문화콘텐츠의 분류: 비판과 대안

임대근 글로벌 문화콘텐츠학회 2020 글로벌문화콘텐츠 Vol.0 No.44

This paper argues the classification of cultural contents as the research subjects to pursue the scientific nature of cultural contents studies. We can see the attitude of ‘compulsion toward the system’ from literature studies. In addition, they did not provide examples of detailed classification. This is due to the broadness and complexity of cultural contents. Therefore, this paper abandon the compulsion of systematic classification, and concentrate on contextual classification. The ‘folksonomy’, which emerged as an alternative concept of ‘taxonomy’, which has contributed to the systematization and structuring of knowledge since the modern era, adds strength to this idea. Classification can be divided into categorization, which is an approach based on a supervised structure, and clustering that is not. Reviewing the concept of classification, the following premise can be established. (1) ‘Classification’ does not necessarily have to be replaced with the term ‘Classification System’, (2) ‘Standards’ must be flexibly understood in the classification, (3) The objects classified as a result of classification need not always mutually exclusive, and (4) Classification is instrumental. Based on this premise, this article attempts to classify cultural contents. They are as following: according to the nature of the contents media(digital contents and analog contents), based on whether it is based on ‘story’(storytelling contents and non-storytelling contents), according to the sense of users(visual contents, auditory contents, tactile contents, taste contents, olfactory contents), according to the planning and production process and results(purpose contents, tool contents, subject contents), and genre contents(publishing contents, image contents, performance contents, exhibition contents, games contents, festival contents, theme park contents). 이 글은 문화콘텐츠연구의 과학성을 담보하기 위해서 문화콘텐츠라는 연구대상의 분류를 다룬다. 그 선행 논의를 살펴본 바, 대체로 형성 중인 학문으로서 문화콘텐츠연구를 어떤 체계로 구조화할지에 집중하는 ‘체계에 대한 강박’이라는 태도가 드러났다. 또한, 선행 논의들은 결과적으로 세부 분류의 실례를 제공하지 못했다. 이는 문화콘텐츠의 광범위성과 복잡성에서 말미암는다. 따라서 이 글은 문화콘텐츠에 대한 체계적 분류라는 강박을 버리고 맥락적 분류에 더욱 관심을 갖는다. 근대 이후 지식을 체계화, 구조화하는데 기여해온 ‘분류학’(taxonomy)의 대안 개념으로 출현한 ‘폭소노미’(folksonomy)는 이런 구상에 힘을 더해준다. 분류(classification)는 사전에 정의된(supervised) 구조를 바탕으로 한 접근법인 범주화(categorization)와 그렇지 않은 군집화(clustering)로 구분할 수 있다. 분류 개념을 검토하면 다음과 같은 전제를 확립할 수 있다. (1) ‘분류’가 반드시 ‘분류 체계’라는 용어로 대체될 필요가 없으며, (2) 분류 행위에 있어 ‘기준’은 유연하게 이해되어야 하고, (3) 분류 결과 구분된 대상이 항상 상호배타적일 필요는 없으며, (4) 분류는 도구적 행위이다. 이 글은 이런 전제를 바탕으로 문화콘텐츠의 맥락적 분류를 시도한다. 콘텐츠 매개체의 성질에 따른 분류(디지털콘텐츠와 아날로그콘텐츠), ‘스토리’ 기반 여부에 따른 분류(스토리텔링콘텐츠와 비스토리텔링콘텐츠), 향유자의 수용 감각에 따른 분류(시각콘텐츠, 청각콘텐츠, 촉각콘텐츠, 미각콘텐츠, 후각콘텐츠), 기획과 생산 과정 및 결과에 따른 분류(목적콘텐츠, 도구콘텐츠, 주제콘텐츠), 콘텐츠 장르에 따른 분류로서의 장르콘텐츠(출판콘텐츠, 영상콘텐츠, 공연콘텐츠, 전시콘텐츠, 게임콘텐츠, 축제콘텐츠, 테마파크콘텐츠)가 그것이다.

