전문어의 범용 공간 매핑을 위한 비선형 벡터 정렬 방법론

김준우; 윤병호; 김남규

추천

검색

질문

자료유형: 학술저널

저자정보: 김준우 (국민대학교) 윤병호 (국민대학교) 김남규 (국민대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제28권 제2호

발행연도: 2022.6

수록면: 127 - 146 (20page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (4)

2022

전문어의 범용 공간 매핑을 위한 비선형 벡터 정렬 방법론

김준우 , 윤병호 , 김남규 한국지능정보시스템학회 학술대회논문집 2022.06 학술대회자료

전문어의 범용 공간 매핑을 위한 비선형 벡터 정렬 방법론

김준우 , 윤병호 , 김남규 지능정보연구 2022.06 학술저널

오토인코더 기반 레이블 임베딩을 활용한 전문어얼라인먼트 방법론

김준우 , 김윤하 , 유예린 외 3명 대한산업공학회 춘계공동학술대회 논문집 2022.06 학술대회자료

오토인코더 기반 레이블 임베딩을 활용한 전문어얼라인먼트 방법론

김준우 , 김윤하 , 유예린 외 3명 한국경영과학회 학술대회논문집 2022.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 워드 임베딩이 딥러닝 기반 자연어 처리를 다루는 다양한 업무에서 우수한 성능을 나타내면서, 단어, 문장, 그리고 문서 임베딩의 고도화 및 활용에 대한 연구가 활발하게 이루어지고 있다. 예를 들어 교차 언어 전이는 서로 다른 언어간의 의미적 교환을 가능하게 하는 분야로, 임베딩 모델의 발전과 동시에 성장하고 있다. 또한 핵심 기술인 벡터 정렬(Vector Alignment)은 임베딩 기반 다양한 분석에 적용될 수 있다는 기대에 힘입어 학계의 관심이 더욱 높아지고 있다. 특히 벡터 정렬은 최근 수요가 높아지고 있는 분야간 매핑, 즉 대용량의 범용 문서로 학습된 사전학습 언어모델의 공간에 R&D, 의료, 법률 등 전문 분야의 어휘를 매핑하거나 이들 전문 분야간의 어휘를 매핑하기 위한 실마리를 제공할 수 있을것으로 기대된다. 하지만 학계에서 주로 연구되어 온 선형 기반 벡터 정렬은 기본적으로 통계적 선형성을 가정하기 때문에, 본질적으로 상이한 형태의 벡터 공간을 기하학적으로 유사한 것으로 간주하는 가정으로 인해 정렬 과정에서 필연적인 왜곡을 야기한다는 한계를 갖는다. 본 연구에서는 이러한 한계를 극복하기 위해 데이터의 비선형성을 효과적으로 학습하는 딥러닝 기반 벡터 정렬 방법론을 제안한다. 제안 방법론은 서로 다른 공간에서 벡터로 표현된 전문어 임베딩을 범용어 임베딩 공간에 정렬하는 스킵연결 오토인코더와 회귀 모델의 순차별 학습으로 구성되며, 학습된 두 모델의 추론을 통해 전문 어휘를 범용어 공간에 정렬할 수 있다. 제안 방법론의 성능을 검증하기 위해 2011년부터 2020년까지 수행된 국가 R&D 과제 중 ‘보건의료’ 분야의 문서 총 77,578건에 대한 실험을 수행한 결과, 제안 방법론이 기존의 선형 벡터 정렬에 비해 코사인 유사도 측면에서 우수한 성능을 나타냄을 확인하였다.

