http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
오늘 본 자료
-
장 중복증 3예
-
전자선단층촬영 관상동맥석회화 정량분석과 관상동맥질환의 비교
-
Tu1534: INTESTINAL ALKALINE PHOSPHATASE THERAPY COUNTERACTS THE INTENSIFICATION OF COLITIS IN OBESE MICE SUBJECTED TO FORCED TREADMILL EXERCISE BY SHAPING THE INTESTINAL MICROBIOTA AND ATTENUATING OF PRO-INFLAMMATORY AND OXIDATIVE STRESS BIOMARKERS
-
Renal functional outcomes after surgery for renal cortical tumors
-
스마트교육에 대한 예비특수교사들의 태도에 관한 연구
-
초고속 통신망을 이용한 멀티미디어 기반 원격 고장 진단 시스템의 설계 및 구현
- 검색키워드
- 저자 : 원다영 (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
이노베이션 상태공간 지수평활 모형을 이용한 시간별 전력 수요의 예측
원다영,성병찬,Won, Dayoung,Seong, Byeongchan 한국통계학회 2016 응용통계연구 Vol.29 No.4
본 논문은 이노베이션 상태공간모형을 근간으로 기존의 지수평활법을 포괄할 수 있는 다중 계절형 모형을 소개한다. 특히 이 모형은, 기존 모형의 한계를 극복하고 동일한 계절 내의 다양성을 표현할 수 있도록 계절 성분을 행렬로 표현하는 정교한 구조를 가지고 있다. 이런 구조를 이용하면 비슷한 패턴을 가지는 계절 성분의 모수를 그룹별로 분류할 수 있다. 따라서, 다중 계절형 모형은 모수절약 원칙을 달성할 수 있으며 모형의 해석이 용이한 장점을 가지고 있을 뿐만 아니라, 잠재적으로 임의의 개수의 계절성도 수용 가능하다. 본 연구에서는 다중 계절형 모형을 이용하여 시간 단위로 관측된 한국 전력 수요량을 분석하고 예측한다. 특히, 시간별 전력 수요량의 계절성은 1일 및 1주일의 두 가지로 고려되었고 이를 토대로 유사한 요일들은 공통 계절로 그룹화하였다. 모형의 예측 성능을 평가하기 위하여 기존 지수평활법의 예측 결과와 비교하였다. 그 결과, 다중 계절형 모형이 기존 지수평활법보다 예측력이 우수함을 확인하였다. We introduce innovations state space exponential smoothing models (ISS-ESM) that can analyze time series with multiple seasonal patterns. Especially, in order to control complex structure existing in the multiple patterns, the model equations use a matrix consisting of seasonal updating parameters. It enables us to group the seasonal parameters according to their similarity. Because of the grouped parameters, we can accomplish the principle of parsimony. Further, the ISS-ESM can potentially accommodate any number of multiple seasonal patterns. The models are applied to predict electricity demand in Korea that is observed on hourly basis, and we compare their performance with that of the traditional exponential smoothing methods. It is observed that the ISS-ESM are superior to the traditional methods in terms of the prediction and the interpretability of seasonal patterns.
-
메타 의사 라벨을 이용한 오토인코더 기반 이상 탐지 성능 향상 기법
원다영,김수희,이기용 한국전자거래학회 2023 한국전자거래학회지 Vol.28 No.2
Anomaly detection is to detect data that deviate significantly from the pattern of the majority of data. The autoencoder is a representative model used for anomaly detection. An autoencoder first learns the features of normal data, and then determines data that greatly deviate from the the learned features as anomalous data. In order to learn the features of normal data, an autoencoder needs a large amount of data labeled as normal. However, it is usually not easy to obtain a large amount of labeled data. To address this problem, this paper proposes a method that utilizes even unlabeled data to train an autoencoder, which is based on the meta pseudo labeling. The proposed method selects data that is predicted as normal from unlabeled data and additionally uses them to train an autoencoder. Consequently, the proposed method can improve the performance of anomaly detection by using unlabeled data even in an environment where there are not much labeled data. Through experiments using two real datasets, we confirmed that the proposed method detects anomalies more accurately than the existing anomaly detection techniques. 이상 탐지(anomaly detection)는 대다수 데이터의 패턴에서 크게 벗어나는 데이터를 탐지하는 것이다. 오토인코더는 이상 탐지에 사용되는 대표적인 모델로서, 정상 데이터의 특징을 먼저 학습한 후 이 특징에 크게 벗어나는 데이터를 이상 데이터로 판별한다. 오토인코더가 정상 데이터의 특징을 학습하기 위해서는 정상이라고 라벨링(labeling)된 다량의 데이터가 필요하다. 하지만 라벨링된 다량의 데이터를 확보하는 것은 일반적으로 쉽지 않은 일이다. 이를 위해 본 논문은 메타 의사 라벨(meta pseudo label) 기법을 이용하여, 라벨링되지 않은 데이터까지 오토인코더의 학습에 활용하는 기법을 제안한다. 제안 기법은 라벨링되지 않은 데이터에서 정상으로 예측되는 데이터를 선별하여 이를 추가로 오토인코더의 학습에 사용한다. 그로 인해 제안 기법은 라벨링된 데이터가 많지 않은 환경에서도 라벨링되지 않은 데이터를 활용하여 이상 탐지의 성능을 향상시킬 수 있다. 두 개의 실제 데이터셋을 사용한 실험 결과, 제안 기법은 기존 이상 탐지 기법에 비해 이상 데이터를 더욱 정확히 탐지함을 확인하였다.
-
ScienceON
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
