• Annual Conference of KIPS
• /
• 2020.11a
• /
• pp.846-849
• /
• 2020

하이퍼파라미터(초매개변수) 최적화란 모델의 학습에 앞서 미리 설정해야 하는 값인 하이퍼파라미터의 최적값을 탐색하는 문제이다. 이때의 최적값은 학습을 끝낸 모델의 성능을 가능한 최대치로 높이게 하는 값이다. 한편, 최근 모바일 장치를 이용한 포지셔닝 데이터의 대량 수집이 가능해지면서 이를 활용하여 위치 기반 서비스(Location-Based Service)를 위한 데이터 분석 및 예측에 관한 연구가 활발히 이루어졌다. 그중 이동 경로를 이미지로 패턴화하여 국소 지역 내에서 다음 위치를 예측하는 CNN 모델에 대해서 하이퍼파라미터 튜닝을 진행하였다. 결과적으로 베이지안 최적화(Bayesian Optimization)를 통해 모델의 성능을 평균 3.7%, 최대 9.5%까지 개선할 수 있음을 확인하였다.

• Journal of The Korean Society of Agricultural Engineers
• /
• v.55 no.6
• /
• pp.1-9
• /
• 2013

미래 기후 정보를 이용한 수문 환경의 단기 미래 예측은 안정적 수자원 공급을 위한 필수적 과제이다. 미국 플로리다 주 중서부 템파지역에서는 주요 수자원 중 하나인 지하수의 효과적 활용을 위해 지하수위 인공신경망 모델 (GWANN)을 개발하여 피압 대수층과 비피압 대수층에 대한 주 단위 평균 지하수위를 월별로 예측하고 그 결과를 수자원 공급 의사 결정에 반영하고 있다. 본 논문은 템파지역에 대한 GWANN 모델을 이용한 지하수위 예측 시스템을 소개하고 모델의 기후 입력 자료의 민감도를 분석함으로써 양질의 기후 정보에 대한 현 시스템의 활용성을 검토하였다. 2006년과 2007년에 대한 연구 결과, 관측 자료를 최적 예측 시나리오 (the best forecast)로 가정하여 적용한 결과는 지하수위 관측 지점에 따라 큰 차이를 보였지만 일반적으로 현 시스템 (현 시점의 실시간 주 단위 평균 강우량을 향후 4주간 동일하게 적용함) 에 비해 예측 성능이 개선되는 것으로 나타났다. 더불어 강우 관측 자료의 백분위 (percentile forecast; 20분위, 50분위, 80분위)를 강우 예측 자료로 활용한 경우에도 현 시스템과 비교하여 일부 나은 결과를 보여주었다. 그러나 지하수위 예측 모델을 활용하지 않고 현 시점의 지하 수위가 지속된다고 가정하는 경우 (na$\ddot{i}$ve model) 향후 2주간의 예측 결과가 best forecast 경우에 비해 높은 정확도를 보이는 등, GWANN 모델의 단기 예측에 대한 양질의 강우 예측 정보의 활용성은 낮으며, 향후 3주 이상에 대한 예측 성능에 있어 best forecast결과가 na$\ddot{i}$ve model 결과에 비해 높은 정확도를 보이기 시작하는 것으로 나타났다. 또한 GWANN 모델의 예측 성능은 적용 기간과 지역 및 지하대수층의 특성에 따라 큰 다양성을 가지는 단점을 보여 강우 예측 자료 활용에 앞서 모델 개선의 필요성이 있다고 판단된다. 본 연구는 단기수자원 공급 계획 수립을 위하여 사용되는 지역 모델링 시스템에 대한 기후 예측정보의 활용성 평가를 위한 방법론으로 고려될 수 있을 것으로 기대된다.

