회 2024 Journal of the Korean Data Analysis Society Vol.26 No.2
심전도는 심장질환을 감지하고 진단하기 위한 도구로 널리 이용되고 있다. 이상 심전도를 탐지하기 위해 지도학습에 기반한 다양한 딥러닝 모형들이 제안되었으나, 정상 및 이상 데이터의 불균형 등으로 인해 제한적인 성능을 보였다. 이러한 문제를 해결하기 위해 생성모형인 variational autoencoder(VAE)를 이용한 이상 탐지 모형이 제안되었다. 이 방법은 정상 데이터로 VAE 모형을 학습하고, 검증 데이터를 이용하여 정상 및 이상을 구분하는 임계값을 설정한 후, 이를 통해 테스트 데이터의 정상 및 이상을 구분한다. VAE 모형은 인코더, 잠재변수 층, 디코더로 구분되며, 인코더 및 디코더에 딥러닝 모형을 내포할 수 있다. 본 논문에서는 다양한 설정 하에서 MLP, RNN, LSTM 모형이 내포된 VAE 모형을 비교하도록 한다. 우선 원자료 뿐만 아니라 심전도 자료의 시계열적 특성을 고려하여 1차 차분한 자료를 이용하였다. 또한 기존 연구에서 디코더의 분산을 1로 고정한데 반해, 본 연구에서는 디코더의 분산에 딥러닝 모형을 설정한 경우 역시 고려하였다. 분석 결과 원자료를 이용하고 디코더의 분산에 딥러닝 모형을 설정한 LSTM 기반의 VAE 모형의 성능이 가장 우수하였다. 또한 차분한 자료를 이용하는 것보다 원자료를 이용하는 경우 모든 모형의 성능이 더 우수하였다. Electrocardiogram is widely used as a tool for detecting and diagnosing heart disease. Previous research revealed that deep learning models based on supervised learning have limited performance due to imbalance between normal and anomaly. To overcome this problem, anomaly detection models using variational autoencoder (VAE) have been proposed. After training VAE model using normal data, a threshold to distinguish normal and anomaly is set by using validation data, then test data is applied. VAE model has encoder, a latent variable layer, and decoder. and deep learning models are embedded in encoder and decoder. In this paper, VAE models embedding MLP, RNN, and LSTM are compared under various settings which are the type of data (original data or the first-order differential data) and the assumption for the variance of decoder. As results of analysis, VAE model based on LSTM is performed best when original data is used and a deep learning model for the variance of decoder is embedded. Additionally, the performance of VAE models using original data were better than models using first-order differential data.
KCI연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
