DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | 이재길 | - |
dc.contributor.advisor | Lee, Jae-Gil | - |
dc.contributor.author | 김세원 | - |
dc.date.accessioned | 2021-05-13T19:36:41Z | - |
dc.date.available | 2021-05-13T19:36:41Z | - |
dc.date.issued | 2020 | - |
dc.identifier.uri | http://library.kaist.ac.kr/search/detail/view.do?bibCtrlNo=925060&flag=dissertation | en_US |
dc.identifier.uri | http://hdl.handle.net/10203/284907 | - |
dc.description | 학위논문(석사) - 한국과학기술원 : 지식서비스공학대학원, 2020.8,[iv, 44 p. :] | - |
dc.description.abstract | 시계열 데이터 표현학습은 주어진 시계열 데이터를 분류, 군집, 이상치 탐지 등의 특정 목적을 이루기 위해 벡터 표현으로 바꾸는 학습을 말한다. 시계열 데이터는 레이블링 된 데이터의 양이 충분하지 않기 때문에 비지도 학습이나 준지도 학습 방법이 선호되어 왔다. 최근에는 자연어 처리 기법 중 하나인 네거티브 샘플링을 활용하여 시계열 데이터에 대해 비지도 표현학습을 하였다. 하지만, 클래스의 숫자가 적을 때 비지도 방법으로 네거티브 샘플링을 사용할 경우, 클래스가 같은 데이터를 네거티브 샘플로 학습할 확률이 높기 때문에 인코더를 트레이닝할 때 왜곡이 생길 수 있다. 우리는 소량의 레이블 데이터를 사용한 준지도 학습 환경에서의 네거티브 샘플링 방법을 제안한다. 본 논문에서 제안하는 방법은 레이블링 된 데이터에서 다른 클래스를 가진 경우에 대해 네거티브 샘플링 손실 함수를 추가하였다. 제안한 알고리즘은 20~50%의 레이블링 된 데이터를 사용하였을 때 지도학습으로 훈련된 분류기와 비슷한 정확도를 가짐을 실험을 통해 보였다. 8 종류의 대표적인 일변수 및 다변수 시계열 데이터를 활용한 분류 실험에서 레이블링된 데이터를 사용하였을 때 기존의 비지도 학습 방법보다 1~49.8% 높은 정확도를 보였다. | - |
dc.language | kor | - |
dc.publisher | 한국과학기술원 | - |
dc.subject | 준지도 학습▼a시계열 데이터▼a표현 학습▼a분류▼a다변수 시계열 데이터 | - |
dc.subject | semi-supervised learning▼atime series▼arepresentation learning▼aclassification▼amultivariate time series | - |
dc.title | 시계열 데이터 분류를 위한 준지도 표현학습 | - |
dc.title.alternative | Semi-supervised representation learning for time series classification | - |
dc.type | Thesis(Master) | - |
dc.identifier.CNRN | 325007 | - |
dc.description.department | 한국과학기술원 :지식서비스공학대학원, | - |
dc.contributor.alternativeauthor | Kim, Sewon | - |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.