• 지능정보연구
• /
• 제29권1호
• /
• pp.249-263
• /
• 2023

대표적인 추천 시스템 방법론인 협업 필터링(Collaborative Filtering)에는 이웃기반 방법(Neighbor Methods)과 잠재 요인 모델(Latent Factor model)이라는 두 가지 접근법이 있다. 이중 행렬 분해(Matrix Factorization)를 이용하는 잠재 요인 모델은 사용자-아이템 상호작용 행렬을 두 개의 보다 낮은 차원의 직사각형 행렬로 분해하고 이들의 행렬 곱으로 아이템의 평점(Rating)을 예측한다. 평점 패턴으로부터 추출된 요인 벡터들을 통해 사용자와 아이템 속성을 포착할 수 있기 때문에 확장성, 정확도, 유연성 측면에서 이웃기반 방법보다 우수하다고 알려져 있다. 하지만 평점이 지정되지 않은 아이템에 대해서는 선호도가 다른 개개인의 다양성을 반영하지 못하는 근본적인 한계가 있고 이는 반복적이고 부정확한 추천을 초래하게 된다. 이러한 잠재요인 모델의 한계를 개선하고자 각각의 아이템 별로 사용자의 선호도를 적응적으로 학습하는 적응 심층 잠재요인 모형(Adaptive Deep Latent Factor Model; ADLFM)이 등장하였다. ADLFM은 아이템의 특징을 설명하는 텍스트인 아이템 설명(Item Description)을 입력으로 받아 사용자와 아이템의 잠재 벡터를 구하고 어텐션 스코어(Attention Score)를 활용하여 개인의 다양성을 반영할 수 있는 방법을 제시한다. 하지만 아이템 설명을 포함하는 데이터 셋을 요구하기 때문에 이 방법을 적용할 수 있는 대상이 많지 않은 즉 일반화에 있어 한계가 있다. 본 연구에서는 아이템 설명 대신 추천시스템에서 보편적으로 사용하는 아이템 ID를 입력으로 하고 Self-Attention, Multi-head attention, Multi-Conv1d 등 보다 개선된 딥러닝 모델 구조를 적용함으로써 ADLFM의 한계를 개선할 수 있는 일반화된 적응 심층 잠재요인 추천모형 G-ADLFRM을 제안한다. 다양한 도메인의 데이터셋을 가지고 입력과 모델 구조 변경에 대한 실험을 진행한 결과, 입력만 변경했을 경우 동반되는 정보손실로 인해 ADLFM 대비 MAE(Mean Absolute Error)가 소폭 높아지며 추천성능이 하락했지만, 처리할 정보량이 적어지면서 epoch 당 평균 학습속도는 대폭 향상되었다. 입력 뿐만 아니라 모델 구조까지 바꿨을 경우에는 가장 성능이 우수한 Multi-Conv1d 구조가 ADLFM과 유사한 성능을 나타내며 입력변경으로 인한 정보손실을 충분히 상쇄시킬 수 있음을 보여주었다. 결론적으로 본 논문에서 제시한 모형은 기존 ADLFM의 성능은 최대한 유지하면서 빠른 학습과 추론이 가능하고(경량화) 다양한 도메인에 적용할 수 있는(일반화) 새로운 모형임을 알 수 있다.

