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
- 김한준
- 발행연도
- 2023
- 저작권
- 서울시립대학교 논문은 저작권에 의해 보호받습니다.
이용수2
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
본 연구에서는 데이터 품질 향상을 목표로, 혼합형 데이터에 대한 균형잡힌 증강을 위한 BAMT-GAN(Balanced Augmentation for Mixed Tabular GAN)이라는 새로운 데이터 증강 기법을 제안한다. BAMT-GAN은 생성 모델, 클러스터링, 오버샘플링 기법을 결합하여 데이터 불균형 문제를 해결하며, 이를 통해 데이터의 다양성을 증가시키고 결과적으로 생성된 예측모델의 정확도를 향상시킨다. 이 기법은 유사한 특성을 가진 데이터를 클러스터링하고, CNN 기반 GAN 모델을 이용해 새로운 데이터를 생성하는 과정을 포함한다. 다양한 분류 알고리즘을 통합하여 정확한 예측값을 도출하고, 층화 추출법을 이용해 균형 잡힌 데이터셋을 최종적으로 구성한다. 우리는 의료, 마케팅, 금융, 환경 도메인에서 생성된 다양한 데이터셋을 활용하여 실험을 수행하였으며, 이를 통해 BAMT-GAN이 기존 데이터 증강 기법에 비해 데이터 불균형을 효과적으로 해결하고, 예측모델의 성능을 상당히 향상시킴을 확인하였다. 즉 BAMT-GAN을 활용한 데이터 증강 작업을 통해 고신뢰도 예측모델을 구축하는데 필요한 학습데이터의 품질을 대폭 향상시킬 수 있다.
목차
제 1 장 서 론 1제 1 절 연구의 배경 및 내용 1제 2 절 논문의 구성 3제 2 장 관련 연구 4제 1 절 데이터 증강 4제 2 절 생성 모델과 샘플링 기법 71. GAN 72. 샘플링 기법 : 오버샘플링과 언더샘플링 9제 3 절 데이터 증강 모델 연구 동향 101. GAN 기반 테이블 데이터 증강 모델 102. DeepSMOTE 12제 3 장 BAMTGAN : 혼합형 데이터 증강 기법 13제 1 절 개요 13제 2 절 혼합형 데이터 증강 기법 151. Record Clustering 152. Data Generation 173. Loss function 234. Classification 245. Augmentation 25제 4 장 실험 방법 및 결과 26제 1 절 실험 환경 261. 실험 데이터 262. 파라미터 설정 29제 2 절 실험 방법 30제 3 절 성능 평가 331. 분류 모델의 정확도 및 F1-score 332. Augmented Improvement 473. Augmentation 전/후 성능 비교 504. 증강 전/후 클래스 분포 비교 515. 샘플 크기에 대한 데이터 증강 영향 비교 536. 기존 모델과 제안 모델의 성능 비교 55제 5 장 결 론 60참 고 문 헌 61Abstract 65
최근 본 자료
댓글(0)
0