상세 설명

현대 데이터 환경에서는 구조화된 데이터뿐만 아니라, 히스토그램, 범주형, 함수형 등 다양한 심볼릭 데이터가 등장하고 있습니다. 본 연구실은 이러한 복합 데이터에 적합한 벌점화 추정 방법론을 개발하고, 이를 기계학습 및 통계적 분석에 적용하는 연구를 활발히 수행하고 있습니다. 예를 들어, 히스토그램 값 데이터를 위한 딥러닝 기반 회귀모형(Deep Symbolic Learning), 히스토그램 머신(Support Histogram Machine) 등 새로운 분류 및 회귀 알고리즘을 제안하여, 기존의 벡터 기반 방법론이 가지는 한계를 극복하고 데이터의 분포적 특성을 효과적으로 반영할 수 있도록 하였습니다. 또한, 벌점화 추정 방법론은 변수 선택, 군집 분석, 이상치 탐지 등 다양한 통계적 문제에 적용되고 있습니다. 예를 들어, 엘라스틱 넷 벌점항을 이용한 비선형 지지벡터기계의 변수선택, 제약조건을 활용한 단순회귀분석, 심플렉스 제약을 반영한 마이크로바이옴 데이터 분석 등 실제 데이터에 최적화된 분석 방법을 개발하고 있습니다. 이러한 연구는 고차원, 다변량, 복합 데이터 환경에서의 해석력과 예측력을 동시에 향상시키는 데 중점을 두고 있습니다. 앞으로도 본 연구실은 심볼릭 데이터와 구조화 데이터의 통합 분석, 벌점화 기반의 새로운 기계학습 알고리즘 개발, 그리고 다양한 응용 분야(의료, 환경, 교통 등)로의 확장을 통해 데이터 과학의 새로운 패러다임을 제시할 계획입니다.

키워드

관련 이미지

관련 자료