• 핵의학기술
• /
• 제26권2호
• /
• pp.15-19
• /
• 2022

전립선암 환자의 전이성 질환 진단을 위해 사용되는 양전자 방출 단층촬영용 [⁶⁸Ga]PSMA-11 주사액은 자동화 생산 방법을 통해 높은 재현성과 우수한 방사화학적 수율 및 순도를 얻을 수 있으며 제조 시 작업자의 방사선 피폭을 최소화할 수 있다. 이를 위해 적용한 비 카세트 방식과 카세트 방식의 자동 합성 방법을 소개하고 비교하고자 한다. [⁶⁸Ga]PSMA-11 주사액의 자동화 생산을 위해 ⁶⁸Ge/⁶⁸Ga generator 50 mCi(iThemba LABS, Johannesburg, South Africa), 주사기 펌프 NE-1000(New Era Pump System, New York, USA)을 사용하였으며, 자동 합성 장치는 비 카세트 방식의 TRACERlab FXN pro(GE Healthcare, Liege, Belgium)와 카세트 방식의 BIKBox(BIK THERAPEUTICS Inc., Seongnam-si, Republic of Korea)를 사용하였다. 0.6 N 염산 용액 6 mL의 주사기가 장착된 실린지 펌프를 ⁶⁸Ge/⁶⁸Ga generator의 inlet-line과 연결하고 outlet-line은 자동 합성 장치와 연결한 후 자동 합성장치와 동시에 작동하였으며, 2 mL/min의 속도로 ⁶⁸Ga을 용출하였다. 초기 약 1.7 mL은 waste vial로 용출 시켰고, 그 후 2.5 mL은 반응용기로 용출하여, 방사능 농도가 높은 2.5 mL의 용액만 표지 과정에 이용하였다. 반응 용액의 pH를 HEPES buffer 용액으로 조절한 후 전구체와 95 ℃에서 15분간 반응하였으며, C18 light 카트리지를 이용, 분리·정제 하였다. 50% 에탄올/생리식염수 희석액으로 최종 화합물을 용출하고 생리식염수를 추가한 후 멸균 필터 함으로써 제조를 완료하였다. 각각의 자동 합성 장치에서 제조된 [⁶⁸Ga] PSMA-11 주사액의 품질관리를 시행하고 장단점을 비교하였다. 총 합성 시간은 각각 25±3분(비 카세트 방식), 23±3분(카세트 방식)이 소요되었으며, 방사화학적 수율은 멸균 필터 후 비 카세트 방식이 65.5±5.7%(n=45, non-decay corrected), 카세트 방식이 61.6±4.8%(n=98, non-decay corrected)였다. 비 카세트 방식은 장비 세척과 시약 준비 시간으로 인해 합성 전 준비 시간이 약 120분 소요되었고, 카세트 방식은 세척과 시약 준비 과정이 없어 합성 전 준비 시간은 약 20분 소요되었다. 비 카세트 방식 자동 합성 방법은 방사화학적 수율과 비용적 측면에서 카세트 방식 대비 높은 장점을 가지나, 제조 준비 단계에서의 편의성과 장비 유지 보수 측면에서는 카세트 방식이 장점을 가진다.

• 한국구조물진단유지관리공학회 논문집
• /
• 제27권2호
• /
• pp.17-24
• /
• 2023

이 논문은 total flux leakage (TFL) 방법을 이용해 외부텐던을 비파괴검사 하는 솔레노이드 형태의 센서의 측정 신호를 후처리하는 방법을 소개한다. 기존에 개발된 TFL 솔레노이드 센서는 1차 코일과 2차 코일로 이루어져 1차 코일에 정현파 형태의 교류를 입력하면 2차 코일에 그 미분에 비례하는 신호가 측정된다. 이때 진폭은 텐던의 단면에 비례하므로 파단 및 부식 여부를 확인할 수 있다. 따라서 TFL센서의 측정신호에서 진폭정보를 추출 하는 것이 중요한데 기존에는 단순히 극댓값을 모아 진폭정보를 취득했다. 하지만 이 방법을 사용하면 측정빈도가 크게 낮아져 추가적인 신호처리 및 인공지능 적용에 많은 제약이 생긴다. 이 논문은 높은 측정빈도를 가진 진폭정보를 추출하기 위해 진폭복조를 응용해 진폭정보를 획득하는 방법을 제시한다. 진폭복조를 이용해 진폭정보를 취득하면 측정빈도를 원시신호와 동일한 수준으로 유지할 수 있다. 이 방법은 TFL센서의 1차 코일 입력 주파수 선택과 센서를 외부텐던에 적용하는 속도 등에 제약을 없애주어 개발 방향에 많은 자유도를 부여한다. 또한 높은 측정빈도를 유지하므로 추가적인 신호처리나 인공지능 등을 활용 하는데 유리함을 제공한다. 제안된 방법은 실내실험을 통해 검증 되었으며 기존 방법과 비교해 어떤 장점이 있는지 분석했다. 제시된 예제의 경우 진폭복조를 사용한 방법이 기존 방법에 비해 100배 높은 측정빈도를 제공 하는 것을 확인 할 수 있었다. 주어진 상황과 구체적인 장비 설정에 따라 차이가 있겠지만 대부분의 경우 진폭복조를 사용해 진폭정보를 추출하면 기존 방법 대비 만족할만한 결과를 얻을 수 있을 것이다.

