기계학습을 이용한 데이터스트림 환경에서의 개념 변화 검출 기법 :A method for detecting concept drift in data stream by using machine learning

김대원

추천

검색

자료유형: 학위논문

저자정보: 김대원 (연세대학교, 연세대학교 대학원)

지도교수: 임효상

발행연도: 2018

저작권: 연세대학교 논문은 저작권에 의해 보호받습니다.

이용수2

이 논문의 연구 히스토리 (2)

2018

기계학습을 이용한 데이터스트림 환경에서의 개념 변화 검출 기법

김대원 전산학과 2018.01 학위논문

2017

합성곱 신경망의 확률 벡터를 이용한 데이터스트림 환경에서의 개념 변화 검출 기법

김대원 , 김만수 , 임효상 한국정보과학회 학술발표논문집 2017.12 학술대회자료

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

초록· 키워드

오류제보하기

본 논문에서는 기계학습을 이용하여 데이터스트림에서 개념 변화를 검출하는 기법을 제안한다. 데이터스트림의 환경은 과거에 입력된 데이터들의 경향성이 이후에 입력되는 데이터들의 경향성을 보장하지 않는다는 특징을 갖는다. 기존의 데이터 마이닝, 기계 학습, 샘플링과 필터링 등의 데이터베이스 기반 응용들은 입력되는 데이터들이 고정된 상황에서 데이터들의 경향을 미리 파악한 뒤, 파악한 경향성을 바탕으로 이후의 동작을 수행하는 경우가 많다. 이러한 응용들을 데이터스트림 환경에 그대로 적용하는 경우, 기존의 데이터들과 다른 새로운 경향성을 가진 데이터가 입력되면 새롭게 입력되는 데이터의 경향을 제대로 반영하지 못하여 수행 성능 및 품질이 떨어지는 문제가 발생한다. 따라서 데이터스트림 환경의 응용들이 계속해서 성능을 유지하기 위해서는 새로운 경향성을 띠는 데이터가 입력되는 상황인 개념 변화를 정확히 검출하는 것이 중요하다.
본 논문에서는 데이터스트림에 입력되는 데이터들의 개념들 중 시퀀스에 집중하여, 입력되는 데이터들의 시퀀스가 변화하는 시점을 찾는 연구를 수행한다. 본 논문은 데이터스트림에 입력되는 데이터들 중 서로 유사한 데이터들은 시퀀스 또한 유사할 가능성이 높으며, 서로 유사하지 않은 데이터들은 서로 다른 시퀀스를 가질 가능성이 높다는 점에 착안하여 데이터와 시퀀스 사이의 관계를 패턴화한다. 데이터와 시퀀스 사이의 패턴에 따라 데이터를 분류한 결과들을 비교하는 방식으로 개념 변화를 검출하기 위하여 기계학습을 활용한다. 또한 의미 없는 변화는 무시하고 의미 있는 변화를 검출하기 위하여 개념의 일관성과 지속성을 고려하였다.
본 논문에서 제안하는 개념 변화 검출 기법은 다음과 같은 두 가지 과정으로 이루어진다. 첫번째 과정에서는 클러스터링 기법을 사용하여 데이터스트림의 패턴을 구분하고 데이터와 패턴의 관계를 기계학습을 통해 학습하고 분류한다. 두번째 과정에서는 이렇게 만들어진 기계학습 모델을 사용하여 현재 입력되는 데이터스트림의 개념을 식별하고, 일관성과 지속성을 검사하여 보다 정확하게 개념 변화를 검출한다. 먼저, 레이블 변화에 따른 시퀀스의 변화 수준을 정량적으로 측정하는 레이블 조정 방법을 제안하여 개념의 일관성을 검사하기 위해 활용한다. 다음으로 여러 개의 데이터들을 모아 이들 간의 개념의 일관성을 확인하는 방법을 제안하여 개념의 지속성을 고려한다.
실험을 통해 제안하는 기법이 데이터에 대한 사전 지식이 주어지지 않는 상황에서도 데이터스트림의 개념 변화를 정확히 검출함을 보였다. 이러한 결과로 볼 때 본 논문에서 제안하는 기법이 데이터스트림 환경에서 개념 변화를 검출하는데 유용하게 활용될 수 있을 것으로 판단한다.

In this thesis, we propose a method to detect concept drift in data stream by using machine learning techniques. In data stream, tendency of the input data continuously changes as time goes on. In many database applications such as data mining, machine learning, sampling and filtering, the processing can be performed based on the pre-grasped tendency since the input data is fixed. However, this approach cannot be directly adapted to data stream environments since performance of the applications can be decreased due to the lack of reflection of the current tendency of the input data. Therefore, in order to maintain good performance in data stream applications, it is important to accurately detect concept drift which means a situation where input data with new tendency appears.
Our proposed method focuses on data sequences in data streams and try to find the point where the sequence of input data changes. We model the relation between data tendency and data sequences as patterns based on the basic idea that similar data are likely to be similar in sequence. We exploit machine techniques in order to detect concept drifts by comparing the results of classifying data according to the pattern between data and sequence. We also consider consistency and persistence of concept to detect meaningful tendency changes and ignore meaningless tendency changes.
The proposed concept drift detection method consists of the two steps: machine learning step and concept drift monitoring step. In the first step, we first classify data sequences into similar patterns, and then make a classification model by using machine learning technique. In the second step, we use the classification model to identify the concept of the current input data stream, and then, examine consistency and persistence of the change to accurately detect concept drifts. For the consistency examination, we propose a label adjust method that quantitatively measures the degree of changes sequence. For the persistence examination, we consider multiple changes instead of a single change.
Throughout experiments, we show that the proposed method accurately detects the concept drift in data stream without prior knowledge of the data stream. From these results, we can conclude that the proposed methods can be useful for detecting concept drift in data stream environments.

#개념 변화 검출 #데이터스트림 #기계학습 #Concept Drift Detection #Machine Learning #Data Stream

최근 본 자료

전체보기

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 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)