채점 자질 설계를 통한 지도 학습 기반 작문 자동 채점의 타당도 확보 방안 탐색

김승주 청람어문교육학회 2019 청람어문교육 Vol.0 No.69

The purpose of the study is to focusing on the feature engineering stage which is a part of the procedure for Automated Writing Scoring(AWS) and searching for the feature engineering method to secure the validity of AWS. For this purpose, the present status of the AWS and the whole process of designing the scoring model is examined to discuss the role of scoring features in the AWS. Next, validity problems of AWS which are derived from the inadequate feature engineering is discussed and the feature engineering in AWS is reconceptualized. Finally, the method of feature engineering is explored and presented in three dimensions, which are 1) feature engineering based on Evidence-Centered-Design(ECD) 2) feature engineering using writing theory 3) feature engineering using computational linguistics’ textual feature. 본 연구의 목적은 자동 채점을 위한 단계적 절차의 일부인 자질 설계 단계에 주목하여 자동 채점의 타당성을 확보하기 위한 자질 설계 방안을 탐색하는 것이다. 이에 먼저 작문 자동 채점 시스템의 현황과 자동 채점 모델 설계의 전 과정 속에서 채점 자질의 역할을 살펴보았으며, 다음으로는 채점 자질 설계의 문제로부터 기인한 작문 자동 채점의 타당성 논의로부터 작문 자동 채점에서의 채점 자질 설계를 재개념화하였다. 또한 마지막으로 채점 자질 설계 방안을 1)증거 중심 설계에 기반한 자질 설계, 2)작문 이론을 활용한 자질 설계, 3)전산 언어학의 텍스트 자질을 활용한 자질 설계 등의 세 가지 차원으로 제시하였다. 이러한 논의는 작문 자동 채점과 관련한 기초적인 연구를 촉진하고 관련 담론을 형성하는 데에 기여할 수 있다는 점에서 의의가 있다.

소프트웨어 제품 계열 공학의 온톨로지 기반 휘처 공통성 및 가변성 분석 기법

이순복(Soon-Bok Lee),김진우(Jin-Woo Kim),송치양(Chee-Yang Song),김영갑(Young-Gab Kim),권주흠(JuHum Kwon),이태웅(Tae-Woong Lee),김현석(Hyun-Seok Kim),백두권(Doo-Kwon Baik) 한국정보과학회 2007 정보과학회논문지 : 소프트웨어 및 응용 Vol.34 No.3

제품 계열 공학에서 제품의 공통성 및 가변성 분석을 결정짓게 하는 기준인 휘처(feature) 분석에 대한 기존 연구는 개발자의 직관이나 도메인 전문가의 경험에 근간으로 분석 기준이 객관적이지 못하며, 비정형적인 휘처 분석으로 인한 이해 당사자(stakeholder)의 공통된 휘처의 이해 부족 및 불명확한 휘처를 추출하는 문제점이 있었고, 기 개발된 소프트웨어에서 사용된 휘처의 재사용 개념이 부족했었다. 본 논문에서는 특정 도메인의 휘처 모델을 온톨로지로 변환하여 의미 기반 유사성 분석 기준에 의해 휘처의 공통성과 가변성을 추출하는 기법을 제시한다. 이를 위해, 먼저 공통된 휘처 중심의 메타 휘처 모델 기반으로 휘처의 속성을 정립하고, 메타 모델에 준거하여 휘처 모델을 생성하여 온톨로지로 변환 후, 휘처 온톨로지 리포지토리(Repository)에 저장한다. 이후, 동일 제품 계열 도메인의 휘처 모델 구축 시, 기존 생성 모델과 온톨로지의 의미 기반 유사성 비교 분석 기법을 통해 휘처의 공통성과 가변성을 추출하는 것이다. 또한 유사성 비교 알고리즘을 툴로 구현하였으며, 전자 결재 시스템 도메인의 실험 및 평가를 통해 효과성을 보인다. 본 기법을 통해 메타 휘처 모델의 구문적 정립으로 이해성과 정확성을 제고시켜 고품질의 휘처 모델을 구축할 수 있으며, 온톨로지의 의미 기반 매핑으로 휘처의 공통성 및 가변성 추출을 정형화할 수 있고, 재사용성을 향상시킬 수 있다. In the Product Line Engineering (PLE), current studies about an analysis of the feature have uncertain and ad-hoc criteria of analysis based on developer’s intuition or domain expert’s heuristic approach and difficulty to extract explicit features from a product in a product line because the stakeholders lack comprehensive understanding of the features in feature modeling. Therefore, this paper proposes a model of the analyzing commonality and variability of the feature based on the Ontology. The proposed model in this paper suggests two approaches in order to solve the problems mentioned above: First, the model explicitly expresses the feature by making an individual feature attribute list based on the meta feature modeling to understand common feature. Second, the model projects an analysis model of commonality and variability using the semantic similarity between features based on the Ontology to the stakeholders. The main contribution of this paper is to improve the reusability of distinguished features on developing products of same line henceforth.

