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
- 허선
- 발행연도
- 2023
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수17
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
기계학습 과정에서 데이터의 특징 선택과 하이퍼파라미터 선택은 모델의 성능에 큰 영향을 미치기 때문에 기계 학습 과정에서 중요한 과정이다. 본 논문에서는 시계열 데이터 분류에 적용 가능한 통계량 특징 함수를 설명하고 시계열 데이터 분류의 특징 선택과 하이퍼파라미터를 최적화하는 방법을 제안한다. 시계열 데이터의 시계열 통계량 값을 계산하여 48개의 새로운 통계량 특징을 추출하고, 새롭게 추출된 특징을 사용하여 데이터의 클래스를 분류한다.
기존 연구에서는 베이지안 최적화 하이퍼밴드(BOHB)가 분류, 예측, 회귀 데이터에서 랜덤 서치(Random search) 기법보다 우수한 성능을 보였다. 본 논문은 베이지안 최적화(Bayesian optimization)와 하이퍼밴드(Hyperband)를 결합하여 고차원의 하이퍼파라미터 조합에서도 최적화가 가능한 BOHB를 사용하여 추출한 특징 선택 과정을 진행하고 기계학습 모델의 하이퍼파라미터 최적화를 수행한다. 다수의 데이터를 이용한 실험을 통해 제안한 BOHB가 시계열 분류에서도 랜덤 서치보다 성능이 우수함을 보였다.
기존 연구에서는 베이지안 최적화 하이퍼밴드(BOHB)가 분류, 예측, 회귀 데이터에서 랜덤 서치(Random search) 기법보다 우수한 성능을 보였다. 본 논문은 베이지안 최적화(Bayesian optimization)와 하이퍼밴드(Hyperband)를 결합하여 고차원의 하이퍼파라미터 조합에서도 최적화가 가능한 BOHB를 사용하여 추출한 특징 선택 과정을 진행하고 기계학습 모델의 하이퍼파라미터 최적화를 수행한다. 다수의 데이터를 이용한 실험을 통해 제안한 BOHB가 시계열 분류에서도 랜덤 서치보다 성능이 우수함을 보였다.
목차
제1장 서론 11.1 연구의 배경 11.2 연구의 목적 41.3 논문의 구성 4제2장 관련 연구 52.1 베이지안 최적화 하이퍼밴드 52.2 랜덤 서치 112.3 그리드 서치 132.4 시계열 분류 14제3장 특징 선택과 하이퍼파라미터 최적화 173.1 시계열 통계량 특징의 추출 과정 173.2 BOHB 적용 28제4장 실험에 의한 검증과 결과 304.1 실험 설계 304.2 데이터 셋 324.3 실험 결과 35제5장 결론 및 추후 연구 45참고문헌 47ABSTRACT 49
최근 본 자료
댓글(0)
0