내 신청현황
종류	모집공고명	진행상태
신청내용이 없습니다.

첨단기술정보

home
알림마당
과학기술정보분석
첨단기술정보

선호에 관한 다기준 의사결정 지원을 위한 분할 및 통계적 학습

전문가 제언: ○ 분할방법(Disaggregation Method)은 결심 예(Decision Example)로부터 선호(選好)정보를 끌어내고 그리고 의사결정 모델을 구성하기 위해 MCDA(Multicritera Decision Aid)에서 적용되고 있는 것이 일반적이다. 통계적 측면에서 보면 데이터마이닝(Data Mining) 및 기계학습(Machine Learning)은 자료로부터 주로 패턴(Patterns)을 인식하고 지식을 추출하는 유사한 문제를 취급하고 있다.

○ MCDA의 분할접근방법과 데이터마이닝/통계적 학습 둘 모두 다른 맥락에서 시작하여 유사한 문제를 해결하고 있다. 데이터마이닝은 통계적 관점에서 일반적인 예측모델 개발에 초점을 두고 있으며 통계적 학습은 방대하고 복잡한 자료집합에 대해 정확한 예측모델을 구현하기 위한 알고리즘을 개발할 목적으로 학습처리 이론에 초점을 둔다. MCDA의 분할접근방법은 적은 자료집합으로부터 포괄적인 의사결정 모델을 개발하는데 주안을 두고 있다. MCDA의 분할접근방법을 적용하는 의사결정 모델의 주목적은 상호작용 모델 조절처리를 하여 결심을 지원하는데 있다.

○ 두 이론적 틀에서 개념과 모델링에서 차이가 있음에도 불구하고 두 기법 간에 명백한 연계(連繫)가 존재하고 있다. 이 연구에서 두 분야 간에 상호작용이 있음을 보여주고 새로운 발전적인 기법을 개발할 수 있는 길을 열어주고 있다. 이 개선된 기법은 순수 데이터마이닝 면에서 예측목적을 적용하거나 아니면 복잡한 의사결정 문제에서 의사결정자(Decision Maker)를 돕기 위해 사용한다.

○ 앞으로 연구는 두 분야를 통합하는 길을 탐구하는데 초점을 두어야 할 것이다. 선호모델의 새로운 형태로 모델링하기 위하여 통계적 학습접근방법을 적용, 데이터마이닝 수단으로 포괄성을 증대, 분할분석을 통해 개발한 선호모델에 대한 확인, 규칙화 그리고 건전성에 대한 주제, 방대한 데이터집합(Data Set)에서 분할방법의 범용성(凡庸性) 그리고 새로운 모델을 혁신분야에 응용 등이 장차 연구에 주안을 두어야 할 어떤 명시적 과제라 할 수 있다.

저자: Michael Doumpos, Constantin Zopounidis
자료유형: 학술정보