인공지능을 활용한 챔버형 반도체 제조 설비의 Fan Motor 이상감지 진단에 관한 연구

조희록,박승범 한국지능정보시스템학회 2024 지능정보연구 Vol.30 No.1

반도체 장치산업은 막대한 투자비가 수반 되므로 생산 설비가 고유의 성능을 유지하기 위한 설비 예방보전 활동이 중요하다. 설비보전의 중요성으로 기업에서는 다양한 예방보전 활동이 진행되고 있으며, 아직은 수명에 의한 TBM(Time Base Maintenance) 형태의 예방보전에 의존하고 있다. 최근 기술 발전으로 AI 기법을 활용한 고장을 진단하고 사전 조치를 진행하는 CBM(Condition Based Maintenance) 예지보전 형태로 발전하고 있다. 본 논문에서는 반도체 챔버형 설비에서 Fan Motor 고장을 진단하기 위한 연구로 현장의 데이터와 가장 유사한 공공 데이터셋을 통해 진동신호를 AI 기법을 이용하여 고장진단 방법을 연구하였다. 첫 번째 선행연구에서 인공지능 딥러닝 기법으로 3가지 모델인 DNN, RNN, CNN로 고장을 예측하였고, 진동 신호 4개를 Feature Engineering을 통해 19개로 확대하여 동일하게 3가지 모델로 고장 예측을 비교 분석하여 모델 알고리즘의 성능을 개선하였다. 아울러 대부분의 AI 연구는 배치 단위의 시계열 데이터를 통한 고장진단 방법론을 연구하고 있다. 반도체 생산 현장은 24시간 가동되는 장비이므로 스트리밍 상태의 실시간 기반의 데이터를 활용하여 정상데이터를 학습하고 이상 데이터가 감지되면, 고장으로 분류가 가능한 오토인코더 기법을 활용하여 성능을 검증하고 고장진단 방법을 연구하였다. 본 연구에서 시사하는 바는 통상적인 인공지능 기법으로 알고리즘 성능을 개선하는 연구에서 한 단계 진전되어 Feature Engineering을 통한 성능개선을 진행하였다. 산업 현장에서 실제 적용이 가능한 오토인코더 알고리즘을 접목하여 고장 예측을 시각화하고, 정상상태를 학습하여 Anomaly Score을 예측하고, 이상 데이터가 발생 시 차이를 분석하여 고장 예측이 가능한 것을 검증하였다. 또한, 정상데이터의 학습데이터로 이상 데이터 예측이 가능하므로 정상학습 데이터의 Anomaly Score 최댓값으로 이상치를 등급화할 수 있다. 설비의 보전상태를 정상가동, 모니터링 상태, 보전상태 등으로 분류가 가능한 예지보전 시스템을 구현하는데 활용될 수 있다. Since semiconductor device industry requires enormous investment costs, preventive maintenance activities are important to ensure that production equipment maintains its unique performance. Due to the importance of equipment maintenance, various preventive maintenance activities are being carried out by manufactures, and they still rely on preventive maintenance in the form of TBM (Time Base Maintenance) based on lifespan. With technological advancements, it is developing into a form of predictive maintenance that uses AI techniques to diagnose failures and take proactive measures. In this paper, a study was conducted to diagnose fan motor failure in semiconductor chamber-type equipment, and a failure diagnosis method was studied using vibration signals using AI techniques through similar data sets. First, in previous research, failure was predicted using three models (DNN, RNN, CNN) using artificial intelligence deep learning techniques, and the four vibration signals were expanded to 19 through feature engineering to compare failure predictions using the same three models. Through analysis, the performance of the model algorithm was improved. In addition, most AI research studies failure diagnosis methodologies through batch-level time series data. Since semiconductor production sites are equipment that operates 24 hours a day, normal data is learned using streaming real-time data, and when abnormal data is detected, the autoencoder technique is used to classify it as a failure, to verify performance and diagnose failures. was studied. The implication of this study is that it is a step forward from research on improving algorithm performance using typical artificial intelligence techniques, and has progressed to improve performance through feature engineering. We visualized failure prediction by incorporating an autoencoder algorithm that can be actually applied in industrial sites, predicted anomaly scores by learning normal states, and analyzed the differences when abnormal data occurs to verify that failure prediction is possible. In addition, since abnormal data can be predicted using normal learning data, outliers can be graded by grade based on the maximum Anomaly Score of normal learning data. It can be used to implement a predictive maintenance system that can classify the maintenance status of facilities into normal operation, monitoring status, and maintenance status.

