http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
PM<SUB>10</SUB> 농도 예측을 위한 머신러닝 기반 결측치 처리의 실증적 분석
이주현(Juhyun Lee),이윤관(Younkwan Lee),홍유진(Yoojin Hong),전문구(Moongu Jeon) 대한전자공학회 2019 대한전자공학회 학술대회 Vol.2019 No.6
The data including meteorology and air pollutants data for forecasting PM10 concentration recorded by monitoring stations contained various number of missing values due to measurement device defects or inability to measure by natural disasters. Therefore, it is very important to reasonably fill these missing values to improve the accuracy of PM10 concentration prediction. In this paper, we discuss a variety of machine learning based methods including Linear and Non-linear techniques to handle missing data. We use 5 methods to deal with missing values, and for each case creates datasets containing 10 types of weather information collected in Seoul area for predicting PM10, and we compare the PM10 concentration prediction performance using the datasets based on the Long Short-Term Memory Neural Network. Experiments show that the Non-linear imputation methods achieved significantly improved performance in PM10 concentration prediction compare to the linear imputation methods.
클래스별 규제 엔트로피를 이용한 시각적으로 유사한 객체의 분류
김예찬(Yechan Kim),이윤관(Younkwan Lee),고영민(YeongMin Ko),유형준(Hyeongjun Yoo),전병관(Byung Gwan Jeon),전문구(Moongu Jeon) 한국정보과학회 2021 한국정보과학회 학술발표논문집 Vol.2021 No.6
본 논문은 신경망이 시각적으로 유사한 객체를 더욱 강건하게 분류할 수 있도록 클래스별 규제 엔트로피를 채택한 새로운 손실 함수를 제안한다. 이러한 객체는 종종 신경망 모델의 예측 신뢰도를 저하시킨다. 비록 교차 엔트로피 (Cross Entropy)로 학습된 모델은 일반적으로 잘 동작하지만, 교차 엔트로피는 시각적으로 유사한 서로 다른 클래스를 분류하는데 있어 불충분하다. 이는 교차 엔트로피는 오직 Ground Truth (GT) 클래스의 예측 확률만을 이용하고, 그 외의 네거티브 클래스의 예측 확률을 모델의 학습을 위해 유의미하게 활용하지 못하기 때문이다. 이 한계점을 극복하기 위해, 본 연구는 GT가 아닌 클래스의 예측확률을 클래스별로 차등적으로 규제하는 새로운 신경망 훈련 방법을 제시한다. 모델의 각 클래스에 대한 예측 확률을 GT의예측을 위협하는 정도로 해석하는 새로운 관점으로부터 제안된 본 전략은 Ground Truth 클래스가 모델의 추론 과정에서 더욱 강건하게 선택되는 효과로 이어진다. 우리는 CIFAR, SVHN, Tiny-ImageNet에서 광범위한 실험을 수행하여 종래의 방법에 비해 제안하는 방법이 더 높은 분류 정확도를 달성함을 확인하였다.