머신러닝 기법은 수학적 유도 없이도 효율적인 데이터 분석 도구를 제공한다. 데이터 중심적 LC 표현은 LC 관련 연구에 이러한 도구들을 활용하기 위해 높은 수요를 받고 있다. 본 연구에서는 조각별 선형 회귀(piecewise linear regression, PWLR)를 사용하는 새로운 데이터 지향적 LC 표현 모델을 제시한다. 이 표현은 개별 단위(base)에서 다른 관련 데이터와 함께, 머신러닝을 위한 데이터로서 직접 사용되도록 의도되었다. LC는 연결된 선분들의 연속으로서 벡터 형태로 표현되며, 선분의 위치와 개수는 최대 잔차에 의해 결정된다. 중요한 지점은 LC의 급격한 통과(rapid transit) 지점에서 결정된다. 과적합 문제를 피하기 위해 선분의 적절한 개수를 선택하는 데 베이지안 정보 기준(Bayesian information criterion, BIC)을 사용하였다. PWLR 모델을 LC 디스크립터로서의 타당성을 입증하기 위해, 근사 정확도와 표현의 일반성(representation generality)을 실험적으로 검증하였다. 그 결과, PWLR 모델은 개별 또는 대규모 무리의 LC를 표현하는 데 유리하며, 데이터 기반 접근법에 직접 적용 가능함이 밝혀졌다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.