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 : Soojong (검색결과 257 건)
- 무료
- 기관 내 무료
- 유료
-
-
-
Left-side Relatively Strong Increases in Risk and Their Comparative Statics
Soojong Kim,Iltae Kim,Suyeol Ryu 서울대학교 경제연구소 2005 Seoul journal of economics Vol.18 No.1
This paper proposes a new concept. a left-side relatively strong increase in risk (L-RSIR) order that extends the definition of a relatively strong increase in risk (RSIR) order. We show that for the class of linear payoffs, one can obtain an appealing comparative statics result for L-RSIR shifts by imposing additional restrictions on the risk preferences of a risk-averse decision maker.
-
-
-
김수종(Soojong Kim),조정태(Jungtae Cho),김기훈(Gihun Kim),김학철(Hakchul Kim),우경진(Kyongjin Woo),이정표(Jungpyo Lee),문희장(Heejang Moon),성홍계(Honggye Sung),김진곤(Jinkon Kim) 한국추진공학회 2009 한국추진공학회 학술대회논문집 Vol.2009 No.5
하이브리드 로켓에서 파라핀계 연료의 연소 특성을 HDPE 연료와 비교하였다. 순수 파라핀 왁스를 사용한 경우 후퇴율은 HDPE에 비해 12.1배로 매우 빠른 후퇴율을 보였으나 특성 속도는 매우 낮았다. 순수 파라핀에 10 wt%의 LDPE를 블렌딩한 연료의 경우 순수 파라핀에 비해 후퇴율이 감소한 반면 HDPE에 비해서는 3.5배로 빠른 후퇴율을 보이면서도 특성속도는 증가되었다. 이를 통해 순수 파라핀에 폴리머계 연료를 블렌딩함으로써 연소 효율을 개선할 수 있음을 확인하였다. Combustion characteristics of the paraffin-based hybrid rocket fuel were compared with HDPE fuel. Regression rate of the pure paraffin wax was increased 12.1 times, but characteristic velocity was lower than HDPE. In case of parafffin fuel with 10%wt LDPE, regression rate was lower than pure paraffin wax, but regression rate compare with HDPE was increased 3.5 times and characteristic velocity was increased. According to these results, it was confirmed that blending of polymeric fuel improves combustion efficiency.
-
임수종(Soojong Lim),이창기(Changi Lee),장명길(Myun-Gil Jang) 한국정보과학회 2005 한국정보과학회 학술발표논문집 Vol.32 No.1
본 연구는 신문기사나 백과사전 등의 문서에서 빈번히 발생하는 동사 파생 접미사와 어미가 생략된 형태의 서술성 명사를 동사로 복원하는 방법에 대한 것으로 이러한 복원은 문장구조 분석에 영향을 미친다. 기존 연구는 간단한 규칙만을 사용하지만 규칙을 사용하는 방법은 재현률에서 성능 저하를 보이기 때문에 본 연구에서는 이러한 생략 형태를 구분하여 규칙과 통계 방법을 사용하여 각각 적합한 형태에 적용하였다. 본 연구의 접근 방법은 규칙 기반에 비해 약 30%, 통계 기반에 비해 약 8%의 성능 향상을 보여서 문장 구조 분석에서는 3.6%의 성능 향상을 보였다.
-
이수종(Soojong Lee),허경용(Gyeongyong Heo) 한국컴퓨터정보학회 2013 韓國컴퓨터情報學會論文誌 Vol.18 No.11
특징 정규화는 인식기를 적용하기 이전의 전처리 단계로 특징의 스케일에 따른 오류를 줄이기 위해 널리 사용되고 있다. 하지만 기존 정규화 방법은 특징의 분포를 가정하는 경우가 많으며, 클래스 라벨을 고려하지 않으므로 정규화 결과가 인식률에서 최적임을 보장하지 못하는 문제점이 있다. 이 논문에서는 특징의 분포를 가정하지 않는 랭크 정규화 방법과 클래스 라벨을 사용하는 교사 학습법을 결합한 교사 랭크 정규화 방법을 제안하였다. 제안하는 방법은 데이터의 분포를 바탕으로 특징의 분포를 자동으로 추정하므로 특징의 분포를 가정하지 않으며, 데이터 포인트의 최근접 이웃이 가지는 클래스 라벨을 바탕으로 정규화를 시행하므로 오류의 발생을 최소화할 수 있다. 특히 SVM의 경우 서로 다른 클래스에 속하는 데이터 포인트들이 혼재되어 나타나는 영역에 경계선을 설정하므로 이 영역의 밀도를 줄임으로써 경계선 설정을 보다 용이하게 하고 결과적으로 일반화 오류를 감소시킬 수 있다. 이러한 사실들은 실험 결과를 통해 확인할 수 있다. Feature normalization as a pre-processing step has been widely used in classification problems to reduce the effect of different scale in each feature dimension and error as a result. Most of the existing methods, however, assume some distribution function on feature distribution. Even worse, existing methods do not use the labels of data points and, as a result, do not guarantee the optimality of the normalization results in classification. In this paper, proposed is a supervised rank normalization which combines rank normalization and a supervised learning technique. The proposed method does not assume any feature distribution like rank normalization and uses class labels of nearest neighbors in classification to reduce error. SVM, in particular, tries to draw a decision boundary in the middle of class overlapping zone, the reduction of data density in that area helps SVM to find a decision boundary reducing generalized error. All the things mentioned above can be verified through experimental results.