• Journal of Animal Science and Technology
• /
• 제44권1호
• /
• pp.95-104
• /
• 2002

배합사료와 볏짚을 사료원으로 하여 한우 수소와 거세우를 비육 할 때의 사료섭취량을 조사하고자 5~7개월된 한우 수송아지 20두와 거세 송아지 60두를 공시하여 육성기(체중 300kg 이하), 비육 전기 (체중 300~450kg), 비육 후기 (체중 450kg 이후) 3단계로 나누어 육성우 배합사료 (CP 14.1%, TDN 70.0%), 비육 전기 배합사료(CP 12.1%, TDN 70.6%), 비육 후기 배합사료(CP 11.2%, TDN 71.9%)를 각각 성장단계별로 급여하면서 1) 수소와 거세우의 무제한 급여시의 사료 섭취량 (원물 기준)과 2) 거세우를 성장단계에 따라 배합사료를 ① 전기간 무제한 급여 ② 1.0%－1.5%－무제한급여, ③ 1.5%－2.0%－무제한급여의 3유형으로 사양관리 하면서 사료 섭취량 (원물 기준)의 변화를 조사하였다 1. 수소의 1일 사료섭취량은 직선적으로 증가된 반면에 거세우의 사료섭취량은 521 kg 까지는 증가되다가 감소되었다. 2. 체중대비 사료 섭취량은 시험 시작시인 150 kg 에서는 체중의 3.5% 정도를 섭취하였으나 600 kg에서 수소는 체중비 2.0% 내외로 거세우는 1.5% 정도로 감소되었다 3. 거세우의 1일 사료 섭취량은 전기간 무제한 급여시는 비육 전기까지는 완만하게 증가 하다가 비육 후기에는 다시 완만하게 감소된 반면 육성기와 비육 전기에 배합사료를 체중비 1.0%와 1.5%로 제한하여 급여 하였을 때는 사료 섭취량이 직선적으로 증가하였으며 1.5%와 2.0%로 제한하여 급여하였을 때는 비육 전기까지는 비교적 빠르게 증가되고 비육 후기(체중 455 kg)에는 비교적 빠른 속도로 감소되었다. 4. 배합사료 급여수준에 따른 거세우의 단위체중당 사료 섭취량은 무제한 급여시는 시험 시작시 (체중 150 kg 내외)에는 3.5% 내외에서 체중 600kg 내외에서는 1.5%까지 감소되었고 배합사료 제한 급여시는 육성기에는 2.0%에서 3.0%로 증가되다가 다시 1.5-2.0% 정도로 감소되었다 5. 거세우에 배합사료 급여수준에 따른 볏짚 섭취량은 배합사료 제한급여시 무제한 급여에 비하여 육성기에는 2-3배로 비육 전기에는 2배로 증가되었으나 비육 후기에는 차이가 없었다.

• 지능정보연구
• /
• 제27권4호
• /
• pp.1-22
• /
• 2021

텍스트를 바탕으로 한 차원 기반 감성 분석(Aspect-Based Sentiment Analysis)은 다양한 산업에서 유용성을 주목을 받고 있다. 기존의 차원 기반 감성 분석에서는 타깃(Target) 혹은 차원(Aspect)만을 고려하여 감성을 분석하는 연구가 대다수였다. 그러나 동일한 타깃 혹은 차원이더라도 감성이 나뉘는 경우, 또는 타깃이 없지만 감성은 존재하는 경우 분석 결과가 정확하지 않다는 한계가 존재한다. 이러한 문제를 해결하기 위한 방법으로 차원과 타깃을 모두 고려한 감성 분석(Target-Aspect-Sentiment Detection, 이하 TASD) 모델이 제안되었다. 그럼에도 불구하고, TASD 기존 모델의 경우 구(Phrase) 간의 관계인 지역적인 문맥을 잘 포착하지 못하고 초기 학습 속도가 느리다는 문제가 있었다. 본 연구는 TASD 분야 내 기존 모델의 한계를 보완하여 분석 성능을 높이고자 하였다. 이러한 연구 목적을 달성하기 위해 기존 모델에 합성곱(Convolution Neural Network) 계층을 더하여 차원-감성 분류 시 보조 손실(Auxiliary loss)을 추가로 사용하였다. 즉, 학습 시에는 합성곱 계층을 통해 지역적인 문맥을 좀 더 잘 포착하도록 하였으며, 학습 후에는 기존 방식대로 차원-감성 분석을 하도록 모델을 설계하였다. 본 모델의 성능을 평가하기 위해 공개 데이터 집합인 SemEval-2015, SemEval-2016을 사용하였으며, 기존 모델 대비 F1 점수가 최대 55% 증가했다. 특히 기존 모델보다 배치(Batch), 에폭(Epoch)이 적을 때 효과적으로 학습한다는 것을 확인할 수 있었다. 본 연구에서 제시된 모델로 더욱 더 세밀한 차원 기반 감성 분석이 가능하다는 점에서, 기업에서 상품 개발 및 마케팅 전략 수립 등에 다양하게 활용할 수 있으며 소비자의 효율적인 구매 의사결정을 도와줄 수 있을 것으로 보인다.

