http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
김홍지,정지현,고은나래,조만재,이기훈 한국정보과학회 2018 데이타베이스 연구 Vol.34 No.2
Recently, there have been research efforts on predicting stock price using deep learning, but little attention has been paid so far to ensemble methods, which combines different deep learning models. Deep learning models include Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), and Recurrent Neural Network (RNN). In this paper, we propose a stacking-based ensemble model where a deep learning model combines predictions of three different deep learning models (MLP, CNN, and RNN). We use MLP as the second level model. The experimental results using 18 stock items among KOSPI top 30 items show that the proposed method improves the mean absolute percentage error (MAPE) from 8.74%, which is the MAPE of the state-of-the-art method, to 3.35%. 최근 딥러닝(Deep Learning)을 이용한 주가예측이 활발하게 연구되고 있으나, 서로 다른 딥러닝 모델들을 결합하는 앙상블(Ensemble) 방법에 대한 연구는 초기 단계이다. 딥러닝 모델에는 Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN)이 있다. 본 논문에서는 세 가지 딥러닝 모델(MLP, CNN, RNN)이 예측한 결과를 결합하고 MLP를 사용하여 다시 학습하는 스태킹(Stacking) 기반의 앙상블 모델을 사용하여 주가를 예측한다. KOSPI 상위 30 종목 중 18개 종목을 이용하여 실험한 결과, 제안한 방법이 기존 방법에 비해 절대평균백분율오차(MAPE)가 8.74%에서 3.35%로 감소하였다.
이종학,김홍지,이기훈 한국정보과학회 2020 데이타베이스 연구 Vol.36 No.2
Online machine learning is a machine learning method that continuously updates models using the real-time stream data. Although online machine learning research using the time-series data has been steadily increasing, little attention has been paid to a semi-stream operation. A semi-stream operation combines the real-time data with disk-based stored data, which is required to combine the stored data having a pattern similar to the stream data. In this paper, a semi-stream operation is applied to enhance the prediction performance of the online machine learning, and a subsequence matching operation is used to combine the stream data with the stored data. The experimental results using a real-world time series dataset show that the proposed method reduces the average mean square error (MSE) by 6.61% compared with the method using only the stream data. 온라인 머신러닝(online machine learning)은 실시간 스트림 데이터를 이용하여 지속적으로 모델을 갱신하는 머신러닝 방법이다. 최근 시계열 데이터를 이용한 온라인 머신러닝 연구가 꾸준히 증가하고 있지만, 세미-스트림(semi-stream) 연산을 적용한 연구는 아직 부족하다. 세미-스트림 연산은 스트림 데이터에 디스크에 저장된 데이터를 결합하는 연산으로, 스트림 데이터와 유사한 패턴을 가지는 데이터를 함께 결합하기 위해 필요한 연산이다. 본 논문에서는 시계열 데이터에 대한 온라인 머신러닝의 예측 성능을 높이기 위해 세미-스트림 연산을 적용하고, 두 데이터를 결합하는 조건으로 서브시퀀스 매칭(subsequence matching) 연산을 이용한다. 실제 시계열 데이터를 이용하여 실험한 결과, 스트림 데이터만을 이용하는 방법에 비해 제안한 방법의 평균제곱오차(MSE)가 평균 6.61% 감소함을 확인하였다.
Which Index for Muscle Mass Represents an Aging Process?
김형국,이유진,이영균,김홍지,구경회 대한골대사학회 2018 대한골대사학회지 Vol.25 No.4
Background: Although studies and interest in sarcopenia have increased, it is still a matter of debate which muscle mass index better represents the aging process. We compared 3 indices for muscle mass (appendicular skeletal muscle mass [ASM]/weight, ASM/height2, and the body mass index [BMI]-adjusted muscle mass index [ASM/BMI]) to determine which better reflected the aging process in terms of the decline in bone mineral density (BMD), visual acuity (VA), hearing power, renal function, pulmonary function, and handgrip strength. Methods: We performed a retrospective cross-sectional study using the Korea National Health and Nutrition Examination Survey in the Korean population. Between 2008 and 2011, a total of 14,415 men and 17,971 women aged 10 years or older participated in the study. We plotted the changes in the 3 indices of muscle mass and compared these with changes in BMD, VA, hearing power, renal function, pulmonary function, and handgrip strength according to each age group. Results: The ASM/BMI showed similar changes in terms of surrogate markers of the aging process, while the ASM/weight and ASM/height2 showed no correlation. Conclusions: Among muscle indices for sarcopenia, only the ASM/BMI represented the aging process.