http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
이전제 ( Jeon-je Lee ),조만재 ( Man-jae Cho ),조석헌 ( Seokheon Cho ) 한국정보처리학회 2019 한국정보처리학회 학술대회논문집 Vol.26 No.2
사용자가 보유하고 있는 토큰은 기존 중앙화된 암호 화폐 거래소를 통해 교환 할 수 있다. 그러나 암호 화폐 거래소를 이용한 토큰 교환은 높은 수수료, 암호 화폐 거래소 해킹 가능성, 해당 거래소 내 등록된 암호 화폐에 대해서만 교환이 가능하다는 문제점이 존재한다. 이더리움 플랫폼에 배포된 스마트 컨트랙트는 블록체인 기반으로 다양한 형태의 계약을 조건이 만족할 시 자동으로 이행한다. 본 연구는 스마트 컨트랙트를 이용하여 기존의 중앙화된 암호 화폐 거래소 기반 토큰 교환 문제점을 해결하면서 이더리움 지갑 내 토큰을 사용자가 원하는 ERC-20 토큰으로 자동 교환해 주는 분산형 토큰 교환 시스템을 제안한다.
김윤주(Yunju Kim),손준혁(Junhyeok Son),최영숙(Youngsuk Choi),제승완(Seungwan Je),조석헌(Seokheon Cho) 한국통신학회 2023 한국통신학회 학술대회논문집 Vol.2023 No.11
최근 우리나라는 고령화가 진행되고 있으며, 이에 따라 노인들의 낙상 사고 발생률 또한 증가하고 있다. 낙상은 치명적인 부상 및 사망을 초래할 수 있으며, 이를 예방하기 위해서는 빠르고 정확한 낙상 감지 시스템의 개발이 필요하다. 본 연구에서는 UMAFall 데이터세트를 활용하여 기계학습 알고리즘 기반 낙상 감지 분류 모델의 성능을 분석 및 비교하였다. 낙상 감지 분류 모델을 위해 Random Forest (RF)와 K-Nearest Neighbor (K-NN) 알고리즘들을 고려하였다. 그 결과, RF 알고리즘 기반 낙상 감지 분류 예측 모델 성능이 85.61%로 더 높은 정확도를 보였고, 낙상 감지 분류 모델에 있어서 더욱 중요한 민감도에서 82.69% 값을 보였다. 또한, 데이터 비율에 따른 낙상 감지 정확도를 확인한 결과, RF 알고리즘 사용 시 낙상이 발생한 후 약 2.7 초 후부터 비교적 정확하게 낙상을 감지 및 분류할 수 있었다.
이수지(Su-Ji Lee),김규빈(Gyu-Bin Kim),김주현(Joo-Hyun Kim),조석헌(Seokheon Cho) 한국통신학회 2023 한국통신학회 학술대회논문집 Vol.2023 No.6
본 논문은 워크플로 기반 데이터 분석 도구인 KNIME을 활용하여 심장병 분류 예측을 위해 다양한 기계학습 알고리즘들을 적용하여 성능을 비교 및 분석하였다. 이때, Random Forest, XGBoost, Naive Bayes, Multi-Layer Perceptron (MLP) 알고리즘들을 사용하였다. 다차원 이진 데이터인 심장병 데이터 세트에 심장병 분류 예측 성능을 비교 및 분석하기 위해서 4가지의 성능 평가 지표를 고려하였다. 또한, 원본 데이터, Random Forest의 중요도 및 상관관계 속성을 고려하여 선택한 데이터, 그리고 Principal Component Analysis (PCA)를 적용한 데이터 등 3개의 데이터 세트를 생성하여 다양한 분석 결과를 얻었다. 그 결과, 원본 데이터 세트와 속성을 선택한 데이터 세트에서는 MLP 알고리즘이 가장 좋은 성능을 보였다. 또한, PCA를 적용한 데이터 세트에서 XGBoost 알고리즘이 가장 뛰어난 성능을 보였다.
인공지능 알고리즘을 이용한 서울 지하철 시간별 이용량 예측
김현정(Hyeon-Jeong Kim),권산(San Gwon),이예진(Ye-Jin Lee),김조은(Jo-eun Kim),조석헌(Seokheon Cho) 한국통신학회 2023 한국통신학회 학술대회논문집 Vol.2023 No.11
본 논문은 대한민국 서울시의 주요 교통수단인 지하철의 효율적인 서비스 공급을 위하여 인공지능 알고리즘을 이용한 시간별 지하철 이용량 예측 모델을 제시하고자 한다. 이를 위해 워크플로 기반 인공지능 데이터 분석 도구인 KNIME 에서 정의하고 있는 다양한 인공지능 알고리즘들을 적용하여 시간별 지하철 이용량 예측 모델에 대한 성능을 분석 및 비교하였다. 평소 많은 사람들이 한강공원에서 여가생활을 즐기기 위해 이용하는 뚝섬유원지역을 선정하여 승차와 하차의 경우에 대해 이용량을 예측하였다. 예측을 위해 Multiple Linear Regression (MLR)과 Random Forest Regression (RFR) 및 Multi-Layer Perceptron (MLP) 등 3 개의 인공지능 알고리즘들을 이용하였다. 승차의 경우에는 Random Forest 알고리즘을 사용한 모델이 지하철 사용량 예측에 대해 가장 뛰어난 성능을 보여주었고, 반면에 하차의 경우에는 MLP 알고리즘을 사용한 모델이 우수한 성능을 보였다.