• 한국토양비료학회지
• /
• 제2권1호
• /
• pp.53-68
• /
• 1969

생산력이 서로 다른 두 토양(土壤)에 유기물(有機物)을 첨가(添加)하여 근부(根部) 환경(環境)의 변화(變化)와 수도품종별(水稻品種別) 근(根)의 근부(根部) 환경(環境)에 대(對)한 반응(反應)을 육안(肉眼) 관찰(觀察)하고 양분흡수(養分吸收)를 조사(調査)하여 다음과 같은 결과(結果)를 얻었다. 1) 고위답토양(高位畓土壤)은 유기물(有機物)의 분해(分解)가 완만(緩慢)하며 분해평형점(分解平衡點)에서의 유기물(有機物) 함량(含量)이 높고 저위답토양(低位畓土壤)은 유기물(有機物)의 분해(分解)가 급속(急速)하며 분해평형점(分解平衡點)에 함량(含量)이 낮다. 2) 저위답토양(低位畓土壤)은 근(根)의 발육(發育)이 조해(阻害)되며 유기물(有機物) 첨가(添加)에 의(依)하여 더욱 조해(阻害)된다. 유기물(有機物)의 분해(分解)로 생기는 gas가 근(根) 주변(周邊)에 피막(被膜)을 형성(形成)하는데 기인(起因)하는것 같으며 이 결과(結果)로 T/R 값이 심히 떨어진다. 3) 품종간(品種間) 근부(根部) 환경(環境)에 반응력(反應力)이 현저하여 수원(水原) 82호(號)는 농림(農林) 25호(號) 보다 고위답(高位畓) 토양(土壤)에서는 흡수력(吸收力)이 강(强)하고 저위답토양(低位畓土壤)에서는 흡수력(吸收力)이 떨어진다. 4) 유기물(有機物) 첨가(添加)로 가리흡수(加里吸收)가 조해(阻害)되고 저위답토양(低位畓土壤)에서는 인산흡수(燐酸吸收)가 가장 조해(阻害)되는데 저위답토양(低位畓土壤)에 유기물(有機物)을 첨가(添加)하여 이 두 인자(因子)가 공역(共役)할 경우 양분흡수조해(養分吸收阻害)는 상승적(相乘的)으로 야기(惹起)된다. 5) 근(根)의 활력(活力)과 근수(根數), 지상부(地上部) 생육량(生育量) 및 근부생육량(根部生育量)과의 상관(相關)은 각각(各各) r=0.839, r=0.834, r=0.948로 모두 1%에서 유의성(有意性)이 있고 지상부(地上部)와 근부(根部)의 N.P.K. 흡수량(吸收量)과도 각각(各各), r=0.751, r=0.670, r=0.769, r=0.729, r=0.742, r=0.815로 5% 수준(水準)에서 유의성(有意性)이 있으며 근부(根部)의 생육량(生育量) 및 가리(加里)의 흡수량(吸收量)과의 상관계수(相關係數)가 가장 크다. 6) 근부환경(根部環境)이 나쁜곳에서는 좋은 곳에서보다 수도지상부(水稻地上部)의 질소농도(窒素濃度)는 낮고 근부(根部)는 훨씬 높아서 ammonia 과잉(過剩)의 해독(害毒)이 예상되며 인산(燐酸)과 가리(加里)는 양부위(兩部位)에서 모두 