• Journal of the Korea Society of Computer and Information
• /
• v.20 no.5
• /
• pp.151-159
• /
• 2015

The algorithm in computer science includes skills to design a problem solving process for solving problems efficiently and effectively. Therefore all learners who learn computer science have to learn algorithm. Education for algorithm is effective when learners acquire skills to design algorithm as well as ability to use appropriate design skills solving problems. Especially since it is heightened people awareness to cultivating informatics gifted students who have potential of significant impact on society, many studies on how to teach them have been in progress. Therefore in this study we adopted puzzles to help informatics gifted students learn skills to design algorithm and how to use them to solve problems. The results of pre and post test compared to traditional algorithm learning, we identified that puzzled based algorithm learning gave a positive impact to students. Students had various problem solving experience applying algorithm design skills in puzzle based learning. As a result, students of learning and learning transfer has been improved.

• Proceedings of the Korean Information Science Society Conference
• /
• 2002.10d
• /
• pp.253-255
• /
• 2002

본 논문에서는 다중 모델 기계학습 기법을 이용하여 문서 자동 분류의 성능과 신뢰도를 향상시킬 수 있는 연구와 실험 결과를 기술하였다. 기존의 다중 모텔 기계 학습법들이 훈련 데이터 또는 학습 알고리즘의 편향에 의한 오류를 극복하고 한 것들인데 비해 본 논문에서 제안한 메타 학습을 이용한 하이브리드 다중 모델 방식은 이 두 가지의 오류 원인을 동시에 해소하고자 하였다. 다양한 문서 집합에 대한 실험 결과, 본 연구에서 제안한 하이브리드 다중 모델 학습법이 전반적으로 기존의 일반 다중모델 학습법들에 비해 높은 성능을 보였으며, 다중 모델의 결합 방식으로서 메타 학습이 투표 방식에 비해 효율적인 것으로 나타났다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.10b
• /
• pp.218-222
• /
• 2006

우수한 능력의 인공지능 개체로 구성된 게임은 그렇지 못한 게임에 비해 더 나은 흥미를 사용자에게 제공할 수 있다. 미국 Valve사의 Half-Life, Counter-Strike 및 한국 Dragonfly사의 Special-Force와 같은 실시간 FPS 전투게임에서 상대편에 대한 검색 및 목표 화하는(Targeting) 기법은 인공개체의 전투력에 중요한 하나의 요소이다. 하지만 이 같은 경우의Targeting은 정적인 대상에 대한 것이 아니라 동적인 대상에 대한 것이므로 단순한 산술 계산으로는 실용적인 효과를 내기 힘들다. 본 논문에서는 Neural Network를 이용한 학습기법을 사용하여 동적인 개체에 대한 효과적인 Targeting기법을 제안한다. 제안한 기법은 매 순간 변화하는 상황정보와 Virtual bullet이라는 가상 미사일 개념을 활용하여 학습 Data를 모델링한 후 Neural Network로 학습시켜 효과적인 Targeting이 가능하도록 구현하였다. 제안한 기법은 Java기반의 탱크전투 시뮬레이션 Framework인 Robocode에 적용하여 그 성능을 평가하였다. 제안된 기법으로 제작된 Robot(Crystal 1.0)은 ‘2006 Robocode Korea Cup에서 우승을 차지하였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.04b
• /
• pp.304-306
• /
• 2001

많은 실세계의 문제에서 일반적인 패턴 분류 알고리즘들은 데이터의 불균형 문제에 어려움을 겪는다. 각각의 학습 예제에 균등한 중요도를 부여하는 기존의 기법들은 문제의 특징을 제대로 파악하지 못하는 경우가 많다. 본 논문에서는 불균형 데이터 문제를 해결하기 위해 퍼셉트론에 기반한 부스팅 기법을 제안한다. 부스팅 기법은 학습을 어렵게 하는 데이터에 집중하여 앙상블 머신을 구축하는 기법이다. 부스팅 기법에서는 약학습기를 필요로 하는데 기존 퍼셉트론의 경우 문제에 따라 약학습기(weak learner)의 조건을 만족시키지 못하는 경우가 있을 수 있다. 이에 커널을 도입한 커널 퍼셉트론을 사용하여 학습기의 표현 능력을 높였다. Reuters-21578 문서 집합을 대상으로 한 문서 여과 문제에서 부스팅 기법은 다층신경망이나 나이브 베이스 분류기보다 우수한 성능을 보였으며, 인공 데이터 실험을 통하여 부스팅의 샘플링 경향을 분석하였다.