자기구성지도를 이용한 테니스 ATP 공식기록 기반 연도, 그랜드슬램 여부, 토너먼트의 분류: 1991-2017년 자료를 중심으로

최형준(ChoiHyongjun),이윤수(LeeYunSoo) 한국체육학회 2019 한국체육학회지 Vol.58 No.5

이 연구는 테니스 ATP 공식기록에서 나타난 특성을 이용하여 연도별, 그랜드슬램 여부별, 토너먼트별 분류가 가능한지를 알아보는데 주된 목적을 있다. 이 연구를 위하여 테니스 ATP 공식사이트에서 제공되고 있는 경기기록을 마이크로소프트사의 Excel 2016과 VBA(Visual Basic for Application)을 이용하여 자료를 수집하였다. 이 연구에서 선정한 종속변수는 연도, 그랜드슬램 여부, 토너먼트 총 3가지 변수였으며, 독립변수는 승자의 경기력에 관련된 24가지 변수와 패자의 경기력에 관련된 24가지 변수를 합하여 총 48가지 변수였다. 자료의 처리를 위하여 인공지능 기법 중에 하나인 자기구성지도를 10x10크기로 설계하여 300회 학습을 실시하였으며, 연도, 그랜드슬램 여부, 토너먼트에 따라 원자료의 결과와 분류결과에 대한 지형화 오차를 계산하여 모형의 적합 정도를 평가하였다. 이 연구를 통하여 도출된 결과는 첫째, 테니스 ATP 공식기록을 토대로 연도별 분류 결과에 대한 분석결과, 2003년과 2004년 자료에서 분류가 이루어지지 않았다. 둘째, 테니스 ATP 공식기록을 토대로 자기구성지도와 군집분석을 이용하여 자료의 그랜드슬램 여부별 분류에 대해서 분석한 결과, 모든 자료에 대한 분류가 가능한 것으로 나타났다. 셋째, 테니스 ATP 공식기록을 토대로 자기구성지도와 군집분석을 이용하여 자료의 토너먼트별 분류에 대해서 분석한 결과, 14개 토너먼트의 경우에 분류가 이루어지지 않았다. The purpose of this study was to identify the potential results of classification of Tennis ATP Official Data by year, Grand Slam, and Tournament. For this study, the data on the ATP Official web site was collected by Microsoft Excel ver. 2016 with Visual Basic for Application scripts. The dependent variables were year, Grand Slam, and tournament, totally 3 dependent variables used. And totally 48 independent variables used, such as 24 variables relating to the winners’ performances and 24 variables relating to the losers’ performances. The self-organizing map and cluster analysis were utilized with 10 by 10 size of self-organizing map which of 300 times learning procedures in order to process the data. Additionally the topographical error was calculated on year, Grand Slam and tournament between raw data and the results of classification. Consequently, there were three conclusions found as following; Firstly, there were no classification found on the data of 2003 and 2004 years after the analysis of classification between raw data and the result of classification based on the tennis ATP official data. Secondly, the classification process was well executed on all data after the analysis of classification between raw data and the result of classification based on the tennis ATP official data. Thirdly, 14 numbers of tournament was not possibly classified within this study after the analysis of classification between raw data and the result of classification based on the tennis ATP official data.

분류 오류 최소화를 위한 클러스터링 기법

허경용(Gyeong-Yong Heo),김성훈(Seong-Hoon Kim) 한국컴퓨터정보학회 2014 韓國컴퓨터情報學會論文誌 Vol.19 No.7

클러스터링은 대표적인 비교사 학습 방법의 하나로 균일한 특성을 가지는 데이터를 군집으로 묶기 위해 사용된다. 균일한 특성을 가지는 데이터 부분집합을 문맥으로 정의하고 문맥 내에서 국부적으로 분류를 행하는 융합 방법이 사용되고 있지만 클러스터링은 비교사 학습 방법이라는 한계로 인해 클러스터링 결과로 만들어지는 문맥이 분류에 있어 최선임을 보장하기 어렵다. 이 논문에서는 생성된 클러스터를 문맥으로 가정하고 각 문맥에서 분류를 시행하는 경우 최소의 오류를 보일 수 있는, 분류를 고려한 클러스터링 기법을 제안한다. 제안하는 방법은 선형 판별 분석에서와 유사하게 클러스터 내 동일한 클래스에 속하는 데이터 쌍은 작은 거리 값을, 서로 다른 클래스에 속하는 데이터 쌍은 큰 거리 값을 가지도록 하기 위한 제약 조건을 적용하여 분류 오류를 줄이도록 하였다. 제안한 방법의 실효성은 실험 결과를 통해 확인할 수 있다. Clustering is one of the most popular unsupervised learning methods, which is widely used to form clusters with homogeneous data. Clustering was used to extract contexts corresponding to clusters and a classification method was applied to each context or cluster individually. However, it is difficult to say that the unsupervised clustering is the best context forming method from the view of classification. In this paper, a new clustering method considering classification was proposed. The proposed method tries to minimize classification error in each cluster when a classification method is applied to each context locally. For this purpose, the proposed method adds constraints forcing two data points belong to the same class to have small distances, and two data points belong to different classes to have large distances in each cluster like in linear discriminant analysis. The usefulness of the proposed method is confirmed by experimental results.

