Random Transformation 기반 데이터 증강을 통한 화학 물질 농도 분류 성능 개선

국문 초록 (Abstract)

오늘날 화학 산업은 다양한 산업 및 일상 생활과 밀접하게 연관되어 그 규모가 매우 방대하다. 하지만 이 러한 규모의 유해 화학 물질 관리는 한계가 있어 신속하고 정밀한 유해 화학 물질 검출이 어려운 상황이다. 본 연 구는 이러한 동기를 바탕으로 높은 정확도와 효율성을 갖춘 농도 분류 모델을 개발하는 것을 목표로 한다. 특히, random transformation 기반의 jittering과 scaling 기법을 적용해 적은 학습 데이터로도 모델의 일반화 성능이 향상됨을 확인하였다. Jittering 기법의 경우 cosine similarity를 통해 deviation 값을 조정하여 원본 데이터의 특 성을 유지하면서 노이즈를 추가 하였고, scaling 기법의 경우 다양한 실험을 통해 최적 factor 범위를 찾음으로써 모델의 성능을 개선하였다. 이러한 증강 기법을 활용하여 제안한 시스템은 최대 17%의 성능 향상 효과를 보였다.

다국어 초록 (Multilingual Abstract)

Today, the chemical industry is very vast in scale and deeply interconnected with various industries and daily life. However, the management of hazardous chemicals on this scale has limitations, making it difficult to quickly and accurately detect hazardous chemicals. Therefore, this study aims to develop a highly accurate and efficient concentration classification model. This study demonstrates that Random Transformation-based augmentations, jittering and scaling, improve model generalization with limited data by preserving features and optimizing factor ranges. By employing these augmentation techniques, the proposed system achieved up to a 17% improvement in performance.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 관련 연구
• Ⅲ. 시스템 구조
• 3.1 데이터 전처리 및 Random Transformation기반 데이터 증강 기법
• 3.2 1D CNN 모델 설계
• Ⅳ. 성능 평가
• 4.1 구현 내용
• 4.2 성능 평가
• Ⅴ. 결론
• REFERENCES