신원용 교수

빅데이터 시대에 데이터 문해력은 조직의 합리적 의사결정에 필수적인 역량이 되고 있다. 하지만 조직의 의사결정자들은 데이터 활용의 중요성을 인식하면서도 데이터 문해력이 부족하여 의사결정 과정에서 데이터를 충분히 활용하지 못하고 있는 실정이다. 지금까지 데이터 문해력에 관한 선행 연구들은 전문적인 데이터 기술을 이용하여 데이터 분석 결과를 생성하는 생산자 관점에서 데이터 문해력을 정의하고 역량을 기술하였다. 하지만 조직의 의사결정자는 데이터 분석 결과를 이해하고 해석하고 활용하는 이용자 관점의 업무를 주로 수행한다. 이에 본 연구는 문헌 조사와 검토를 통해 의사결정자에게 필요한 문해력을 정의하고 역량을 기술하는 개념적인 프레임워크를 개발하였다. 프레임워크를 통해 살펴본 바에 의하면, 의사결정자는 문제를 주도적으로 정의하고 데이터 전문가와 소통하고 협업할 수 있는 수준의 데이터 기술에 대한 기초적인 이해가 필요하다. 의사결정자에게 가장 중요한 데이터 문해력은 도메인의 전문 지식을 바탕으로

Large language model (LLM)-based recommender systems have achieved high-quality performance by bridging the discrepancy between the item space and the language space through item tokenization. However, existing item tokenization methods typically require training separate models for each item domain, limiting generalization. Moreover, the diverse distributions and semantics across item domains make it difficult to construct a unified tokenization that preserves domain-specific information. To ad

최근 네트워크 연구 분야에서 딥러닝을 적용한 네트워크 임베딩 기법이 소개되었는데, 노드 분류, 링크예측 등의 다운스트림 기계학습 문제를 해결하는 데있어 기존의 방법보다 효과적인 성능을 보이는 것으로 알려져 있다. 본 레터에서는 이 중 링크 예측 정확도를 개선하기 위해 기댓값 최대화 알고리즘을 네트워크 임베딩에 적용하는 방법을 제안한다. AUC 측점에서 제안한 방법의 우수성을 검증한다.

최근 네트워크 임베딩 기술을 사용하여 추천 시스템을 개발하는 연구가 활발히 이루어지고 있다. 하지만 대부분의 연구는 추천 정확도를 개선하는 방향으로수행되었으며, 정확도 이외에 사용자 만족도를 높이는데 있어 중요한 척도로 고려될 수 있는 다이버시티를개선하는 방향으로의 접근은 활발히 이루어지지 않은편이다. 본 레터에서는 네트워크 임베딩에 기반을 둔다이버시티를 개선한 협업 필터링 모델을 제안한다. 제안한 방법이 추천 정확도를 거의 떨어뜨리지 않으며intra-list distance (ILD) 및 aggregate diversity 측면에서 우수성을 검증한다.

최근 재활 치료 영역에도 딥러닝, 인공지능, 빅데이터 기술 등을 적용한 스마트 재활 치료 관련 기술 개발이활발하게 진행되고 있다. 본 논문에서는 그래프 구조를 보다 효과적으로 반영하는 그래프 신경망을 사용하여 환자개인별 특성에 맞는 개인맞춤형 재활 운동 추천 알고리즘 기술을 제안한다. 의료법에 의해 실제 환자 데이터 사용이 불가능한 관계로 본 연구에서는 무릎 질환 환자의 속성 데이터를 생성하고, 다양한 재활 프로그램을 선정하여데이터 교차 검증을 통해 환자-운동 간의 경험 데이터셋을 생성한다. 각 사용자에 대한 모든 아이템 예측 선호도중 가장 높은 개의 아이템을 추천하는 Top- 추천 시스템 시나리오에서 정밀도, 재현율, nDCG를 척도로 제안방법의 성능을 검증한다. 생성된 데이터셋 사용시 본 논문에서 제안하는 방법이 기존의 추천 알고리즘에 비해 모든 정확도 측면에서 더욱 우수함을 보인다.

퓨삿 분류는 레이블링이 되지 않은 샘플을 아주적은 샘플만 주어진 새로운 클래스로 분류하는 것이다. 다양한 베이스 클래스로 구성된 베이스셋을 활용한 여러 퓨삿 분류 방법들이 소개되었지만, 어떤 데이터를 베이스셋으로 활용하는 것이 더 효과적인지에대한 문제는 거의 다루어지지 않았다. 본 레터에서는타겟이 정해진 퓨삿 분류 문제를 효율적으로 해결하기 위해 유사도 기반 베이스 클래스를 선별하는 간단하고도 효과적인 방법을 제안한다. 실세계 데이터셋을사용한 실험을 통해 제안하는 베이스 클래스 선택 방법의 우수성을 검증한다.