A Clustering Approach for Feature Selection in Microarray Data Classification Using Random Forest

Aydadenta, Husna,Adiwijaya, Adiwijaya Korea Information Processing Society 2018 Journal of information processing systems Vol.14 No.5

Microarray data plays an essential role in diagnosing and detecting cancer. Microarray analysis allows the examination of levels of gene expression in specific cell samples, where thousands of genes can be analyzed simultaneously. However, microarray data have very little sample data and high data dimensionality. Therefore, to classify microarray data, a dimensional reduction process is required. Dimensional reduction can eliminate redundancy of data; thus, features used in classification are features that only have a high correlation with their class. There are two types of dimensional reduction, namely feature selection and feature extraction. In this paper, we used k-means algorithm as the clustering approach for feature selection. The proposed approach can be used to categorize features that have the same characteristics in one cluster, so that redundancy in microarray data is removed. The result of clustering is ranked using the Relief algorithm such that the best scoring element for each cluster is obtained. All best elements of each cluster are selected and used as features in the classification process. Next, the Random Forest algorithm is used. Based on the simulation, the accuracy of the proposed approach for each dataset, namely Colon, Lung Cancer, and Prostate Tumor, achieved 85.87%, 98.9%, and 89% accuracy, respectively. The accuracy of the proposed approach is therefore higher than the approach using Random Forest without clustering.

주파수 및 시간 특성을 활용한 머신러닝 기반 공동주택 주거소음의 군집화 및 분류

김정훈,이송미,김수홍,송은성,류종관 한국음향학회 2023 韓國音響學會誌 Vol.42 No.6

본 연구는 주파수 및 시간 특성을 활용하여 머신러닝 기반 공동주택 주거소음의 군집화 및 분류를 진행하였다. 먼저, 공동주택 주거소음의 군집화 및 분류를 진행하기 위하여 주거소음원 데이터셋을 구축하였다. 주거소음원 데이터셋은 바닥충격음, 공기전달음, 급배수 및 설비소음, 환경소음, 공사장 소음으로 구성되었다. 각 음원의 주파수 특성은 1/1과 1/3 옥타브 밴드별 Leq와 Lmax값을 도출하였으며, 시간적 특성은 5 s 동안의 6 ms 간격의 음압레벨 분석을 통해Leq값을 도출하였다. 공동주택 주거소음원의 군집화는 K-Means clustering을 통해 진행하였다. K-Means의 k의 개수는 실루엣 계수와 엘보우 방법을 통해 결정하였다. 주파수 특성을 통한 주거소음원 군집화는 모든 평가지수에서 3개로군집되었다. 주파수 특성 기준으로 분류된 각 군집별 시간적 특성을 통한 주거소음원 군집화는 Leq평가지수의 경우 9 개, Lmax 경우는 11개로 군집되었다. 주파수 특성을 통해 군집된 각 군집은 타 주파수 대역 대비 저주파 대역의 음에너지의 비율 또한 조사되었다. 이후, 군집화 결과를 활용하기 위한 방안으로 세 종류의 머신러닝 방법을 이용해 주거소음을 분류하였다. 주거소음 분류 결과, 1/3 옥타브 밴드의 Leq값으로 라벨링된 데이터에서 가장 높은 정확도와 f1-score 가 나타났다. 또한, 주파수 및 시간적 특성을 모두 사용하여 인공신경망(Artificial Neural Network, ANN) 모델로 주거소음원을 분류했을 때 93 %의 정확도와 92 %의 f1-score로 가장 높게 나타났다. In this study, machine learning-based clustering and classification of residential noise in apartment buildings was conducted using frequency and temporal characteristics. First, a residential noise source dataset was constructed . The residential noise source dataset was consisted of floor impact, airborne, plumbing and equipment noise, environmental, and construction noise. The clustering of residential noise was performed by K-Means clustering method. For frequency characteristics, Leq and Lmax values were derived for 1/1 and 1/3 octave band for each sound source. For temporal characteristics, Leq values were derived at every 6 ms through sound pressure level analysis for 5 s. The number of k in K-Means clustering method was determined through the silhouette coefficient and elbow method. The clustering of residential noise source by frequency characteristic resulted in three clusters for both Leq and Lmax analysis. Temporal characteristic clustered residential noise source into 9 clusters for Leq and 11 clusters for Lmax. Clustering by frequency characteristic clustered according to the proportion of low frequency band. Then, to utilize the clustering results, the residential noise source was classified using three kinds of machine learning. The results of the residential noise classification showed the highest accuracy and f1-score for data labeled with Leq values in 1/3 octave bands, and the highest accuracy and f1-score for classifying residential noise sources with an Artificial Neural Network (ANN) model using both frequency and temporal features, with 93 % accuracy and 92 % f1-score.

