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 : 고송(Song Ko) (검색결과 6 건)
- 무료
- 기관 내 무료
- 유료
-
고송(Song Ko),김대원(Dae-Won Kim) 한국정보과학회 2009 정보과학회논문지 : 소프트웨어 및 응용 Vol.36 No.2
사전정보는 클러스터링 성능을 유도할 수 있는 요인이지만, 활용 방법에 따라 차이는 발생한다. 특히, 사전정보를 초기 중심으로 활용할 때, 사전정보 간 유사도에 대해 고려하는 것이 필요하다. 레이블이 같더라도 낮은 유사도를 갖는 사전정보로 인해 초기 중심 설정 시 문제가 발생할 수 있기 때문에, 이들을 구분하여 활용하는 방법이 필요하다. 따라서 본 논문은 낮은 유사도를 갖는 사전정보를 구분하여 문제를 해결하는 방법을 제시한다. 또한 유사도에 의해 구분된 사전정보는 다양하게 활용함으로써 생성되는 다양한 클러스터링 결과를 연관규칙에 기반하여 앙상블 함으로써 통합된 하나의 분석 결과를 도출하여 클러스터링 분석 성능을 더욱 개선시킬 수 있다. Although a prior knowledge is a factor to improve the clustering performance, it is dependant on how to use of them. Especially, when the prior knowledge is employed in constructing initial centroids of cluster groups, there should be concerned of similarities of a prior knowledge. Despite labels of some objects of a prior knowledge are identical, the objects whose similarities are low should be separated. By separating them, centroids of initial group were not fallen in a problem which is collision of objects with low similarities. There can use the separated prior knowledge by various methods such as various initializations. To apply association rule, proposed method makes enough cluster group number, then the centroids of initial groups could constructed by separated prior knowledge. Then ensemble of the various results outperforms what can not be separated.
-
유전자 온톨로지를 이용한 생물학적 상호 기능에 관한 계산 모델
고송(Song Ko),강보영(BoYeong Kang),김대원(DaeWon Kim) 한국지능시스템학회 2008 한국지능시스템학회 학술발표 논문집 Vol.18 No.2
유전자의 기능을 분석하기 위하여 마이크로어레이 데이터를 이용한 연구가 소개되어졌다. 하지만 마이크로어레이 데이터는 대량으로 측정되는 데이터이므로 노이즈와 시스템의 관측 오류로 인한 일부 유전자 데이터에 대한 비정상적인 관측 값이 포함되어져 클러스터링 분석을 통해 좋은 성능을 보이기에는 한계점으로 작용한다. 이러한 문제의 극복은 사선정보의 활용을 통해 가능하다. 본 논문은 유전자 기능이 연구에 의해 추출된 정보를 보관하는 유전자 온톨로지를 활용하였을 때 마이크로어레이 데이터가 가지는 문제 극복과 함께 성능 향상이 가능할 것이라고 예상하였다. 유전자 온톨로지를 바탕으로 사전정보를 추출하기 위한 방법으로 Resnik, Lin과 Jiang 등이 연구한 온톨로지의 노드 간 거리 추출 방법을 적용하였으며, 형성한 유전자간 거리 정보를 콜러스터링에 적용하였을 때 한계 극복과 함께 성능이 향상됨을 실험 결과를 통해 보이며 유전자 온톨로지의 정보 활용 방법에 대한 연구의 의미가 있음을 제시한다.
-
고송(Song Ko),강보영(Bo-Yeong Kang),김대원(Dae-Won Kim) 한국지능시스템학회 2009 한국지능시스템학회논문지 Vol.19 No.6
마이크로어레이 데이터의 클러스터링 성능을 향상시키기 위하여 유전자 온톨로지(GO)를 활용하는 연구가 최근 진행 중에 있다. 그 중 Biological Process(BP) GO를 활용한 Kustra et al.의 연구가 2006년에 소개된 바 있다. 본 연구는 Kustra et al.의 연구를 확장하여 일반적이고 실질적인 GO의 활용 방안을 위한 분석 결과를 제시하기 위하여 다양한 활용 방법을 적용한다. (1) GO의 거리를 측정하기 위하여 Lin et al, Resnik et al과 Jiang et al의 방법을 적용하였으며, (2) BP를 포함한 세 가지 GO 유형의 구조에 대해 적용하여 각 방법에 따른 성능 향상 정도를 분석한다. 각 방법에 대한 성능 분석 비교를 위하여 효모 유전자를 관측하여 형성한 데이터를 활용한다. 실험 결과를 통하여 GO 정보를 클러스터링에 적용하면 전반적으로 성능 향상을 유도하지만, 활용 방법에 따라서 성능 개선 정도의 차이가 발생한다. 그 중 Resnik의 거리 측정 척도와 BP GO를 활용하였을 때, 가장 개선된 성능을 유도함을 볼 수 있다. Recently many researches have been presented to improve the clustering performance of gene expression data by incorporating Gene Ontology into the process of clustering. In particular, Kustra et al. showed higher performance improvement by exploiting Biological Process Ontology compared to the typical expression-based clustering. This paper extends the work of Kustra et al. by performing extensive experiments on the way of incorporating GO structures. To this end, we used three ontological distance measures (Lin's, Resnik's, Jiang's) and three GO structures (BP, CC, MF) for the yeast expression data. From all test cases, We found that clustering performances were remarkably improved by incorporating GO; especially, Resnik's distance measure based on Biological Process Ontology was the best.
-
-
클러스터 앙상블을 활용한 K-modes 알고리즘의 성능 향상 기법
조진혁(Jin-Hyuk Jo),고송(Song Ko),김대원(Dae-Won Kim) 한국지능시스템학회 2009 한국지능시스템학회 학술발표 논문집 Vol.19 No.1
본 논문은 K-modes의 초기 값에 의한 성능 편차 문제를 극복하기 위해, 다양한 초기 값에 의한 K-modes 결과를 앙상블 하는 방법을 다룬다. 적용한 앙상블 기법은 K-modes의 초기 값 변화에 의한 결과에서 높은 신뢰도를 보이는 패턴들을 기반으로 해당 그룹의 모델을 형성 한 후 나머지 패턴을 대상으로 군집화하여 모델과의 유사성 비교를 통해 해당 그룹에 할당하는 방법에 대한 것이다. 실험 결과를 통해 제안한 앙상블 알고리즘이 안정성과 성능에서 개선됨을 볼 수 있었다.
-
GK 클러스터링 향상을 위한 클러스트 볼륨 추정 알고리즘
임현기(Hyunki Lim),이재성(Jaes-Sung Lee),고송(Song Ko),김대원(Dae-Won Kim) 한국정보기술학회 2011 한국정보기술학회논문지 Vol.9 No.3
The goal of this paper is to improve the performance of Gustafson-Kessel(GK) clustering algorithm. The weakness of GK algorithm is that it could not estimate the volume of each cluster. The proposition of GK clustering algorithm is that detecting the geometrical shape of cluster. The difference of GK algorithm is to use the rho value as the volume of cluster that hardly not given as preliminary knowledge. This rho value is affected to membership of each pattern that belongs to cluster. If we do not estimate this value, then GK algorithm would not work at data that formed as clusters with different volumes. We investigated how to estimate the rho value to detect valid cluster in dataset, and demonstrated the effectiveness of proposed algorithm that does not require the rho value as parameter.
ScienceON
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
