데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
전장 상황을 묘사하는 가설 간 관련성을 식별하기 위한 계층적 그래프 신경망 |
| 영문제목(English Title) |
Hierarchical Graph Neural Network for Identifying Relevance between Hypotheses that Describe Battlefield Situation |
| 저자(Author) |
나지혜
강준혁
이재길
이우신
진소연
김상민
Jihye Na
Junhyeok Kang
Jae-Gil Lee
Woosin Lee
Soyeon Jin
Sangmin Kim
조현수
주현진
진소연
신유경
이우신
신기정
Hyeonsoo Jo
Hyunjin Choo
Soyeon Jin
Yukyung Shin
Woosin Lee
Kijung Shin
|
| 원문수록처(Citation) |
VOL 38 NO. 02 PP. 0018 ~ 0028 (2023. 01) |
한글내용
(Korean Abstract) |
지휘관의 의사결정을 지원하는 지능형 지휘통제 체계의 중요성이 높아지고 있다. 이를 위해서는, 전장 상황 정보에 대한 지식베이스 구축이 필요한데, 최근 연구에서 전장 상황 분석용 가설 데이터 생성 방법이 제안되었다. 지휘관의 의사결정 지원을 위해서는 지휘관의 요구나 질문에 관련된 지식 요소를 추출할 수 있어야 하고, 이를 위해서는 가설 간의 관련성을 파악하여 관련된 정보를 추출하여야 한다. 하지만, 가설 내의 지식 요소들은 서로 계층적으로 연결되어 있어 일반적인 신경망으로는 가설 간의 관련성을 평가하는 것이 어렵다. 본 논문에서는 가설의 계층적인 구조를 활용하여 가설 내의 전장 지식 요소들을 효과적으로 집계하고, 이를 기반으로 두 가설의 관련성을 판단할 수 있는 계층적 그래프 신경망 상황 식별 학습모델을 설계하였다. 또한, 제안된 학습모델이 기본 학습모델보다 정확도가 우수하며, 특히 데이터의 40%만 학습에 사용하여도 높은 수준의 정확도를 달성할 수 있음을 실험을 통해 보였다. |
영문내용
(English Abstract) |
The importance of intelligent command control systems for supporting commanders in their decision-making processes becomes increasingly recognized. In order to establish an intelligent command control system, knowledge bases need to be constructed, and accordingly, a hypothesis-generation method for AI-based battlefield analyses was proposed in a recent study.
Since it is necessary to extract knowledge elements related to the commander’s needs or queries to support decision-making, we need to identify the relevance between hypotheses and extract only related ones. However, it is difficult for general neural networks or machine learning models to identify the relevance between hypotheses because the knowledge elements within the hypotheses are interconnected to each other with a hierarchy. In this paper, we propose a contextual learning model based on hierarchical graph neural networks that effectively aggregates battlefield knowledge elements within given hypotheses, by utilizing the hierarchical structure of the hypotheses, and accurately identifies the relevance between the hypotheses. Through experiments, we demonstrate that our model is more accurate than the two baseline approaches, and especially, it achieves a high level of accuracy even when it uses only 40% of the data for training.
|
| 키워드(Keyword) |
데이터 마이닝
패턴 마이닝
주기적 패턴 마이닝
이동 경로 데이터
Data Mining
Pattern Mining
Periodic Pattern Mining
Trajectory Data
전장상황 분석
전장상황 인식
그래프 신경망
인공지능
Battlefield Analysis
Battlefield Awareness
Graph Neural Network
Artificial Intelligence
|
| 파일첨부 |
PDF 다운로드
|
