지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 황규백
- 발행연도
- 2019
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (5)
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
인간의 유전자는 약 22,000 개로 상당히 많은 수에도 불구하고 서로 깊이 관련되어 있음이 알려져 왔다. 이를 바탕으로 소수의 랜드마크 유전자를 식별하여 목표 유전자의 발현량을 예측하는 연구가 있었으며, 이는 효율적인 유전자 발현 프로파일링(gene expression profiling)에 유용하다. 목표 유전자의 발현량을 예측하는 데에 주로 선형회귀 방법이 적용되어져 왔으며, 최근 심층 신경망을 이용한 방법이 선형회귀 방법보다 우수한 성능을 보였다. 본 연구에서는 목표 유전자의 발현량 예측을 위한 새로운 심층 신경망 구조와 이를 오토인코더 특징 추출을 이용하여 학습하는 방법을 제시한다. 실험에 사용된 데이터는 111,009 개의 프로파일로 구성되어 있으며, 본 연구에서 제시하는 방법은 기존의 심층 신경망 방법보다 오류율을 평균 약 7% 감소시켰다. 위 결과를 통해 오토인코더 특징 추출을 이용한 방법이 심층 신경망 학습의 속도와 정확성을 높일 수 있음을 보였다.
목차
국문초록 ⅴ영문초록 ⅵ제 1 장 서론 11.1 배경 지식 11.2 관련 연구 31.3 본 연구의 기여 4제 2 장 오토인코더 기반 특징 추출 심층 신경망 62.1 오토인코더 심층 신경망 62.2 오토인코더 기반의 사전 학습 심층 신경망 92.3 오토인코더 기반의 파인 튜닝 심층 신경망 11제 3 장 실험결과 123.1 실험 데이터 123.2 실험 절차 123.3 오토인코더 모델별 사전 학습 심층 신경망 비교 분석 143.4 오토인코더 파인 튜닝 심층 신경망 성능 비교 분석 173.5 모든 방법의 비교 18제 4 장 결론 24참고문헌 26
최근 본 자료
댓글(0)
0