A Clustering Approach for Feature Selection in Microarray Data Classification Using Random Forest

( Husna Aydadenta ),( Adiwijaya ) 한국정보처리학회 2018 Journal of information processing systems Vol.14 No.5

Microarray data plays an essential role in diagnosing and detecting cancer. Microarray analysis allows the examination of levels of gene expression in specific cell samples, where thousands of genes can be analyzed simultaneously. However, microarray data have very little sample data and high data dimensionality. Therefore, to classify microarray data, a dimensional reduction process is required. Dimensional reduction can eliminate redundancy of data; thus, features used in classification are features that only have a high correlation with their class. There are two types of dimensional reduction, namely feature selection and feature extraction. In this paper, we used k-means algorithm as the clustering approach for feature selection. The proposed approach can be used to categorize features that have the same characteristics in one cluster, so that redundancy in microarray data is removed. The result of clustering is ranked using the Relief algorithm such that the best scoring element for each cluster is obtained. All best elements of each cluster are selected and used as features in the classification process. Next, the Random Forest algorithm is used. Based on the simulation, the accuracy of the proposed approach for each dataset, namely Colon, Lung Cancer, and Prostate Tumor, achieved 85.87%, 98.9%, and 89% accuracy, respectively. The accuracy of the proposed approach is therefore higher than the approach using Random Forest without clustering.

Image Classification Algorithm Based on Proposal Region Clustering Learning-Unsupervised Deep Learning

Li Lei,Yin Xiao-li 대한전기학회 2023 Journal of Electrical Engineering & Technology Vol.18 No.2

Although deep learning has achieved certain results in image classification, images are susceptible to factors such as lighting conditions, shooting angles, complex backgrounds, rotation transformations or scale scaling, and image data sets in some areas are difficult to obtain. They make the deep learning framework unable to give full play to its generalization ability and nonlinear modeling ability in image classification. Therefore, this paper first proposes a proposal region clustering learning algorithm, which clusters the proposal regions in each image so that each cluster corresponds to the category of the image. Then, different clusters can be regarded as different multi-instance learning packets, and each packet uses the multi-instance learning method to learn the unsupervised image classification detector. It can effectively improve the generalization and modeling capabilities of deep learning models. In addition, this paper proposes an unsupervised deep learning method, which designs an unsupervised deep learning network structure and loss function according to the characteristics of the classified image, and combines densely connected blocks to extract features from the source image. It retains the multi-scale features of the middle layer of the classified image, and effectively solves the problem of insufficient image feature extraction information caused by the lack of image data. It also guarantees the accuracy of subsequent image classification. The experimental results show that the image classification method proposed in this paper not only solves the problem of insufficient image data sets and the interference of various complex factors, but also can accurately classify various image data sets. The accuracy of the image classification method proposed in this paper is 1.38–19% higher than other mainstream deep learning methods.

Multi-Feature Clustering을 이용한 강인한 내용 기반 음악 장르 분류 시스템에 관한 연구

윤원중,이강규,박규식,Yoon Won-Jung,Lee Kang-Kyu,Park Kyu-Sik 대한전자공학회 2005 電子工學會論文誌-SP (Signal processing) Vol.42 No.3

