Imbalanced data learning : advances in techniques and applications
Machine learning techniques, including deep learning, are renewing state-of-arts across many disciplines. However, many issues exist that need to be addressed for the application of these techniques to actual problems, such as medical diagnosis. A typical issue is imbalanced data, which refers to a state in which the distribution of a specific class among the accumulated data is much larger or smaller than that of the other classes. In the case of learning with imbalanced data, there is a risk of deterioration of the performance of the minority class because the learning is biased toward a majority class.
In this paper, we discuss the existing methods that address the issue of imbalanced data, and propose a new methodology using a generative adversarial neural network. The key idea of this method is a cooperative training loop of the generator and classifier, wherein the generator and classifier are trained alternately to gradually expand the decision region of the minority class. Additionally, three application studies in the biomedical field are conducted to discuss the effects and solutions of the imbalanced data, along with the significance of each study. Each applied study corresponds to the early diagnosis of dementia using neuropsychological assessment, extreme drowsiness detection based on brain waves, and electrocardiogram based biometric authentication. In summary, this paper examines the difficulties of learning caused by imbalanced data through practical application studies, and explores methodologies to solve them.
딥러닝을 포함한 기계학습 기법들은 여러 분야 전반에 거쳐 최고의 성능을 갱신하고 있다. 하지만 의료 진단 등과 같은 실제 문제에 적용하기 위해서는 해결해야할 사안들이 여전히 남아 있다. 대표적인 사안 중 하나로 본 논문에서 다루고자 하는 사안은 데이터 불균형성이다. 데이터 불균형성이란, 축적된 데이터들 중 특정군의 분포가 매우 많거나 매우 적은 상태를 지칭한다.
불균형성이 존재하는 데이터를 기반으로 학습이 진행될 경우, 다수 데이터에 치우친 학습 경향을 보이기 때문에 소수 데이터에 대한 성능이 저하될 위험성이 있다.
본 논문에서는 데이터 불균형성을 극복하고자 하는 기존 방법들을 논하고, 이들의 생성적 적대 신경망 기법을 활용하여 한계를 극복할 수 있는 새로운 방법론을 제시한다. 해당 기법은 생성 모델과 분류 모델의 유기적 학습을 통해 생성된 데이터들이 소수 데이터에 대한 성능 향상을 유도하도록 한다. 부가적으로 실환경 데이터를 활용하여 바이오메디컬 분야의 세 가지 응용 연구를 수행하였다. 각각 연구의 유의성과 함께 데이터 불균형성의 영향과 해결 방안에 대해 논하였다. 각각의 응용 연구는 신경심리검사를 활용한 치매 조기 진단, 뇌파 기반의 극도 졸음 탐지, 심전도 기반 생체 인증에 해당한다. 요약하자면, 본 논문은 데이터 불균형으로 인한 학습의 어려움을 실제 응용 연구들을 통하여 확인하고, 이를 해결하기 위한 방법론들을 탐구하였다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)