• 한국멀티미디어학회논문지
• /
• 제12권11호
• /
• pp.1692-1700
• /
• 2009

본 논문에서는 메쉬 법선 벡터들의 방향 분포를 3차원 모델의 특징 기술자로 제안한다. 특징 기술자로써 요구되는 회전 불변을 주성분 분석법(PCA)으로 처리하고 잡음첨가에 강건하도록 메쉬 간략화를 수행한다. 표면적이 작은 면에 대한 정보가 특징 기술자를 구성하는데 더 적게 반영되도록 법선 벡터의 분포를 각 다각형의 면적에 비례하게 표본을 뽑아 법선 벡터에 가중치를 적용하고 보간하여 변별력을 높인다. 모델간의 유사도는 특징 기술자의 거리를 정규화한 확률 밀도 히스토그램의 L1-norm으로 측정한다. 제안한 방법이 기존 방법에 비해 검색 순위 평균(ANMRR)으로 나타낸 검색 성능이 약 17.2%, 정량적 변별 척도로 나타낸 검색 성능이 최소 9.6%에서 최대 17.5%까지 향상되었음을 알 수 있었다.

• 한국도서관정보학회지
• /
• 제47권1호
• /
• pp.361-382
• /
• 2016

국가과학기술지식정보서비스(NTIS)는 국가 연구 개발 사업에 대한 정보를 한 곳에서 서비스하기 위해 한국과학기술정보연구원(KISTI)에서 개발한 세계 최초의 국가R&D정보 지식포털이다. 본 연구에서는 현재 NTIS에서 제공하고 있는 정보서비스의 한계점을 짚어보고 일반 이용자의 정보 요구를 분석, 이를 만족시킬 수 있는 정보의 재구성 및 시각화 개선방안을 제안하고자 한다. 이를 위해 먼저 '일반 이용자'에 대한 정의를 명확히 하고 일반 이용자 집단을 세 그룹으로 세분화하여 각각의 예상되는 정보 요구 조건을 분석하였다. 또한 이용자 그룹별 정보 요구에 따른 '검색단계의 단순화'와 '원하는 정보의 시각화'라는 검색요구를 충족시키기 위한 정보시각화 결과를 예시를 통해 보였다. 나아가 기존 NTIS 정보 서비스를 활용하여 제안한 정보시각화의 구현 방안을 제시함으로써 실현 가능성을 타진하였다.

• 한국공간정보시스템학회 논문지
• /
• 제9권3호
• /
• pp.51-65
• /
• 2007

도로 네트워크 상의 이동 객체 궤적을 분석하기 위해서는 그것의 표현이 명확하게 정의되어야 한다. 도로 네트워크 상의 이동 객체 궤적을 표현하는 기존의 대부분의 방법들은 이동 객체 궤적을 그 궤적이 통과한 위치와 시간의 집합으로 복잡하게 표현한다. 이것은 이동 객체 궤적의 검색 등과 같은 분석을 처리할 시 많은 시간이 요구된다. 본 논문에서는 도로 네트워크 상의 관심 있는 지점(POI: Points of Interest)들에 초점을 두어 도로 네트워크 상의 이동 객체 궤적을 효율적으로 간략화 하는 방법을 제시한다. 본 논문에서 제시하는 방법은 도로 네트워크 상의 이동 객체 궤적이 통과한 POI의 수를 줄임으로써 궤적을 간략화 하며, 궤적이 간략화 된 후에도 그 궤적의 형태를 그대로 유지하도록 한다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.157-173
• /
• 2021

소비자의 욕구와 관심에 맞추어 개인화된 제품을 추천하는 추천 시스템은 비즈니스에 필수적인 기술로서의 그 중요성이 증가하고 있다. 추천 시스템의 대표적인 모형 중 협업 필터링은 우수한 성능으로 다양한 분야에서 활용되고 있다. 그러나 협업필터링은 사용자-아이템의 선호도 정보가 충분하지 않을 경우 성능이 저하되는 희소성의 문제가 있다. 또한 실제 평점 데이터의 경우 대부분 높은 점수에 데이터가 편향되어 있어 심한 불균형을 갖는다. 불균형 데이터에 협업 필터링을 적용할 경우 편향된 클래스에 과도하게 학습되어 추천 성능이 저하된다. 이러한 문제를 해결하기 위해 많은 선행연구들이 진행되어 왔지만 추가적인 외부 데이터 또는 기존의 전통적인 오버샘플링 기법에 의존한 추천을 시도하였기에 유용성이 떨어지고 추천 성능 측면에서 한계점이 있었다. 본 연구에서는 CGAN을 기반으로 협업 필터링 구현 시 발생하는 희소성 문제를 해결함과 동시에 실제 데이터에서 발생하는 데이터 불균형을 완화하여 추천의 성능을 높이는 것을 목표로 한다. CGAN을 이용하여 비어있는 사용자-아이템 매트릭스에 실제와 흡사한 가상의 데이터를 생성하여, 희소성을 가지고 있는 기존의 매트릭스로만 학습한 것과 비교했을 때 높은 정확도가 예상된다. 이 과정에서 Condition vector y를 이용하여 소수 클래스에 대한 분포를 파악하고 그 특징을 반영하여 데이터를 생성하였다. 이후 협업 필터링을 적용하고, 하이퍼파라미터 튜닝을 통해 추천 시스템의 성능을 최대화하는데 기여하였다. 비교 대상으로는 전통적인 오버샘플링 기법인 SMOTE, BorderlineSMOTE, SVM-SMOTE, ADASYN와 GAN을 사용하였다. 결과적으로 데이터 희소성을 가지고 있는 기존의 실제 데이터뿐만 아니라 기존 오버샘플링 기법들보다 제안 모형의 추천 성능이 우수함을 확인하였으며, RMSE, MAE 평가 척도에서 가장 높은 예측 정확도를 나타낸다는 사실을 증명하였다.