메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
허민오 (서울대학교) Dominik Jain (뮌헨공과대학교) Michael Beetz (뮌헨공과대학교) 장병탁 (서울대학교)
저널정보
Korean Institute of Information Scientists and Engineers 한국정보과학회 학술발표논문집 한국정보과학회 2010 한국컴퓨터종합학술대회 논문집 제37권 제2호(C)
발행연도
2010.11
수록면
245 - 249 (5page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
하이퍼네트워크 모델은 학습된 데이터 인스턴스를 회상(Recall) 하는 문제에 적합한 분산형 확률기반 연상 메모리로 정의될 수 있다. 이 모델은 회상 문제뿐만 아니라 분류 문제에도 폭넓게 적용되고 있으나, 무감독 학습에 쓰였던 파라미터 학습 방법[3]은 패턴의 빈도에 기반하였기 때문에 학습된 확률분포가 왜곡될 수 있음을 발견하였다. 이에 본고에서는 확률분포 학습 과정에서 문제가 발생하는 경우를 보이고, 마코프 랜덤 필드와 하이퍼네트워크 간의 단사함수적 연관성을 밝힌 후, 하이퍼네트워크와 마코프 랜덤필드 간에 변환하는 방법을 설명하고자 한다. 두 모델이 학습한 분포의 상태공간은 포함관계를 가지기 때문에, 학습된 하이퍼네트워크 모델을 마코프 랜덤 필드로 가져와 사용할 수 있고, 제약조건 하에서 학습된 마코프 랜덤 필드 모델을 하이퍼네트워크로 가져올 수도 있다. 이 연관성은 MRF와 HN 상호 간에 개발되어온 학습 기법들을 공유할 수 있다는 점에서 매우 고무적이다. 상기 언급한 분포학습 상의 왜곡을 방지하기 위해, 확률 그래프 모델의 파라미터 학습에 MRF 기법을, 구조학습에 HN 기법을 적용함으로써 상호보완이 가능할 것이다.

목차

요약
1. 서론
2. 하이퍼네트워크 모델(HN)
3. 마코프 랜덤 필드(MRF)
4. 하이퍼네트워크와 마코프 랜덤 필드 간의 연관성
5. 결론 및 향후 연구
감사의 글
참고문헌

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2012-569-003971770