인지과학 제 권제 호 모바일컨텍스트로그를사용한속성별베이지안 네트워크기반의랜드마크예측모델학습 이병길 임성수조성배 연세대학교컴퓨터과학과 모바일장비에서수집되는정보는개인의기억을보조하기위한수단으로활용될수있지만 그양이너무많아사용자가효과적으로검색하기에는어려움이있다 데이터를사람의기억과유사한에피소드방식으로저장하기위해중요이벤트인랜드마크를탐지하는것이필요하다 본논문에서는사용자에게새로운서비스를제공하기위해서다양한컨텍스트로그정보로부터자동으로랜드마크를찾아내는속성별베이지안랜드마크예측모델을제안한다 랜드마크예측정확도를높이기위해요일별 주간별로데이터를나누고다시수집된경로에따른속성으로분류하여학습을통해베이지안네트워크를생성하였다 노키아의로그데이터로실험한결과 베이지안네트워크를사용한방법이 을사용한방법보다예측성능이높았으며 주간별및요일별로설계한베이지안네트워크에비해제안한방법인속성별베이지안네트워크의성능이가장우수하였다 주제어 : 컨텍스트로그, 랜드마크, 속성별베이지안네트워크, 베이지안구조학습 이논문은 년도정부 교육과학기술부 의재원으로한국연구재단 신기술융합형성장동력사업의지원을받아수행된연구임 교신저자 연세대학교컴퓨터과학과 연구세부분야 인공지능
인지과학, 제 20 권제 4 호 서론 최근유비쿼터스기술의발전과함께다양한모바일기기와센서장비들이보급되고있다 이에따라서사람들이보고 듣고 느끼는것들에대한데이터를모바일기기와센서장비를통해서수집할수있게되었다 를통해서개인의위치정보를얻을수있고 각종환경센서를이용하여온도 습도등의환경정보를획득할수있으며 또한 다양한착용형센서를이용하여사용자의현재행동을추론할수있다 최근 의 프로젝트등모바일장비를통해서사용자의일상생활로그의분석과수집 관리하는연구가진행되고있다 모바일장비는개인성이강한장비이므로개인의기호나성향에따라적응되어특화될수있다 그리고 모바일장비는사용자가항상휴대하기때문에사용자의일상정보를효과적으로수집하고분석하여사용자의기억을증강시키는데도움을줄수있다 모바일장비로부터수집한라이프로그에는개인의기억을증강시킬수있는정보가많이있지만 각종센서로부터들어오는많은수의정보로부터사용자가원하는정보를찾는다는것은쉬운일이아니다 본논문에서는모바일장비로부터수집가능한컨텍스트정보를활용하여개인의하루생활에서자동으로랜드마크를찾아낸다 여기에서랜드마크란사용자가경험한많은이벤트들중특별한에피소드에대한기억에도움을주는핵심키워드를의미하며 의연구 에서제안된개념이다 랜드마크는인지과학분야의추출큐 를불러올때중요한역할을하는정보 라는개념으로부터파생되었으며 여기서는경험에피소드를기억할때중요한역할을하는정보를의미한다 컨텍스트정보는에피소드단위로재구성되며사용자의개인정보검색을향상시키는목적으로쓰인다 또한랜드마크는이벤트가발생한장소및시간 같이경험한사람 그리고이벤트가일어난시점전후 또는일어난동안에저장된이벤트들에대한정보에의해구성되고사용자가에피소드를기억하는데도움을준다 본논문에서는랜드마크를에피소드단위로재구성된컨텍스트정보의효율적인검색을위한핵심로그데이터로정의하고 확률기반추론모델인베이지안네트워크를사용한랜드마크예측모델을제안한다 이때 랜드마크예측의정확도를높이기위하여수집된데이터를요일별 주간별로분할하고 이를다시저장경로
