데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
세미-스트림 서브시퀀스 매칭을 이용한 온라인 머신러닝 |
| 영문제목(English Title) |
Online Machine Learning Using Semi-Stream Subsequence Matching |
| 저자(Author) |
이종학
Jong-Hark Lee
김홍지
Hong-Ji Kim
이기훈
Ki-Hoon Lee
|
| 원문수록처(Citation) |
VOL 36 NO. 02 PP. 0017 ~ 0027 (2020. 08) |
한글내용
(Korean Abstract) |
온라인 머신러닝(online machine learning)은 실시간 스트림 데이터를 이용하여 지속적으로 모델을 갱신하는 머신러닝 방법이다. 최근 시계열 데이터를 이용한 온라인 머신러닝 연구가 꾸준히 증가하고 있지만, 세미-스트림(semi-stream) 연산을 적용한 연구는 아직 부족하다. 세미-스트림 연산은 스트림 데이터에 디스크에 저장된 데이터를 결합하는 연산으로, 스트림 데이터와 유사한 패턴을 가지는 데이터를 함께 결합하기 위해 필요한 연산이다. 본 논문에서는 시계열 데이터에 대한 온라인 머신러닝의 예측 성능을 높이기 위해 세미-스트림 연산을 적용하고, 두 데이터를 결합하는 조건으로 서브시퀀스 매칭(subsequence matching) 연산을 이용한다. 실제 시계열 데이터를 이용하여 실험한 결과, 스트림 데이터만을 이용하는 방법에 비해 제안한 방법의 평균제곱오차(MSE)가 평균 6.61% 감소함을 확인하였다.
|
영문내용
(English Abstract) |
Online machine learning is a machine learning method that continuously updates models using the real-time stream data. Although online machine learning research using the time-series data has been steadily increasing, little attention has been paid to a semi-stream operation. A semi-stream operation combines the real-time data with disk-based stored data, which is required to combine the stored data having a pattern similar to the stream data. In this paper, a semi-stream operation is applied to enhance the prediction performance of the online machine learning, and a subsequence matching operation is used to combine the stream data with the stored data. The experimental results using a real-world time series dataset show that the proposed method reduces the average mean square error (MSE) by 6.61% compared with the method using only the stream data.
|
| 키워드(Keyword) |
온라인 머신러닝
서브시퀀스 매칭
세미-스트림
시계열 데이터
online machine learning
subsequence matching
semi-stream
time-series data
|
| 파일첨부 |
PDF 다운로드
|
