Development of an Artificial Neural Network-Based Sufficient Dimension Reduction Methodology Using Tensor Data
이공학학술연구기반구축(R&D) · 석사과정생연구장려금지원
2026년
2340066664
교육부
한국연구재단
연세대학교
이정민
1명
2026.09.01 ~ 2027.08.31
2026.09.01 ~ 2027.08.31
1,200만원
1,200만원
기초연구
대학
서울특별시 서대문구
수학 > 통계이론 > 비모수추론
현대 과학 및 산업에서는 다중채널 생체 이미지 (fMRI/EEG 시간-주파수 맵), 초분광 위성 이미지, 시공간적 환경 노출, 영상 스트림, 다방향 화학 센서 array와 같은 텐서 값 예측변수를 점점 더 많이 생성한다. 이러한 환경에서 단순한 벡터화는 다방향 구조를 파괴하고 일반적으로 심각한 p>>n 문제를 야기하여 불안정한 추정, 낮은 일반화 성능, 제...
본 연구는 텐서 구조를 보존하면서 비선형 관계 학습과 차원 축소를 동시에 수행할 수 있는 통합적 충분차원축소(SDR) 모델을 제안한다. 기존 텐서 SDR 방법은 인덱스 벡터를 Kronecker 곱으로 분해하여 차원 축소를 수행하지만, 반복적 절차에 의존하고 비선형 함수 학습, 차원 선택과의 통합이 어렵다는 한계가 있다. 이를 해결하기 위해 본 연구에서는 텐...
... 효율적으로 처리하면서도 비선형 구조를 유연하게 반영할 수 있다는 점에서 다양한 분야에 활용될 수 있다. 특히 자연스럽게 텐서 구조를 가지는 데이터에서 기존의 벡터화 기반 방법이 가지는 정보 손실 문제를 완화하고 보다 정교한 예측 및 해석이 가능할 것으로 기대된다. 또한 추천 시스템이나 네트워크 데이터와 같이 다차원 관계를 포함하는 데이터에서도 구조를 보존한 채 차원 축소를 수행함으로써 ...