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 속성에대해구별한후에베이지안네트워트모델을학습하는방법을제안한다 실제노키아의벤치마크로그데이터에대하여실험하여그성능을비교및평가한 다 배경및관련연구 1. 특이성추출 저장장치의용량증가 멀티미디어컨텐츠증가 개인컴퓨터를비롯하여모바일장비의사용자증가등으로관리해야하는정보가늘어나서사용자가과거에일어났던기억을떠올리기가힘들어지고있다 이로인하여사용자의이벤트캘린더정보로부터중요한정보 즉랜드마크를찾아내는기법이연구되고있다 마이크로소프트연구소의랜드마크예측과관련된연구모델에서는온라인캘린더정보와사용자정보를베이지안네트워크로학습하여랜드마크예측율에대한성능을평가하였다 개의노드로구성된온라인캘린더정보는 과 의베이지안구조탐색프로시저를통해서학습되었다 는사용자의일상생활을요약하여핵심사항만을볼수있도록구성한것으로만약사용자가요 표 1. 관련연구비교 마이크로소프트연구소 미디어연구실 목적 랜드마크예측모델설계 일상생활요약사용자요청자료검색 특정위치에서의상황예측 특징 사용자별로모델평가 종류의랜드마크사용 해당요소들간의관계분석오류데이터제거 데이터 온라인캘린더사용자정보 웹페이지 이메일 문서사용자정보 스마트폰의컨텍스트로그 방법 베이지안네트워크
인지과학, 제 20 권제 4 호 청한자료가있을경우대중적인랜드마크와개인적인랜드마크를검색조건에추가하여검색시간을단축시켜좀더밀접한관련이있는자료를결과로제공해준다 이연구에서사용한대중적인랜드마크란휴일 신문또는뉴스의중요한헤드라인을의미하고 개인적인랜드마크란개인이촬영한사진이나사용자가직접입력한중요한캘린더이벤트로정의된다 미디어연구실에서는스마트폰에서수집할수있는컨텍스트로그를사용하여 기반으로사용자의생활패턴을분석하여특정한위치에서의사용자모델링연구를진행하였다 이세연구에대한비교는표 과같다 마이크로소프트연구소의경우는사용자의변화에재빨리대응할수가없을뿐만아니라 사용자정보를사용자가직접입력해야하기때문에입력이잘못될경우예상하지못한결과가발생되는문제가있다 는제한된환경의데이터만을사용해서일상생활을요약하는데상대적으로과거기억에도움을주기에는한계가있다 마지막으로 미디어연구실의경우특정위치 집 직장 그외 에서사용자상황예측의대상이연구소직원이나그근처다른연구소직원들로한정되어특별한방법을사용하지않고단순히학습된상황을사용해분석평가한다 본논문에서는실시간으로들어오는데이터를토대로모바일장비환경에서정확한랜드마크를예측하기위하여속성별로다른베이지안네트워크를사용하는방법을제안한다 2. 베이지안네트워크 베이지안네트워크는변수들간의원인과결과관계를확률적으로모델링하기위한도구로서불확실한환경에서좀더신뢰성있는결과를추론하기위해쓰이는대표적인방법이다 이방법은그림 과같이변수를나타내는노드와변수사이의상관관계및인과관계를나타내는연결선 으로이루어져있는방향성비순환그래프 이다 베이지안네트워크 는연결선의집합 와변수의집합 로이루어지며파라미터 를가진다 변수들사이의연결선은확률적인의존관계를나타낸다 파라미터 는의존관계가있는변수들사이의조건부확률값을나타낸다 변수의개수가 인경우
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 으로정의되며연결선의개수가 인경우 으로정의된다 인연결선의경우변수 가변수 의부모가된다 각변수의부모들은 로정의한다 만약 가 이면 는사전확률만을가진다 그렇지않다면 는조건부확률을가진다 그림 1. 베이지안네트워크의예 조건부확률을나타내는테이블을가지고베이즈규칙 을이용해각노드의사후확률을계산한다 만약두노드사이의연결선이없다면두노드는서로독립적이라는의미로해석한다 노드의부모와확률값이정해지면조건부확률테이블을가지고계산을하게되는데 확률기반규칙시스템에비해훨씬적은양의연산으로확률추론이가능하다 그림 에서결합확률값인 는다음과같이계산한다 베이지안네트워크의추론은베이즈의규칙을통해계산하며다음과같이정의 한다