심히 낮으며 특히 간(稈)과 엽초(葉稍)에서 더욱 낮았다. 7) 근부환경(根部環境)이 나쁜 곳에서는 좋은곳에서보다 지상부(地上部)의 당(糖)과 전분(澱粉) 및 전탄수화물(全炭水化物) 함량(含量)이 높은데 반(反)하여 근부(根部)에서는 낮은데 환원당(還元糖)에서 더욱 심하여 근부(根部)에서는 당(糖)의 이상소모(異常消耗)가 예상되고 지상부(地上部)에서는 이에 대비하여 당(糖) 대사(代謝)가 해당방향(解糖方向)으로 주력(注力)함이 예상된다. 8) 근부환경(根部環境)이 나쁜곳에서는 근부(根部)에서 지상부(地上部)로 양분(養分)의 전류(轉流)가 극히 나빴다. 9) 근부환경(根部環境)이 나쁜곳에서는 황산(黃酸)의 함유율(含有率)이 높은데 엽신(葉身)에서 특히 높아 황산(黃酸) Ion에 의(依)한 ATP 생성(生成) 조해(阻害)가 예상되고 $P_2O_5/S$ 값은 고위답(高位畓) 유기물무시용구(有機物無施用區)의 1/5에 불과(不過)하여 P-S 비(比)가 관련된것 같다. 10) 근부환경(根部環境)이 나쁜곳에서는 지상부(地上部) 철(鐵)의 함량(含量)에는 차이(差異)가 없으나 Mn 함량(含量)은 상당히 적은 편이어서 $Fe/P_2O_5$ 값이 큰데 간(稈)과 엽초(葉稍)에서 7배(倍)나 되어 철인산(鐵燐酸) 침전에 의(依)한 통도(通導)의 기계적(機械的) 장해(障害)가 예상된다. 11) 토양중(土壤中) 조해성(阻害性) 인자(因子)는 유기물(有機物) 분해속도(分解速度)가 빠른 경우 악화(惡化)되어 근부기능기(根部機能基)를 조해(阻害)하여 양분(養分)을 조지(阻止)하고 체내(體內) Ion 평형(平衡)(N. P. K. S. Fe)을 교란(攪亂) 이상대사(異常代謝)(해당작용(解糖作用) A. T. P 생성약화(生成弱化))를 일으켜 전류(轉流)가 방해(防害)되고 따라서 각부위(各部位)의 생육(生育)의 불균형(不均衡)을 초래(招來)하는 연발생(連發生) 조해작용(阻害作用)이 순환가속(順換加速)하는 것으로 추정(推定)된다. 12) 고위답(高位畓)에서 질소(窒素)의 시용량(施用量)에 따른 근분포(根分布)를 조사(調査)한 결과(結果) 저위답(低位畓)은 표토부분(表土部分)에 분포(分布)하나 고위답(高位畓)에서는 심토(心土)에 분포비율(分布比率)이 많다. 질소(窒素) 무시용(無施用)은 지하(地下) 0~7cm 부위(部位)에 분포(分布) 비율(比率)이 크고 질소(窒素)를 시용(施用)하면 7~14cm 부위(部位)에 근분포(根分布) 비율(比率)이 많다. 전(全) 근중(根重)은 저위답(低位畓)에 비(比)하여 고위답(高位畓)에 많고 질소(窒素) 무시용(無施用)에 비(比)해서 질소(窒素) 10a 12kg 시용(施用)에서 많았다.