• Journal of the Korea Society of Computer and Information
• /
• v.14 no.10
• /
• pp.1-10
• /
• 2009

Precise branch predictor has a profound impact on system performance in modern processor architectures. Recent works show that prediction latency as well as prediction accuracy has a critical impact on overall system performance as well. However, prediction latency tends to be overlooked. In this paper, we propose Branch Pre-Prediction policy to tolerate branch prediction latency. The proposed solution allows that branch predictor can proceed its prediction without any information from the fetch engine, separating the prediction engine from fetch stage. In addition, we propose newly modified BTE structure to support our solution. The simulation result shows that proposed solution can hide most prediction latency with still providing the same level of prediction accuracy. Furthermore, the proposed solution shows even better performance than the ideal case, that is the predictor which always takes a single cycle prediction latency. In our experiments, IPC improvement is up to 11.92% and 5.15% in average, compared to conventional predictor system.

• The Journal of the Convergence on Culture Technology
• /
• v.10 no.4
• /
• pp.595-600
• /
• 2024

As the use of artificial intelligence technologies such as machine learning increases in research fields that predict learning outcomes or optimize learning pathways, the use of artificial intelligence in education is gradually making progress. This research is gradually evolving into more advanced artificial intelligence methods such as deep learning and reinforcement learning. This study aims to improve the method of predicting future learning performance based on the learner's past learning performance-history data. Therefore, to improve prediction performance, we propose conditional probability applying the Markov Chain method. This method is used to improve the prediction performance of the classifier by allowing the learner to add learning history data to the classification prediction in addition to classification prediction by machine learning. In order to confirm the effectiveness of the proposed method, a total of more than 30 experiments were conducted per algorithm and indicator using empirical data, 'Teaching aid-based early childhood education learning performance data'. As a result of the experiment, higher performance indicators were confirmed in cases using the proposed method than in cases where only the classification algorithm was used in all cases.

• Journal of Intelligence and Information Systems
• /
• v.21 no.2
• /
• pp.173-190
• /
• 2015

The purpose of this study is to improve bankruptcy prediction models by using a novel hybrid under-sampling approach. Most prior studies have tried to enhance the accuracy of bankruptcy prediction models by improving the classification methods involved. In contrast, we focus on appropriate data preprocessing as a means of enhancing accuracy. In particular, we aim to develop an effective sampling approach for bankruptcy prediction, since most prediction models suffer from class imbalance problems. The approach proposed in this study is a hybrid under-sampling method that combines the k-Reverse Nearest Neighbor (k-RNN) and one-class support vector machine (OCSVM) approaches. k-RNN can effectively eliminate outliers, while OCSVM contributes to the selection of informative training samples from majority class data. To validate our proposed approach, we have applied it to data from H Bank's non-external auditing companies in Korea, and compared the performances of the classifiers with the proposed under-sampling and random sampling data. The empirical results show that the proposed under-sampling approach generally improves the accuracy of classifiers, such as logistic regression, discriminant analysis, decision tree, and support vector machines. They also show that the proposed under-sampling approach reduces the risk of false negative errors, which lead to higher misclassification costs.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2008.04a
• /
• pp.11-12
• /
• 2008

퍼지 시계열 예측은 전체 퍼지 구간에 따른 퍼지 소속 함수의 개수와 범위에 따라서 예측성능에 많은 영향을 미치고 있으며, 이러한 문제점을 개선하기 위한 방법으로 다수 객체들의 학습 및 군집 특성을 이용한 Particle Swarm Optimization기법을 도입하였다. 제안된 방법에서는 군집의 최적 객체를 전체 최적해와 각각의 퍼지 소속 함수들에 대한 최적해로 구분하여 탐색하는 기법을 제안한다. 실제 시계열 데이터를 이용한 실험을 통하여 기존의 연구 결과들과 비교함으로써 제안된 방법의 우수한 성능을 가짐을 검증하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 1996.10a
• /
• pp.215-218
• /
• 1996

ATM망은 실제로 이용 가능한 대역폭 이상을 할당하는 통계적 다중화(statistical multiplexing) 기법을 사용하므로 망을 통한 트래픽 흐름을 적절히 관리하지 못하면 혼잡(congestion), 셀 손실, 망의 성능 저하 등을 야기하게 된다. 이러한 상황을 예방하고 셀의 도착 시간 버스트(burstiness)를 줄이며 셀 손실 특성을 개선하여 망의 성능을 증가시키기 위하여, 트래픽의 형태 제어 방법을 제안한다. 트래픽 형태 제어 파라미터 값의 역전파 신경망을 적용하여 예측되며, 이 예측된 값들에 의해 형태 제어 방법을 수행한다. 제안된 형태 제어 기법의 성능은 Poisson 트래픽 입력에 대한 컴퓨터 시뮬레이션에 의해 얻어지며, 멀티플렉서에서의 최대 버퍼 크기를 측정하여 성능을 평가하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.351-351
• /
• 2023