Recognition of Revolved Features using Dynamic Programming and Constraint Fitting for Reverse Engineering

Kazuaki Kawashima,Satoshi Kanai (사)한국CDE학회 2010 한국CAD/CAM학회 국제학술발표 논문집 Vol.2010 No.8

The performance of the three-dimensional non-contact measuring devises (3D laser or industrial X-ray CT scanning devices) have been rapidly developed, and the importance of reverse engineering(RE) increases where 3D CAD model is reconstructed from scanned mesh model measured from real objects. However, existing reverse engineering methods cannot recover the feature-based model representations that might be defined in CAD systems, therefore the reconstructed CAD models cannot be easily faired and modified for the effective use in downstream applications. The purpose of the research is to propose a new algorithm that can robustly recognize 2.5 dimensional features and can detect the defining parameters of them from the scanned meshes including scanning error and noise. Among the features which are popularly used for feature-based solid modeling in commercial CAD systems, revolved features can be recognized in our algorithm. The defining parameters of a revolved feature consist of a rotational axis, a sketch defining plane, a 2D sketch profile and a rotational angle. Firstly, curvature and principle directions are evaluated from vertices of scanned mesh, then, the boundary surface of the scanned mesh is segmented into regions. Then, rotational axes of the regions are estimated from gauss images of maximum principle direction vectors. Same rotational axes are then integrated to the one axis. Then, a sketch defining plane is determined as a plane including the rotational axis, and the vertices are projected to the plane, then, lines and arcs which minimize distance between vertices and the lines or the arcs are fitted to the projected vertices with dynamic programming and Hough transform in order to obtain a 2D sketch profile. Then, the position and orientation of the rotational axis and the 2D sketch profile shape are modified with constraint fitting. Lastly, the defining parameters of the features are transmitted to a commercial CAD system via API functions, and a final feature-based solid model is created in the system. A prototype system was developed. And the algorithm was tested for a scanned mesh obtained from a X-ray CT scanning device and the dimensional accuracy of the defining parameters were verified. Dimension errors of the 2D sketch profile were less than 0.2mm. Given the average edge length of the scanned mesh(1.06mm), the algorithm could recognize revolved features and reconstruct a 3D CAD model in high accuracy.

Fault identification of a chain conveyor based on functional data feature engineering and optimized multi-layer kernel extreme learning machine

Hao Wen,Baolin Hou,Xin Jin 대한기계학회 2023 JOURNAL OF MECHANICAL SCIENCE AND TECHNOLOGY Vol.37 No.5

The functional time series signals generated during the operation of electromechanical systems contain fault characteristic information. This study proposes a fault identification method for electromechanical systems based on functional data feature engineering and multi-layer kernel extreme learning machine (MLKELM) optimized by sparrow search algorithm (SSA). First, multiple time series signals under different fault conditions are functionalized under the B-spline basis function system, and the feature reduction space is constructed by functional principal component analysis (FPCA) and principal differential analysis (PDA) to extract fault features. Second, the minimum redundancy and maximum relevance (mRMR) method is performed on the initial feature set for feature selection. In addition, the size of the optimal feature subset is determined by the class separability of feature subset (CSFS) criterion. Finally, deep feature learning and fault identification are implemented by MLKELM and the pre-defined parameters are optimized based on the SSA in this process to improve its performance. The experimental results show that the proposed method can effectively extract the fault features of function time series signals, and then accurately identify the faults of electromechanical systems.