• Proceedings of the Safety Management and Science Conference
• /
• 1999.11a
• /
• pp.209-216
• /
• 1999

정보 검색 분야의 문서 분류에 기계 학습 기법을 적용할 때 발생하는 가장 큰 문제는 문서를 패턴으로 표현할 때, 하나의 패턴이 가지는 특징의 수가 기계 학습 기법에서 처리할 수 있는 범위를 넘어서는 것이다. 이러한 문제를 해결하기 위하여 특징 선택 기법은 패턴을 구성하고 있는 특징 중에서 실제 문서 분류에 많은 영향을 주는 특징만을 선택하여, 기계 학습 기법에서 쉽게 처리할 수 있을 정도의 패턴을 구성하게 한다. 본 논문에서는 이러한 특징 선택 기법 중에서 IG(Information Gain), Gini index, Relief-F, DF(Document Frequency)를 비교하였다. 실험 결과 문서들에 포함된 모든 고유 단어를 특징의 길이로 하여 패턴을 구성했을 때보다 특징 선택 기법을 적용하여 고유 단어 중 일부를 특징으로 패턴을 구성할 때 기계학습에서 더 향상된 분류 성능을 보였다

• KIPS Transactions on Computer and Communication Systems
• /
• v.11 no.4
• /
• pp.105-112
• /
• 2022

Recently, many studies using reinforcement learning-based autoscaling have been performed to make autoscaling policies that are adaptive to changes in the environment and meet specific purposes. However, training the reinforcement learning-based Horizontal Pod Autoscaler(HPA) policy in a real environment requires a lot of money and time. And it is not practical to retrain the reinforcement learning-based HPA policy from scratch every time in a real environment. In this paper, we implement a reinforcement learning-based HPA in Kubernetes, and propose a transfer leanring technique using a queuing model-based simulation to accelerate the training of a reinforcement learning-based HPA policy. Pre-training using simulation enabled training the policy through simulation experience without consuming time and resources in the real environment, and by using the transfer learning technique, the cost was reduced by about 42.6% compared to the case without transfer learning technique.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.04b
• /
• pp.334-336
• /
• 2001

세선화 알고리즘의 간접 기법으로 제시된 자기구성 특징 그래프(Self-Organizing feature Graph : SOG) 기법은 안정된 세선화 결과를 가지는 장점이 있으나 학습 알고리즘에서 전체 노드를 재정돈하는 과정이 내포되어 있다. 본 본문에서는 학습 알고리즘의 재정돈 과정을 대신하는 점증적 정돈기법을 제안하고 이 기법을 세선화 알고리즘에 결합하여 실험하고 분석하였다. 제안된 알고리즘은 기존의 SO를 적용한 결과와 같은 우수한 세선화 결과를 얻으며 학습시간은 O((logM)$^3$)인 복잡도를 가진다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• fall
• /
• pp.13-14
• /
• 2021

본 논문은 생성모델의 학습데이터 제작기법에 대한 실험 및 결과와 향후 관련 연구의 방향을 기술한다. GAN으로 대표되는 생성모델이 아티스트에게 얼마만큼의 만족도와 영감을 주는지를 비교 실험 및 평가하기 위해서는 정제된 학습데이터가 필요하다. 하지만 현실적으로 아티스트의 작품은 데이터 세트를 만들기에는 그 수가 적고 인공지능이 학습하기에도 정제되어있지 않다. 2차 가공작업을 통하여 아티스트의 원본 작업과 유사한 데이터 세트의 구축은 생성모델의 성능향상을 위해 매우 중요하다. 연구의 결과 생성모델이 표현하기 어려운 스타일의 작가 작품을 선정한 뒤 최적의 학습데이터를 만들기 위한 다양한 실험과 기법을 통해 구축한 데이터 세트를 생성모델 알고리즘에 적용하고 실험을 통해 창작자의 작품제작 의도인 작가 진술에 최대한 유사한 이미지의 생성과 더 나아가 작가가 생각하지 못했던 창조적 모방의 결과물을 도출하였고 작가평가를 통해 높은 만족도를 얻었다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2020.07a
• /
• pp.724-726
• /
• 2020

본 논문에서는 GAN 과 자기 지도 학습(self-supervised learning)을 통해 입력 얼굴 영상의 공간 해상도를 4 배 증가시키는 기법을 제안한다. 제안하는 기법은 변형된 StarGAN v2 구조의 생성자와 구분자를 사용하여 저해상도의 입력 영상만을 가지고 학습 과정을 거쳐 고해상도 영상을 복원하도록 자기 지도 학습을 수행한다. 제안하는 기법은 복원된 영상과 고해상도 영상 간의 손실을 줄이는 지도 학습이 가지고 있는 단점을 극복하고 입력 영상만을 가지고 영상 내부에 존재하는 특징을 학습하여 얼굴 영상에 대한 고해상도 영상을 복원한다. 제안하는 기법과 Bicubic 보간법과의 비교를 통해 우수성을 검증한다.

• Annual Conference on Human and Language Technology
• /
• 2019.10a
• /
• pp.434-439
• /
• 2019

딥러닝 기반 분류 모델에 있어 데이터의 클래스 불균형 문제는 소수 클래스의 분류 성능을 크게 저하시킨다. 본 논문에서는 앞서 언급한 클래스 불균형 문제를 보완하기 위한 방안으로 적대적 학습 기법을 제안한다. 적대적 학습 기법의 성능 향상 여부를 확인하기 위해 총 4종의 딥러닝 기반 분류 모델을 정의하였으며, 해당 모델 간 분류 성능을 비교하였다. 실험 결과, 대화 데이터셋을 이용한 모델 학습 시 적대적 학습 기법을 적용할 경우 다수 클래스의 분류 성능은 유지하면서 동시에 소수 클래스의 분류 성능을 크게 향상시킬 수 있음을 확인하였다.