강우 자료는 수문 모델링에서 중요한 입력 요소 중 하나이다. 강우의 공간적 가변성은 모델링 불확실성의 중요한 원인으로 알려져 있다. 강우 관측자료는 많은 경우 유역을 대표하는 평균 면적강수량 (Mean Areal Precipitation, MAP)을 계산하여 수문모형에 입력된다. 선행 연구에서는MAP 예측 결과의 신뢰도를 개선하기 위하여 다양한 보간 방법이 개발되었다. 하지만, 강우특성의 동질성를 고려한 대표 기상 관측소 선정이 MAP 예측과 유출량 모의 결과에 미치는 연구는 아직 미흡한 실정이다. 본 연구에서는 유역의 MAP 예측에 있어 강우특성의 동실성을 고려한 강우 관측소 선정이 수문 모델링 성능 개선에 미치는 영향을 평가하고자 한다. 본 연구에서는 종관 기상관측(ASOS) 74개 지점과 방재기상관측(AWS) 400여개 지점에서 2003~2022년 기간에 대한 일강수량 자료를 수집하였고 강우특성이 동질한 지역을 구분하였다. 또한, 강우특성 동질성의 고려 유무에 따른 MAP를 계산하였다. 이후, 5개의 매개변수로 이루어진 개념적 강우-유출 모형FPHM을 사용하여 우리나라 전역 41개 유역을 대상으로 MAP 계산 결과가 모형 성능에 미치는 민감도를 조사하였다. 분석 결과, 강우특성의 동질성을 고려한 강우 관측소의 선택은 MAP 보간 방법 이상으로 중요한 요소임을 확인할 수 있었다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2020.07a
• /
• pp.617-618
• /
• 2020

우리나라의 지리적인 여건상 대륙과 연결되지 않기 때문에 해상운송에 절대적으로 의존하고 있다. 해상운송에 있어 항만시설의 확보가 필요하며 대외무역의존도가 높은 우리나라의 경우 더욱 중요한 역할을 한다. 항만시설은 장기적인 항만수요예측을 통해 대규모 인프라투자를 결정하며 단기적인 예측은 항만운영의 효율성을 개선하고 항만의 경쟁력을 제고하는데 기여하므로 예측의 정확성을 높이기 위해 많은 노력이 필요하다. 본 논문에서는 딥러닝 모델 중에 하나인 LSTM(Long Short Term Memory)을 적용하여 우리나라 주요항만의 컨테이너 물동량 단기예측을 수행하여 선행연구들에서 주류를 이뤘던 ARIMA류의 시계열모델과 비교하여 예측성능을 평가할 것이다. 본 논문은 학문적으로 항만수요예측에 관한 새로운 예측모델을 제시하였다는 측면에서 의미가 있으며 실무적으로 항만수요예측에 대한 정확성을 개선하여 항만투자의사결정에 과학적인 근거로서 활용이 가능할 것으로 기대된다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2013.06a
• /
• pp.348-350
• /
• 2013

본 논문에서는 깊이영상의 특징을 이용하여 깊이영상에 보다 적합한 움직임 예측방법에 대한 방식을 제안한다. 기존 컬러영상 기반으로 제안되었던 대부분의 움직임 예측 방법들이 깊이영상에 적용할 경우 local minimum 에 빠지게 되어 이에 따른 압축 성능 저하가 있음을 확인하였다. 본 논문에서는 이러한 문제점들이 깊이영상의 오브젝트 경계 영역에서 나타나게 됨을 분석하며, 이러한 문제점을 해결하기 위해 깊이영상의 경계 영역에 대해 feature matching 방식을 이용한 full search 방식을 제안한다. 실험적인 결과는 제안방식이 기존 full search 방식과 비교하여 성능은 비슷하게 유지한 채 복잡도를 크게 개선할 수 있음을 보여준다.