분류기의 조합을 위한 확장된 결정 템플레이트

전문가 제언

○ 분류기의 효율성과 정확도를 개선하기 위한 방법 중에 MCS는 여러 개의 분류기를 융합 또는 조합하는 것이다. 일반적으로 조합 시스템은 단일 분류기에 비해서 유연성, 정확성 및 일반성이 높다. 대분하여 조합 방법은 분류기 선택과 분류기 융합의 두 가지로 구분한다. 선택에서는 각 분류기가 특정 분야의 전문가로서 한 입력에 대해서 한 개의 분류기만 응답을 하고 융합에서는 각 분류기가 전체 문제를 다룬다.

○ 분류기를 조합하는 방법 중에서 결정 트리(DT)가 많이 사용되는데 논문에서는 전통적인 DT를 확장하여 각 기반 분류기의 최종 출력뿐만 아니라 중간 경로 자료를 동시에 참조하여 분류기를 융합하는 강건한 계획을 세운다. 중간 자료를 제공하기 위해서 각 기반 분류기는 신경망을 이루게 되고 DT의 구조도 이를 수용하기 위하여 변형된다.

○ 최상위 개념인 multiple classifier system을 검색하면 8,852편의 논문이 있는 큰 분야이고 이 중에서 selection은 6,299편 그리고 fusion은 1,877편으로서 한 입력에 대해서 한 분류기의 결과만 보는 것이 융합에 비해서 많이 사용되는 기법이다. fusion을 neural network로 제한하면 100편의 논문이 검색되었다. multiple classifier system은 일명 hybrid classifier system이라고도 부르는데 위와 같이 세분하여 검색해도 비슷한 비례가 유지된다.

○ fusion/neural network에서 검색된 100편의 논문 중에는 10편의 논문이 나오는데 이들은 일반적인 neural network나 또는 다른 분야에 적용된 것으로서 본 논문과 직접적인 관계는 없고 논문에서 인용된 한국인 논문도 없다. 그러나 multiple lassifier system/fusion으로 제한한 분야에서도 이 정도의 결과 있다면 neural network가 큰 분야임을 감안하면 neural network 전체에 대한 국내 연구는 활발하다고 생각된다.

저자

Mehdi Salkhordeh Haghighi, Abedin Vahedian , Hadi Sadoghi Yazdi

자료유형

학술정보

원문언어

영어

기업산업분류

정보통신

연도

2011

권(호)

38(7)

잡지명

Expert Systems with Applications

과학기술
표준분류

정보통신

페이지

8414~8418

분석자

김*창

분석물

• 분류기의 조합을 위한 확장된 결정 템플레이트.pdf [220,325 byte]

이미지변환중입니다.