• 응용통계연구
• /
• 제17권1호
• /
• pp.49-60
• /
• 2004

이 논문의 목적은 역 가우스 분포의 모수비가 관심의 대상일 때, 그 모수비에 대한 무정보적 사전분포를 구하는데 있다. 특별히, 모수비에 대한 확률대응사전분포와 기준 사전분포를 제안하였다. 먼저, 관심의 대상이 되는 모수에 대해 모수 직교화 변환을 구하고, 모수 직교화 변환을 이용하여 확률대응사전분포와 기준사전분포를 구하였다. 특히 확률대응사전분포의 일치차수는 1차임을 보였으며 2차 확률대응사전분포는 존재하지 않음을 보였다. 또한 제안된 사전분포에 의해 유도된 사후분포는 적절 분포임을 증명하였다. 모의 실험을 통하여 확률대응사전분포와 기준사전분포를 비교했으며, 실제자료를 이용하여 분석하는 예를 보였다.

• 한국통계학회:학술대회논문집
• /
• 한국통계학회 2002년도 추계 학술발표회 논문집
• /
• pp.169-174
• /
• 2002

본 연구는 k개 지수분포 모수들의 기하평균에 대한 베이지안추정 방법을 제시하였다. 이를 위해 Tibshirani가 제안한 직교변환법으로 비정보적 사전확률분포를 도출하여 모수들의 결합사후확률분포를 유도해 내었으며, 이 분포 하에서 가중 몬테칼로 방법을 사용하여 기하평균을 추정하는 절차를 제안하였다. 모의실험과 실제자료의 예를 통해 제안된 베이지안 추정의 유효성 및 효용성을 보였으며, 본 연구에서 제안한 사전확률분포가 전통적인 포함확률을 기준으로 볼 때, Jeffrey의 사전확률분포 보다 더 유효한 추정을 함을 보였다.

• 응용통계연구
• /
• 제3권2호
• /
• pp.91-105
• /
• 1990

베이시안 결정론에서 사전 확률 분포함수는 표본을 추출하기 이전에 추정하여야 한다. 대개 는 분포함수군을 먼저 선택한 후, 그 중 하나를 결정자의 경험을 통하여 선택한다. 이러한 주관적인 사전 확률 분포함수의 선택방법이 베이시안 결정론에 대한 주요비판이 항상 되어 왔다. 본 논문에서는 최대 엔트로피 이론을 이용하여 우리 주변의 의사결정에 많이 이용되 는 정보들에 관한 객관적인 사전 확률 분포함수들을 구하였다. 그 결과는 히스토그램 형태 의 분포함수가 된다. 그러나 사전 정보가 많은 경우에는 최대 엔트로피 모형의 해를 구하기 위하여 복잡한 비선형 연립방정식을 풀어야 하는데, 구체적인 형태의 함수를 구하지 못하는 경우가 대부분이다. 이 때에는 초소의 크로스 엔트로피 모형을 이용하여 사전확률 분포함수 를 구하는 것이 편리하다. 그밖에 엔트로피 이론으로 구한 사전확률 분포함수의 확률적 수 렴성을 증명하였다.

• 한국산업정보학회논문지
• /
• 제4권4호
• /
• pp.47-52
• /
• 1999

본 논문에서는 Burr Type-X 분포하에서 stress-strength 의 신뢰도를 추정하는 데 사용되어지는 비정보적 사전분포들을 개발하는 것이다. 개발된 reference 사전분포가 first order matching 사전분포가 된다는 것이 밝혀졌으며, 또한 matching 사전분포하에서 사후분포의 타당성을 밝혔다. 소표본하에서, 고전적 포함확률들이 주여져 있다.

• Journal of the Korean Data and Information Science Society
• /
• 제20권1호
• /
• pp.39-48
• /
• 2009

피셔 정보행렬은 모수 추론에서 중요한 역할을 한다. 특히 비정보 사전분포를 이용한 사후분포로 유도하는 객관적 베이지안 추론에서 사용된다. 또한 기하학에서는 거리함수의 한 예로서 이용된다. 모수가 많아질수록 피셔 정보행렬의 계산이 복잡하여진다. 따라서 본 논문에서는 매스매티카를 이용하여 계산상 필요한 프로그램을 적용시켜 신뢰성 이론에서 사용되는 3-모수 와이블분포에 대한 피셔 정보행렬을 유도하였다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2012년도 한국컴퓨터종합학술대회논문집 Vol.39 No.1(B)
• /
• pp.336-338
• /
• 2012

본 연구에서는 고차 데이터 분류를 위해 순차적 베이지만 샘플링 기반의 진화연산 기법을 이용한 하이퍼네트워크 모델의 학습 알고리즘을 제시한다. 제시하는 방법에서는 모델의 조건부 확률의 사후(posterior) 분포를 최대화하도록 학습이 진행된다. 이를 위해 사전(prior) 분포를 문제와 관련된 사전지식(prior knowledge) 및 모델 복잡도(model complexity)로 정의하고, 측정된 모델의 분류성능을 우도(likelihood)로 사 용하며, 측정된 사전분포와 우도를 이용하여 모델의 적합도(fitness)를 정의한다. 이를 통해 하이퍼네트워크 모델은 고차원 데이터를 효율적으로 학습 가능할 뿐이 아니라 모델의 학습시간 및 분류성능이 개선될 수 있다. 또한 학습 시에 파라미터로 주어지던 하이퍼에지의 구성 및 모델의 크기가 학습과정 중에 적응적으로 결정될 수 있다. 제안하는 학습방법의 검증을 위해 본 논문에서는 약 25,000개의 유전자 발현정보 데이터셋에 대한 분류문제에 모델을 적용한다. 실험 결과를 통해 제시하는 방법이 기존 하이퍼네트워크 학습 방법 뿐 아니라 다른 모델들에 비해 우수한 분류 성능을 보여주는 것을 확인할 수 있다. 또한 다양한 실험을 통해 사전분포로 사용된 사전지식이 모델 학습에 끼치는 영향을 분석한다.