인지과학, 제 20 권제 4 호 와 는사전지식이며 는조건부확률이다 즉모든변수중에서관측이가능한변수들의집합을 라고하고관측이되지않았고관심의대상이되는변수들의집합을 라고하면이미사전에 가주어져있다고할때 의값을계산할수있다 베이지안네트워크의구조를설계하는것은전문가가변수들사이의의존관계중에서특히중요하고결합확률에큰영향을미칠것으로생각되는것들만선택적으로결정해주는과정을말한다 구조가결정되면전문가는해당변수들의조건부확률테이블을채워베이지안네트워크의설계과정을마무리한다 일반적으로해당도메인에대한전문적을지식을가진사람이필요하며그사람이꼭베이지안네트워크구조를직접설계할필요는없다 전문가는해당도메인에대한지식만을알려주고베이지안네트워크설계자가직접구조를설계할수있다 만약해당도메인에대한전문지식을획득하기가어렵다면변수들의 와같이데이터로부터직접학습하는방법이있다 이경우해당도메인으로부터데이터를수집해야하는어려움이있지만데이터를충분히얻을수있는곳이라면학습이좋은해결책이될수있다 그림 2. 베이지안네트워크의학습
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 속성별베이지안네트워크를이용한랜드마크예측모델 그림 은본논문에서제안하는랜드마크예측과정을보여준다 우선모바일장비를사용하여컨텍스트로그정보를수집한다 실제로수집된로그정보를베이지안네트워크에적용하고분류하기위해서각노드의이름과상태에맞게변경해주는연산을한다 전처리된컨텍스트정보는베이지안네트워크의성능을향상시키기위하여각요일에맞게분류하고후에각속성별 위치정보 환경정보 시스템정보 로분류한다 연구에비춰보면대부분의사람들은요일별로비슷한생활패턴을가지고있기때문에요일정보를데이터의분류기준으로사용하므로베이지안네트워크모델의노드에서제외되었고날짜정보는불확실한환경에서도좀더신뢰성있는결과를예측하기위하여제외하였다 요일과속성별로분류된데이터를사용하여각각에대해구조와파라미터를학습한다 각각속성별로학습된베이지안네트워크를요일별로구조를통합한다 이렇게통합된베이지안네트워크는데이터입력이들어오면동일한요일에해당하는베이지안네트워크를선택하여랜드마크인지아닌지에대하여예측한다 그림 3. 제안하는랜드마크예측방법 일상에서일어나는사건들은매우다양하여몇개의베이지안네트워크로모델링하려면설계가복잡해지고정확한모델링이어려워진다 일반적으로베이지안네트워크학습은 문제로서정확한방법으로해결할수없기때문에경험적방법들 로주어진문제를해결해야한다 문제는처리
인지과학, 제 20 권제 4 호 하고자하는데이터의수가증가함에따라서고려해야하는경우의수가기하급수적으로증가하므로 데이터의수를줄이게되면시스템의연산량을줄이며 정확도도높일수있다 본논문에서는베이지안네트워크의학습을효율적으로수행하고예측성능을높이기위하여데이터를요일별로나누고 베이지안네트워크구조를속성별로나누어학습하는방법을제안한다 제안하는방법은입력되는정보를각요일에맞게분류하고후에이를속성별 위치정보 환경정보 시스템정보 로분류한다 연구 에비춰보면대부분의사람들은요일별로비슷한생활패턴을가지기때문에데이터를분류하는기준으로사용하여예측에대한성능을높이기위해서독립된 을사용한다 또한요일정보를베이지안네트워크에포함해서구조학습을진행하는경우 복잡도 아크의수 계산량 가높아지고예측에더많은시간이소요된다 