4편의 한국어 분석 — 최신순으로 정렬했어요
의료 머신러닝에서 데이터셋은 종종 중복되거나 관련 없는 특징을 포함하므로, 특징 선택은 필수적인 전처리 단계입니다. 래퍼 기반 특징 선택에 메타휴리스틱 알고리즘이 유망한 결과를 보였지만, 조기 수렴 및 탐색 불안정성으로 인해 효과가 제한될 수 있습니다. 본 연구는 개체군 전이 전략을 기반으로 하는 의료 특징 선택을 위한 순차적 하이브리드 프레임워크를 제안합니다. 제안된 프레임워크는 세 가지 탐색 지향 메타휴리스틱(PSO, HHO, BSO)과 이진 Al-Biruni Earth Radius(bABER) 알고리즘을 통합합니다. 최적화 …
이 연구는 선전시 400개 공공건물의 2021년 시간당 전력 부하 데이터를 활용하여 1시간 후 전력 부하 예측 모델을 개발했습니다. 예측 성능과 입력 데이터 요구 사항 간의 균형을 맞추는 것이 중요하며, 총 3,504,000개의 시간별 관측치를 분석했습니다. 각 건물별로 시계열 분할(훈련 80%, 테스트 20%) 후, 각 알고리즘에 대해 통합 모델을 구축했습니다. 건물 특성, 시간 정보, 기상 관측치, 사회-공간적 맥락, 전일 부하 프로파일 등 35가지 예측 변수를 사용했으며, 훈련 기간 내 5겹 확장 창 교차 검증을 통해 전처리…
본 연구는 데이터 효율적인 반응 최적화를 위해 다변량 선형 회귀 모델을 지원하는 NaviCat ReaFS 프레임워크를 제안한다. ReaFS는 데이터가 적고 이질적이며 과적합 위험이 높은 소규모 데이터셋에서 반응 최적화 모델의 성능을 평가하고 개선하는 데 중점을 둔다. 이는 추가 실험 비용이 높은 촉매 반응 연구 분야에서 특히 중요하다. ReaFS는 특징 선택 방법론에 대한 체계적인 벤치마킹과 데이터, 특징 부분집합, 예측을 아우르는 진단 기능을 결합한다. 또한, 외삽 성능의 상호 보완적인 측면인 후보 복구율, 예측 정확도, 순위 …
재생에너지 시스템의 지능형 예측 프레임워크 개발 시 딥러닝 모델은 입력 특성 공간의 차원 문제와 하이퍼파라미터 설정 민감성이라는 두 가지 주요 난관에 직면합니다. 이는 계산 비용을 증가시키고 모델의 일반화 및 견고성을 저해합니다. 본 연구는 이러한 문제를 해결하기 위해 인지 기반 메타휴리스틱을 활용한 하이브리드 딥러닝-최적화 프레임워크를 제안합니다. 제안된 프레임워크는 특징 선택을 위해 이진 iHow 최적화 알고리즘(biHOW)을, 하이퍼파라미터 튜닝을 위해 연속형 iHow 알고리즘을 사용합니다. 두 알고리즘은 데이터 흡수, 정보…