• Communications for Statistical Applications and Methods
• /
• 제3권3호
• /
• pp.1-9
• /
• 1996

본 논문에서는 일반화 회귀모형의 회귀모수${\beta}$에 대한 사전정보의 형태에 따른 각 추정량들에 대하여 연구하였다. 먼저 사전정보가 ${\beta}$에 대한 사전분포로 주어지는 경우에 해당하는 베이지안 회귀추정량을 제시하였고, 다른 하나는 ${\beta}$에 대한 사전정보모형으로 선형회귀모형식이 주어진 경우의 일반화 혼합회귀추정량에 대하여 연구하였다. 두가지 경우로부터 얻어진 각 추정량의 정도를 알아보기 위하여 각 추정량의 공분산행렬을 이 용하여 서로 비교하여 보았다. 각 추정량의 분산비들을 이용하여 일반적으로 일반화 혼합회귀추정량이 베이지안 회귀추정량들보다 비교적 작은 분산값을 가진다는 결론을 얻었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2011년도 한국컴퓨터종합학술대회논문집 Vol.38 No.1(A)
• /
• pp.477-479
• /
• 2011

본 논문에서는 1차원 은닉 마코프 모델을 2차원으로 확장하기 위하여 노드들의 마코프 특성이 인과적인 관계를 갖는 마코프 메쉬 모델을 이용하여 완전한 2차원 HMM의 구조를 갖는 모델을 제안한다. 마코프메쉬 모델은 이웃시스템을 통하여 이전의 시점을 정의하고, 인과적인 관계를 통하여 전이확률의 계산을 가능하게 한다. 또한 영상의 최적의 분할을 위하여 계층적 디리슐레 과정을 사전분포로 두어 고정된 상태의 수가 아닌 무한의 상태 수를 갖는 2차원 HMM을 제안한다. HDP로 정의된 사전분포와 관측된 표본 자료의 정보를 갖는 우도함수를 결합한 사후분포의 베이스 추정은 깁스샘플링 알고리즘을 이용하여 계산된다.

• 한국정보처리학회논문지
• /
• 제1권1호
• /
• pp.14-22
• /
• 1994

본 논문은 스미스의 베이지안 소프트웨어 신뢰도 성장모형을 기반으로 테스팅 단계에서의 소프트웨어 신뢰도에 대한 두가지 베이즈 추정량에 그에 대한 평가 알고 리즘을 제안하는데 목적이 있다. 그 방법으로 사전정보 클래스로서 일양사전분포보다 더 일반적인 베타사전분포 BE(a.b)를 사용하였다. 그 연구 과정으로 베이지안 추정절 차에 있어서 제곱오차결손함수와 해리스결손함수를 고려하고, 컴퓨터 시뮬레이션을 통 해서 소프트웨어 신뢰도에 대한 베이즈추정량들과 그에 따른 알고리즘을 이용하여 평 균자승오차 성능을 비교한다. 연구 결과로써 a가 크면 클수록 그리고 b가 적으면 적을 수록 해리스결손함수하의 소프트웨어 신뢰도의 베이즈추정량이 평균자승오차 성능의 관점에서는 더욱 유효하고, a 가 b보다 더 클 때 공액사전분포인 베타사전분포상의 소 프트웨어 신뢰도의 베이즈추정량이 비정보사전분포인 일양사전분포상에서 소프트웨어 신뢰도의 베이즈추정량보다는 성능이 더 좋다는 결론을 얻는다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2001년도 가을 학술발표논문집 Vol.28 No.2 (2)
• /
• pp.325-327
• /
• 2001

본 논문은 온라인 문자 인식을 연속 밀도 HMM의 구조의 최적화 문제를 다룬다. 최적이란 최소한의 모델 파라미터를 사용하여 최소한의 오류를 허용하는 것이라고 정의할 수 있다. 본 연구에서는 HMM 구조의 최적화를 위해 Bayesian 모델 선택 방법론을 사용한다. 먼저 잘 알려진 BIC(Bayesian Information Criterion)을 적용해보고, 그것을 HMM의 복잡한 구조에 적합하도록 본 논문에서 제안한 HBIC(HMM-Oriented BIC)와 비교해본다. BIC는 모델의 사전 확률 분포를 추정하지 않고 다변량 정규분포라고 가정하는데 비해 HBIC는 모델의 각 파라미터로부터 사전 확률을 추정한 후 그것들을 사용함으로써 더 좋은 결과를 얻도록 한다. 실험 결과 BIC와 HBIC 둘 다 기존 방법보다 모델의 파라미터 수를 현저히 감소시킴을 확인했고, HBIC가 BIC에 비해 더 적은 수의 파라미터를 사용해도 비슷한 인식률을 얻을 수 있었다.