따라서본논문에서는요일별로분류하여 을생성하며 같은이유에서속성별로 을구성하고 각각속성별로학습된베이지안네트워크를다시요일별로구조를통합한다 본논문에서는예측모델학습방법으로탐욕적탐색방법을최적화한알고리즘인 알고리즘을사용하였다 기본적인알고리즘은그림 에서보듯이그리디기반휴리스틱알고리즘 를사용하여네트워크의구조를생성한다 는 를 의부모로연결한경우의점수에서이전점수를뺀차이값을나타내는행렬인데 값이가장큰 쌍을찾아서 아크를하나씩추가한다 이때방향성사이클이생기는것을막기위해서 의조상 가 의자손 의자식으로연결될수없도록 값을 로조정한다 그리고아크의연결로인해바뀐 의값을반영하기위해연결가능한아크 에대한 값을새롭게갱신한다 점수메트릭으로는그림 와같은 메트릭을사용하여 데이터와그래프간의적합도를계산한다 알고리즘은가장짧은경로를탐색할수있는협동적행동에근거하여처음에는다양한경로를조사하고설정하지만데이터에의한학습이계속진행될수록가장짧은경로만을설정하게되는최적화방법으로최근많이사용되고있는방법중하나이다 이와같은방법을사용하여컨텍스트로그데이터를학습한속성별베이지안네트워크는크게위치추론베이지안네트워크 센서추론베이지안네트워크 어
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 arg or 의부모 그림 4. 베이지안네트워크구조학습알고리즘 그림 5. K2 평가함수
인지과학, 제 20 권제 4 호 플리케이션추론베이지안네트워크로분류된다 특히위치요소 는시간요소 에많은영향을받기때문에속성을분 류할때위치추론베이지안네트워크에포함하여학습한다 그림 6. 속성별베이지안네트워크의예 위치추론 어플리케이션추론 그리고센서추론을위한속성별베이지안네트워크는각각랜드마크 랜드마크 랜드마크 의노드를추가로가지며 이노드들은각속성에대한랜드마크여부 참또는거짓 를상태값으로가진다 베이지안네트워크의노드를속성에따라서분류한후 구조학습을통해서각속성별베이지안네트워크를얻는다 그림 은학습된속성별베이지안네트워크의예를보여준다 이렇게얻어진세개의속성별베이지안네트워크는최종추론노드인랜드마크와랜드마크 랜드마크 랜드마크 의세노드를연결하여하나의베이지안네트워크로통합한다 그림 은이러한과정을거쳐최종적으로통합된베이지안네트워크의한예이다 본논문에서사용한예측방법은베이지안네트워크에서일반적으로사용되는
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 그림 7. 통합된속성별베이지안네트워크구조의예 정션트리알고리즘을사용한다 이알고리즘은그래프이론과확률이론사이의연결분석에기반을두는알고리즘으로실질적인 대신에정션트리데이터구조를사용하여랜드마크를예측한다 예측과정은수집된컨텍스트로그를시간과속성별로정리하여베이지안네트워크의증거변수로설정해서확률연산을진행한다 실험및결과 1. 실험환경 실험에는노키아데이터집합을사용하였다 노키아데이터집합은 개의세션으로 주에걸쳐토요일과일요일을제외한 일 동안기록된데이터이다 총 개의속성 표 으로구성된약 만개의데이터를전처리를통하여 개의속성 약 만여개의데이터로재구성하고 랜드마크여부를레이블링하였다 입력된데이터는결측치 가존재하지않는다
인지과학, 제 20 권제 4 호 표 2. 노키아데이터집합
