http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
클래스 불균형 데이터의 분류 성능 향상을 위한 언어 증강과 Focal loss 를 활용한 Supervised Contrastive Learning 모델
곽진희,정재희 한국차세대컴퓨팅학회 2023 한국차세대컴퓨팅학회 학술대회 Vol.2023 No.06
소셜미디어의 발달로 인하여 즉각적인 소통이 활발해졌지만, 혐오표현이 유발하는 차별행위가 늘어남에 따라 혐오표현을 필터링하는 연구의 필요성이 제기되고 있다. 혐오표현은 다양한 카테고리로 구분되지만, 카테고리별로 균형 잡힌 데이터셋을 구축하기에는 어려움이 존재한다. 따라서 본 연구에서는 데이터 증강을 적용하여 혐오표현 분류 성능을 향상시킨 모델을 제시한다. Easy data augmentation techniques를 적용하여 최소 규모의 카테고리 데이터를 증강하였다. Kcbert-base 모델에 focal loss와 supervised contrastive learning을 적용하여, 동일 카테고리의 문장 유사도는 높이고, 다른 카테고리와의 문장 유사도는 낮추면서 모델을 학습시켰다. 실험 결과 증강과 focal loss를 적용하지 않은 모델에 비해 easy data augmentation techniques와 focal loss, supervised contrastive learning을 적용한 모델의 평균 정확도는 1.4%, macro f1-score는 4.4% 우수한 것을 확인하였다.
TV프로그램에 작용하는 수용자의 통제성(統制性)에 관한 고찰
곽진희 경북대학교 사회과학대학 신문방송학회 1990 言論과 社會 Vol.- No.3
Ⅰ. 서론 1. 연구목적 2. 문제의 제기 3. 방송의 정의 Ⅱ. 능동적 수용자로서의 시청자(視聽者) 1. 매스커뮤니케이션 연구 패러다임의 전환 2. 수용자개념의 분화 1) 대중·공중·시장성을 지닌 존재 2) 능동적 수용자론 3. TV매체의 수용자로서의 시청자 Ⅲ. TV프로그램에 작용하는 수용자의 통제성(統制性) 1. 언론통제적 차원의 수용자의 통제성 2. 수용자 통제성의 유형 1) 개인적 압력형태 ① 프로그램 선택 ② 참여 프로그램 ③ 프로그램 비평 2) 집합적 압력형태 -시청자운동- 3. 수용자통제성의 한계 Ⅳ. 결론 및 제언 참고문헌
VAE 기반 데이터 증강과 CNN을 적용한 ECG 부정맥 분류 모델
곽진희,정재희 한국정보과학회 2023 정보과학회논문지 Vol.50 No.11
Due to its convenient accessibility, and crucial importance in arrhythmia diagnosis, ECG data is often considered in predicting heart disease. The MIT-BIH Arrhythmia dataset, which is widely utilized in research focused on arrhythmia analysis, is one of the contributing factors to heart disease. However, the dataset exhibits imbalanced arrhythmia classes due to variations in incidence rate. These imbalanced arrhythmia classes affect the performance of arrhythmia classification. To solve the imbalanced problem, this paper presents four distinct classification methods that utilize augmented data. These different augmentation techniques were compared and assessed alongside the VAE method in terms of classification performance. Furthermore, the CNN and the CNN-LSTM models were compared and analyzed in the context of the classification model. In conclusion, by applying VAE augmentation to train the balanced data and classifying the arrhythmia using the CNN, we achieved an accuracy of 98.9%. These results confirm the superior effectiveness of the proposed model compared to other existing arrhythmia classification models, particularly in terms of the sensitivity.