• 인터넷정보학회논문지
• /
• 제14권5호
• /
• pp.69-76
• /
• 2013

세계적으로 전파력과 병원성이 높은 신종인플루엔자, 조류독감 등과 같은 전염병이 증가하고 있다. 전염병이란 특정 병원체(pathogen)로 인하여 발생하는 질병으로 감염된 사람으로부터 감수성이 있는 숙주(사람)에게 감염되는 질환을 의미한다. 전염병의 병원체는 세균, 스피로헤타, 리케차, 바이러스, 진균, 기생충 등이 있으며, 호흡기계 질환, 위장관 질환, 간질환, 급성 열성 질환 등을 일으킨다. 전파 방법은 식품이나 식수, 곤충 매개, 호흡에 의한 병원체의 흡입, 다른 사람과의 접촉 등 다양한 경로를 통해 발생한다. 전 세계의 대부분 국가들은 전염병의 전파를 예측하고 대비하기 위해서 수학적 모델을 사용하고 있다. 하지만 과거와 달리 현대 사회는 지상과 지하 교통수단의 발달로 전염병의 전파 속도가 매우 복잡하고 빨라졌기 때문에 우리는 이를 예방하기 위한 대책 마련의 시간이 부족하다. 그러므로 전염병의 확산을 막기 위해서는 전염병의 전파 경로를 예측할 수 있는 시스템이 필요하다. 우리는 이러한 문제를 해결하기 위해서 전염병의 실시간 감시 및 관리를 위한 전염병의 감염 경로 추적 및 예측이 가능한 통합정보 시스템을 구현하였다. 이 논문에서는 전염병의 전파경로 예측에 관한 부분을 다루며, 이 시스템은 기존의 수학적 모델인 Susceptible - Infectious - Recovered (SIR) 모델을 기반으로 하였다. 이 모델의 특징은 교통수단인 버스, 기차, 승용차, 비행기를 포함시킴으로써, 도시내 뿐만 아니라 도시간의 교통수단을 이용한 이동으로 사람간의 접촉을 표현할 수 있다. 그리고 한국의 지리적 특성에 맞도록 실제 자료를 수정하였기 때문에 한국의 현실을 잘 반영할 수 있다. 또한 백신은 시간에 따라서 투여 지역과 양을 조절할 수 있기 때문에 사용자가 시뮬레이션을 통해서 어느 시점에서 어느 지역에 우선적으로 투여할지 백신을 컨트롤할 수 있다. 시뮬레이션은 몇가지 가정과 시나리오를 기반으로 한다. 그리고 통계청의 자료를 이용해서 인구 이동이 많은 주요 5개 도시인 서울, 인천국제공항, 강릉, 평창, 원주를 선정했다. 상기 도시들은 네트워크로 연결되어있으며 4가지의 교통수단들만 이용하여 전파된다고 가정하였다. 교통량은 국가통계포털에서 일일 교통량 자료를 입수하였으며, 각도시의 인구수는 통계청에서 통계자료를 입수하였다. 그리고 질병관리본부에서는 신종인플루엔자 A의 자료를 입수하였으며, 항공포털시스템에서는 항공 통계자료를 입수하였다. 이처럼 일일 교통량, 인구 통계, 신종인플루엔자 A 그리고 항공 통계자료는 한국의 지리적 특성에 맞도록 수정하여 현실에 가까운 가정과 시나리오를 바탕으로 하였다. 시뮬레이션은 신종인플루엔자 A가 인천공항에 발생하였을 때, 백신이 투여되지 않은 경우, 서울과 평창에 각각 백신이 투여된 경우의 3가지 시나리오에 대해서, 감염자가 피크인 날짜와 I (infectious)의 비율을 비교하였다. 그 결과 백신이 투여되지 않은 경우, 감염자가 피크인 날짜는 교통량이 가장 많은 서울에서 37일로 가장 빠르고, 교통량이 가장 적은 평창에서 43일로 가장 느렸다. I의 비율은 서울에서 가장 높았고, 평창에서 가장 낮았다. 서울에 백신이 투여된 경우, 감염자가 피크인 날짜는 서울이 37일로 가장 빨랐으며, 평창은 43일로 가장 느렸다. 그리고 I의 비율은 강릉에서 가장 높으며, 평창에서 가장 낮았다. 평창에 백신을 투여한 경우, 감염자가 피크인 날짜는 37일로 서울이 가장 빠르고 평창은 43일로 가장 느렸다. I의 비율은 강릉에서 가장 높았고, 평창에서는 가장 낮았다. 이 결과로부터 신종인플루엔자 A가 발생하면 각 도시는 교통량에 의해 영향을 받아 확산된다는 것을 확인할 수 있다. 따라서 전염병 발생시 전파 경로는 각 도시의 교통량에 따라서 달라지므로, 교통량의 분석을 통해서 전염병의 전파 경로를 추적하고 예측함으로써 전염병에 대한 대책이 가능할 것이다.