자동 변수 생성을 통한 수요 예측 프로세스 개선에 관한 연구

차현섭(Cha Hyun Sub),유명식(Yoo Myung Sik) 한국통신학회 2019 한국통신학회 학술대회논문집 Vol.2019 No.1

일반적으로 예측 분석을 하기 위해서는 데이터 수집, 영향 변수 생성, 예측 모형 개발, 모델 검증의 프로세스를 거치게 된다. 특히 영향 변수 생성은 분석가에게는 많은 시간과 노력을 필요로 하고 최적의 영향 변수를 선정하기 위해서는 수백에서 수천개 이상의 변수를 생성하고 데이터 검토를 통해 일부 변수만 사용하게 된다. 하지만 이러한 작업도 분석가의 실수 또는 역량에 따라 예측 모형 결과가 다르게 나타날 수 있다. 본 논문에서는 택배사의 물동량 수요 예측 분석에서 영향 변수를 활용한 수요 예측 프로세스 개선 방안에 대하여 연구하였다. 수요 예측 프로세스 개선을 위해 기존 영향 변수에 Feature Engineering을 통해 다양한 의미 있는 영향 변수들을 추가적으로 생성하였으며, Feature Engineering은 Python의 featuretools를 사용하여 DFS(Deep Feature Synthesis) 자동화 기법으로 추출하였고 시계열 데이터의 특성을 반영하여 그 결과를 비교하였다. 예측 모형 성능은 시계열분석의 인과관계모형(선형회귀)과 앙상블 기법인 Random forest에 적용하여 실증 분석을 통해 검증하였다. Predictive analysis typically involves the process of collecting data, generating influencing variables, developing predictive models, and verifying models. In particular, the generation of impact variables requires a lot of time and effort for analysts to select the best impact variables, generating hundreds to thousands of variables and using only some variables through data review. However, these tasks may also result in different predictive models depending on the analyst`s mistake or ability. In this paper, we studied ways to improve the demand forecast process by utilizing the influence variables in the analysis of demand demand demand forecast by courier companies. In order to improve the demand prediction process, Feature Engineering generated a number of meaningful impact variables in existing impact variables, and Feature Engineering was extracted using Python`s feature tools with Deep Feature Synthesis (DFS) automation techniques and compared their results to reflect the characteristics of time series data. The performance of the predictive model was verified by empirical analysis by applying it to the causal model of the time series analysis (linear regression) and the ensemble technique Random Forest.

Feature curve extraction from point clouds via developable strip intersection

Lee, Kai Wah,Bo, Pengbo Society for Computational Design and Engineering 2016 Journal of computational design and engineering Vol.3 No.2

In this paper, we study the problem of computing smooth feature curves from CAD type point clouds models. The proposed method reconstructs feature curves from the intersections of developable strip pairs which approximate the regions along both sides of the features. The generation of developable surfaces is based on a linear approximation of the given point cloud through a variational shape approximation approach. A line segment sequencing algorithm is proposed for collecting feature line segments into different feature sequences as well as sequential groups of data points. A developable surface approximation procedure is employed to refine incident approximation planes of data points into developable strips. Some experimental results are included to demonstrate the performance of the proposed method.

Feature selection for improved classification accuracy targeting riverine sand mapping

Arora Virat,Rao S. Srinivasa,E. Amminedu,P. Jagadeeswara Rao 대한공간정보학회 2021 Spatial Information Research Vol.29 No.3

Regular monitoring of riverine sand is crucial for its sustainable management. Towards readily generating spatial information regarding the extent of riverine sand, this study utilizes satellite-based remote sensing data as input features while applying Support Vector Machine (SVM) classifier to discern the inherent land cover classes. The input features comprised of spectral bands, derived spectral indices, derived textural features and ancillary information such as elevation, slope and aspect. The objective of this study was to identify a set of features that help improve the SVM classification accuracy with respect to the benchmark accuracy achieved by using only the spectral bands. Apart from testing a few commonly used logical combinations of features, the study focused on employing the Correlation-based Feature Selection (CFS) method along with the best-first search algorithm to generate a feature-set that comprised of most relevant and least correlated features. This feature-set was found to improve the SVM classification accuracy by 2.9% with respect to the benchmark value. Further, when tested with the limited number of training samples, similar results were achieved. This study proves that it is beneficial to utilize the CFS method for feature selection prior to SVM classification and recommends a set of 19 remote sensing derived features that are relevant towards riverine sand mapping.