Recently, as word embedding has shown excellent performance in various tasks of deep learning-based natural language processing, researches on the advancement and application of word, sentence, and document embedding are being actively conducted. Among them, cross-language transfer, which enables semantic exchange between different languages, is growing simultaneously with the development of embedding models. Academia"s interests in vector alignment are growing with the expectation that it can be applied to various embedding-based analysis. In particular, vector alignment is expected to be applied to mapping between specialized domains and generalized domains. In other words, it is expected that it will be possible to map the vocabulary of specialized fields such as R&D, medicine, and law into the space of the pre-trained language model learned with huge volume of general-purpose documents, or provide a clue for mapping vocabulary between mutually different specialized fields. However, since linear-based vector alignment which has been mainly studied in academia basically assumes statistical linearity, it tends to simplify the vector space. This essentially assumes that different types of vector spaces are geometrically similar, which yields a limitation that it causes inevitable distortion in the alignment process. To overcome this limitation, we propose a deep learning-based vector alignment methodology that effectively learns the nonlinearity of data. The proposed methodology consists of sequential learning of a skip-connected autoencoder and a regression model to align the specialized word embedding expressed in each space to the general embedding space. Finally, through the inference of the two trained models, the specialized vocabulary can be aligned in the general space. To verify the performance of the proposed methodology, an experiment was performed on a total of 77,578 documents in the field of "health care" among national R&D tasks performed from 2011 to 2020. As a result, it was confirmed that the proposed methodology showed superior performance in terms of cosine similarity compared to the existing linear vector alignment.

#워드 임베딩 #사전학습 언어모델 #벡터 정렬 #레이블 임베딩 #Word Embedding #Pre-trained Language Model #Vector Alignment #Label Embedding

참고문헌 (34)

참고문헌 신청

Artetxe, M., G. Labaka, and E. Agirre, “Learning Principled Bilingual Mappings of Word Embeddings while Preserving Monolingual Invariance,” In Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing, (2016), 2289-2294.

Ashish, K., P. Jain, and R. Viswanathan, “Multilabel Classification using Bayesian Compressed Sensing,” Advances in Neural Information Processing Systems, (2012).

Biesialska, M. and M. R. Costa-jussà, “Refinement of Unsupervised Cross-lingual Word Embeddings,” arXiv:2002.09213, (2020). Bingyu, W., L. Chen, W. Sun, K. Qin, K. Li, and H. Zhou, “Ranking-based Autoencoder for Extreme Multi-label Classification,” arXiv: 1904.05937, (2019). Brown, T., B. Mann, N. Ryder, M. Subbiah, J. D. Kaplan, P. Dhariwal, ... and D. Amodei, (2020). “Language Models Are Few-shot Learners,” Advances in Neural Information Processing Systems, Vol.33, (2020), 1877-1901.

함께 읽어보면 좋을 논문

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

이 논문의 저자 정보

김준우

소속기관 인천대학교

주요연구분야 사회과학 > 경영학 공학 > 산업공학

논문수 5 이용수 356

윤병호

소속기관 국민대학교

주요연구분야 공학 > 산업공학 의약학 > 임상의학 > 산부인과학

논문수 4 이용수 311

김남규

소속기관 국민대학교

주요연구분야 공학 > 산업공학 TOP 1% 공학 > 전기전자공학 > 정보통신공학

논문수 96 이용수 23,441

이 논문과 함께 이용한 논문

[MUSEUM VISIT VOL.7] 국내 최초의 대학미술관, 서울대학교미술관

강소라 월간사진 2023 .02

이질형 그래프에서의 고차 구조 정보 활용을 위한 그래프 뉴럴 상미분 방정식

안성진 , 김명호 한국정보과학회 학술발표논문집 2022 .06

ResNet을 기반으로 한 Poisson-Boltmann 방정식의 풀이법

조광현 한국정보통신학회 종합학술대회 논문집 2022 .05

프레게와 유클리드 기하학

박준용 철학논총 2021 .07

복소 지수함수 기반 원통주사법을 이용한 근역장 - 원역장 변환 공식

류홍균 , 조용희 한국콘텐츠학회 종합학술대회 논문집 2004 .05

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2022-003-001628896

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (4)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (34)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)