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
- 이종석
- 발행연도
- 2022
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수54
이 논문의 연구 히스토리 (2)
2022
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
불균형 데이터에 대한 분류 모델 학습은 다수 클래스에 대한 예측 편향 문제를 발생시킨다. 클래스 불균형 문제를 해결하기 위한 방법 중 하나로 가상의 소수 클래스 데이터를 생성하는 SMOTE 계열의 오버샘플링 기법들이 존재하지만, 거리 기반의 방법이기 때문에 범주형 변수가 존재하거나 고차원 데이터의 경우에 적용의 한계점을 가진다. 한편, GAN(Generative Adversarial Network)을 활용함으로써 소수 클래스 데이터를 학습하여 생성하는 방법은 고차원 데이터에 대해서도 유사한 데이터를 생성할 수 있다. 하지만, 데이터에 범주형 변수가 많을수록 그리고 범주의 수가 많을수록 재현 성능이 저하되는 단점이 있다. 이를 극복하기 위한 방안으로, 본 연구에서는 범주형 변수 임베딩 방법인 CAT2VEC(Categories to Vectors)을 CTGAN(Conditional Tabular GAN)에 결합한 소수 클래스 데이터 재현 방법을 제안한다. CAT2VEC을 활용함으로써 데이터를 낮은 차원으로 축소할 뿐만 아니라 이진 분류를 위한 범주간의 관계를 반영할 수 있으며, CTGAN은 타겟 변수를 조건 벡터로 설정하여 조건별 학습 과정을 통해 소수 클래스와 매우 유사한 데이터를 생성할 수 있게 한다. 10개의 실제 불균형 데이터 대하여 기존 오버샘플링 기법들과 비교 실험을 진행한 결과, 본 연구의 제안 방법이 가장 우수한 분류 성능을 보였다.
목차
제 1 장 서 론 11. 연구의 배경 12. 연구의 필요성 및 목적 33. 논문의 구성 6제 2 장 관련 연구 71. 범주형 변수의 임베딩 방법 72. GAN 83. CTGAN 10제 3 장 제안 방법 121. 전처리 모듈 151) CAT2VEC 152) Mode-specific Normalization 212. CGAN 241) Conditional Vector 242) Generator Loss Function 253) Training-by-sampling 25제 4 장 실험 설계 및 결과 271. 실험 데이터 272. 오버샘플링 비교 기법 283. 평가 지표 284. 실험 결과 30제 5 장 결론 및 향후 연구 45참 고 문 헌 47부 록 51ABSTRACT 55
최근 본 자료
댓글(0)
0