-
의미 프레임과 유의어 클러스터를 이용한 한국어 의미역 인식
임수종(Soojong Lim),임준호(Joon-Ho Lim),이충희(Chung-Hee Lee),김현기(Hyun-Ki Kim) 한국정보과학회 2016 정보과학회논문지 Vol.43 No.7
기계학습 기반의 의미역 인식에서 어휘, 구문 정보가 자질로 주로 쓰이지만, 의미 정보를 분석하는 의미역 인식은 의미 정보 또한 매우 유용한 정보이다. 그러나, 기존 연구에서는 의미 정보를 활용할 수 있는 방법이 제한되어 있기 때문에, 소수의 연구만 진행되었다. 본 논문에서는 의미 정보를 활용하는 방안으로 동형이의어 수준의 의미 애매성 해소 기술, 고유 명사에 대한 개체명 인식 기술, 의미 정보에 기반한 필터링, 유의어 사전을 이용한 클러스터 및 기존 의미 프레임 정보 확장, 구문-의미 정보 연동 규칙, 필수 의미역 오류 보정 등을 제안한다. 제안하는 방법은 기존 연구 대비 뉴스 도메인인 Korean Propbank 는 3.77, 위키피디아 문서 기반의 Exobrain GS 3.0 평가셋에서는 8.05의 성능 향상을 보였다. Semantic information and features are very important for Semantic Role Labeling(SRL) though many SRL systems based on machine learning mainly adopt lexical and syntactic features. Previous SRL research based on semantic information is very few because using semantic information is very restricted. We proposed the SRL system which adopts semantic information, such as named entity, word sense disambiguation, filtering adjunct role based on sense, synonym cluster, frame extension based on synonym dictionary and joint rule of syntactic-semantic information, and modified verb-specific numbered roles, etc. According to our experimentations, the proposed present method outperforms those of lexical-syntactic based research works by about 3.77 (Korean Propbank) to 8.05 (Exobrain Corpus) F1-scores.
-
임수종(Soojong Lim),배용진(Yongjin Bae),김현기(Hyunki Kim),나동렬(Dongyul Ra) 한국정보과학회 2015 정보과학회논문지 Vol.42 No.4
높은 성능의 의미역 인식 시스템의 개발을 위해서는 대상 도메인에 대한 대량의 수동 태깅 학습 데이터가 필요하다. 그러나 충분한 크기의 의미역 인식용 학습 데이터는 오직 소수의 도메인에서만 존재한다. 소스 도메인의 시스템을 상대적으로 매우 작은 학습 데이터를 가진 다른 도메인에 적용할 경우 한국어 의미역 인식 기술은 15% 정도 성능 하락이 발생한다. 이러한 도메인 변경에서의 성능 하락 현상을 최소화하기 위해 본 논문에서는 2 가지 기법을 제시한다. 첫째, 도메인 적응 방법론의 하나인 Prior 모델에 기반하여 개발된 한국어 의미역 인식 시스템을 위한 도메인 적응 알고리즘을 제안한다. 둘째, 크기가 작은 타겟 도메인 데이터를 이용할 때 데이터 희귀 문제의 감소를 위해 소스 도메인 데이터 이용시 보다 단순화된 형태소 태그와 구문 태그 자질을 사용할 것을 제안한다. 뉴스 도메인에서 개발된 시스템의 위키피디아 도메인에의 적용과 관련하여 다른 연구의 도메인 적응 기술과 우리가 제안한 방법을 비교 실험하였다. 우리의 두 가지 방법을 같이 사용할 때 더 높은 성능을 달성하는 것을 관찰하였다. 우리 시스템은 F1-score 64.3% 성능으로서 기존의 다른 도메인 적응 기술들과 비교하여 2.4~3.1% 더 높은 성능을 가지는 것으로 관찰되었다. Developing a high-performance Semantic Role Labeling (SRL) system for a domain requires manually annotated training data of large size in the same domain. However, such SRL training data of sufficient size is available only for a few domains. Performances of Korean SRL are degraded by almost 15% or more, when it is directly applied to another domain with relatively small training data. This paper proposes two techniques to minimize performance degradation in the domain transfer. First, a domain adaptation algorithm for Korean SRL is proposed which is based on the prior model that is one of domain adaptation paradigms. Secondly, we proposed to use simplified features related to morphological and syntactic tags, when using small-sized target domain data to suppress the problem of data sparseness. Other domain adaptation techniques were experimentally compared to our techniques in this paper, where news and Wikipedia were used as the sources and target domains, respectively. It was observed that the highest performance is achieved when our two techniques were applied together. In our system"s performance, F1 score of 64.3% was considered to be 2.4~3.1% higher than the methods from other research.
ScienceON
코리아스칼라연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