In this paper, we propose a new robust content-based musical genre classification algorithm using multi-feature clustering(MFC) method. In contrast to previous works, this paper focuses on two practical issues of the system dependency problem on different input query patterns(or portions) and input query lengths which causes serious uncertainty of the system performance. In order to solve these problems, a new approach called multi-feature clustering(MFC) based on k-means clustering is proposed. To verify the performance of the proposed method, several excerpts with variable duration were extracted from every other position in a queried music file. Effectiveness of the system with MFC and without MFC is compared in terms of the classification accuracy. It is demonstrated that the use of MFC significantly improves the system stability of musical genre classification performance with higher accuracy rate. 본 논문에서는 multi-feature clustering(MFC) 방법을 이용한 강인한 내용 기반 음악 장르 분류 알고리즘을 제안한다. 기존 연구와 비교하여 본 논문에서는 입력 질의 패턴(또는 구간)과 입력 질의 길이의 변화에 따라 나타나는 불안정한 시스템 성능을 개선하는데 노력하였고, k-means clustering 기법에 기반한 multi-feature clustering(MFC)이라는 새로운 알고리즘을 제안하였다. 제안된 시스템의 성능을 검증하기 위해 질의 음악 파일의 서로 다른 여러 구간에서 질의 길이를 다변화하여 음악 특징 계수를 추출하였고, MFC 방법을 사용한 시스템과 MFC 방법을 사용하지 않은 시스템에 대한 장르 분류 성공률을 비교하여 제안 알고리즘의 성능을 비교${\cdot}$분석하였다. 모의실험 결과 MFC 방법을 사용한 시스템의 장르 분류 성공률이 높게 나타났고, 시스템의 안정성 역시 높게 나타났다.

인간 시각의 선택적 지각 능력에 기반한 패턴 분류

김도현,김광백,조재현,차의영,Kim Do-Hyeon,Kim Kwang-Baek,Cho Jae-Hyun,Cha Eui-Young 한국정보통신학회 2006 한국정보통신학회논문지 Vol.10 No.2

인간은 관심을 가지고 있는 영역(ROI)에 대하여 선택적으로 주의를 집중하여 사물의 특징 을 인식하게 된다. 본 연구에서는 이러한 인간의 선택적 지각 능력을 적용한 패턴 분류 모델을 제안한다. 먼저 일반적인 클러스터링 알고리즘에 의해 입력 패턴들을 대략적으로 분류하여 참조 클러스터 패턴을 형성하고, 생성된 클러스터의 참조 패턴들을 상호 연관시켜 선택적 지각맵(SPM : Selective Perception Map)을 구성한다. 패턴 분류 및 인식 과정에서는 생성된 SPM을 입력 패턴과 참조 패턴과의 거리 계산에서 가중치로 적용함으로써 인간의 선택적 지각 능력을 패턴 분류에 반영하게 된다. 다양하게 변형된 인쇄체 숫자 및 필기체 숫자 데이터(MNIST)를 통해 실험해 본 결과 SPM을 사용한 패턴 분류 모델이 효과적임을 증명하였다. We propose a pattern classification model using a selective perception ability of human beings. Generally, human beings recognize an object by putting a selective concentration on it in the region of interest. Much better classification and recognition could be possible by adapting this phenomenon in pattern classification. First, the pattern classification model creates some reference cluster patterns in a usual way. Then it generates an SPM(Selective Perception Map) that reflects the mutual relation of the reference cluster patterns. In the recognition phase, the model applies the SPM as a weight for calculating the distance between an input pattern and the reference patterns. Our experiments show that the proposed classifier with the SPM acquired the better results than other approaches in pattern classification.

Message Propagation based on Three Types of Density Classification for Smooth and Secure Vehicular Traffic Flow

ByungKwan Lee,EunHee Jeong,YiNa Jeong 보안공학연구지원센터 2014 International Journal of Multimedia and Ubiquitous Vol.9 No.12

This paper proposes Message Propagation based on Three types of Density Classification for Smooth and Secure Vehicular Traffic Flow. The Message Propagation based on Three types of Density Classification (MPTDC) measures the density on three types of roads, namely a secluded rural road (0), a highway (1), and a urban intersection (2) and propagates messages to each classified one. When the type of message propagation is 1 and 2, the MPTDC generates a Cluster key by using MAC after grouping vehicles into a Cluster. The Cluster Header aggregates traffic information, and transfers it to a destination after filtering redundant or tampered traffic information. When the type of message propagation is 0, the MPTDC transfers traffic information by using RSU without generating a Cluster. In particular, when the type of message propagation is 2, the MPTDC selects a transmission path according to the density. Hence, this paper not only provides efficient communication but also improves the reliability of messages because it aggregates frequently encountered redundant messages.