비공개 프로토콜 분류를 위한 특징 추출 알고리즘 비교 연구

정영규,정창민 한국인터넷방송통신학회 2019 한국인터넷방송통신학회 논문지 Vol.19 No.5

On today, Protocol reverse-engineering technique can be used to extract the specification of an unknown protocol. However, there is no standardized method, and in most cases, the extracting process is executed manually or semi-automatically. If the information about the structure of an unknown protocol could be acquired in advance, it would be easy to conduct reverse engineering. the feature extraction is an important step in unknown protocol classification. However, in this paper, we present a comparison several feature extraction techniques and suggests a method of feature extraction algorithm for recognizing unknown protocol. In order to verify the performance of the proposed system, we performed the training using eight open protocols to evaluate the performance using unknown data. 프로토콜 reverse-engineering 기술은 unknown protocol 의 스펙을 추출하기 위해서 보통 표준화된 방법이없어서 대부분 수동으로 스펙을 분석하거나 반자동 방식으로 이를 분석한다. 만약 unknown protocol의 근간이 되는프로토콜을 알 수 있다면, 이를 이용하여 스펙을 분석할 수 있으므로 자동화되고 정확한 분석이 가능할 것이다. 학습되지않은 프로토콜을 분류하기 위해서는 특징추출은 매우 중요한 단계 중의 하나이다. 본 논문은 기존 프로토콜을 변형한프로토콜에 대해서 높은 성능을 갖는 분류기를 개발하기 위해서 몇 가지 특징 추출 알고리즘을 제안하고, 프로토콜의형태 변화에 강인한 특징추출 알고리즘을 제안한다. 성능 검증을 위해서 8개 공개 프로토콜을 대상으로 학습을 수행하고이를 변형한 프로토콜을 대상으로 성능 측정을 진행하였다.

UML 2.0 프로파일링을 이용한 FORM 아키텍처 모델링

양경모(Kyungmo Yang),조윤호(YoonHo Jo),강교철(Kyo Chul Kang) 한국정보과학회 2009 정보과학회논문지 : 소프트웨어 및 응용 Vol.36 No.6

소프트웨어 제품 생산 라인(Software Product Line) 공학은 새로운 소프트웨어 개발 패러다임으로 각광받고 있다. SPL에 FORM(Feature-Oriented Reuse Method) 방법론을 적용하면, 휴대전화나 디지털TV 같이 공통점이 많은 제품군의 다양한 소프트웨어를 휘처 모델링을 통해 만들어진 재사용 가능하고 유연한 컴포넌트를 조합하여 생산해 낼 수 있다. 한편, MDA(Model Driven Architecture) 방법론은 PIM(Platform Independent Model)을 통해 다양한 개별 플랫폼을 위한 소프트웨어를 생산할 수 있게 하는 새로운 기술을 제공한다. 위 두 가지 방법론의 장점을 조합하면 공통점을 공유하면서 다양한 플랫폼에서 동작하는 제품군의 소프트웨어를 생산하는데 도움이 된다. 이 논문에서는 FORM 방법론과 MDA 방법론을 조합하기 위해 먼저, 프로파일링 기법을 통해 UML2.0을 확장하여 FORM 아키텍처와 Parameterized Statechart 모델링이 가능하게 한다. 다음으로, 휘처가 휘처 모델과 Parameterized Statechart사이에서 일관성 있게 element의 형태로 위치하고 있는지 검증하는 일관성 규칙을 제공한다. 몇 가지 규칙은 FORM 아키텍처와 Parameterized Statechart 사이의 일관성을 검사하기 위해 고안되었다. 마지막으로, 엘리베이터 시스템의 사례연구를 통해 이 논문에서 제안하는 모델링 기법과 일관성 검사법칙의 유효성을 제시한다. The Software Product Line (SPL) engineering is one of the most promising software development paradigms. With Feature-Oriented Reuse Method (FORM), reusable and flexible components can be built to aid the delivery of various software products such as mobile phone and digital TV applications based on commonalities and variabilities identified during Feature modeling. Model Driven Architecture (MDA) is also an emerging technology which supports developing software products to work on different platforms with platform independent models (PIM). Combining advantages of these two approaches is helpful to build a group of software products which share common Features while working on various platforms. As first step to combine FORM with MDA, we extend UML2.0 with profiles by which FORM architectures and parameterized Statecharts can be modeled. Secondly, we provide rules to examine whether Features are allocated at positions of elements of Statecharts consistently between a Feature model and a parameterized Statechart. Some rules are designed to check the consistency between FORM architectures and parameterized Statecharts. A case study on an elevator control system is provided to demonstrate the feasibility of our modeling approach and consistency checking rules.