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 선행실험을통해날짜정보와요일정보를포함해서베이지안네트워크를학습할경우복잡도 아크의수 계산량 가높아지고수행시간 구조학습및예측에소요되는시간 이길어지는것에비하여성능향상에는많은영향을주지못하였다 따라서이두요소를베이지안네트워크의노드에서제외하고실험을진행한다 데이터는요일에맞게분류한경우 요일별 와로그가발생한시간순서 주간별 로분류한경우로나누고이를다시속성별로학습한경우와그렇지않은경우로분류하여비교실험을진행하였다 다른기계학습도구와성능을비교하기위해서분류문제를해결할때널리사용되고있는 방법을사용하였다 각요일에맞게분류된데이터집합은학습을통하여설계된각각의베이지안네트워크에파일수만큼상호평가 를통하여성능을측정한다 월요일과수요일데이터의경우는 주의데이터를제외한 개의데이터가있고 금요일데이터는 주의데이터를제외한 개의데이터가있으므로 를적용하고 화 목 의경우는 개의데이터가모두있으므로 를적용한다 주간별로학습한경우는학습데이터를 주 주 주까지점차적으로늘려가면서베이지안네트워크를설계하여마지막 주에해당하는데이터를테스트데이터로사용하여랜드마크예측에대한성능을평가하였다 표 의 표 3. 실험방법에따른데이터분류 요일별 주간별 월 화 수 목 금 주 주 주 학습 주 주 주 테스트 실험방법 데이터있음 데이터없음
인지과학, 제 20 권제 4 호 경우에는속성별로는구분하지않고요일별과주간별로만구분하여실험을진행하였다 제안한방법에대한속성별베이지안네트워크모델은각각에대해서요일별모델총 개 요일에따른속성별모델 개 통합된속성별모델 개 와주간별모델 개 주에따른속성별모델 개 통합된속성별모델 개 를생성하여실험에사용하였다 비교실험모델로마이크로소프트연구소의방법 과같이속성을분류하지않고학습한베이지안네트워크모델과 모델은모델별로각각 개 요일별 개 주간별 개 를실험에사용하였다 랜드마크예측성능비교속성을분류하지않고학습된예측모델 그림 은데이터집합을통하여상관관계가다양하게발생하기때문에구조가복잡하지만속성별로구조를학습하고통합한모델 그림 의경우에는사전에복잡한데이터의연관관계를전처리한효과를가져와상대적으로단순하게구성된다 단순히예측모델의구조만비교하더라도복잡도가낮아진다는것을알수있다 그림 8. 학습된일반적인베이지안네트워크의예
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 그림 의요일별랜드마크예측율을보면본논문에서제안한방법이 방법과의예측율에서는큰차이를보이지는않지만상대적으로표준편차는작게나타나정확도면에서높은안정성을보여준다 데이터를분류하지않고학습한베이지안네트워크의경우제안한방법보다예측율과안정성면에서모두성능이낮다는것을알수있다 그림 9. 요일별랜드마크예측율 그림 10. 주간별랜드마크예측율
인지과학, 제 20 권제 4 호 그림 에서속성별로학습하지않은베이지안네트워크와 에대한주간별비교를보면 주의경우베이지안네트워크의경우 과다르게예측정확도성능이점점떨어지는것을알수있다 이는학습된데이터의양이적고다양한구성으로로그가기록될경우정확한예측이불가능하다는것을보여준다 하지만본논문에서제안한방법은데이터의양이많고적음에상관없이안정적으로높은성능을보여준다 이는속성별로분류한데이터가로그의다양성을낮춰랜드마크예측의정확도를높여주기때문으로해석할수있다 표 4. 속성별 vs 비속성별베이지안네트워크성능비교 요일별 주간별 속성구분 속성미구분 속성구분 속성미구분 예측율 표준편차 학습및예측평균 소요시간 시 분 초 아크의수 개 계산량 표 에서데이터의속성을구분하지않고학습한예측모델과속성을구분하고학습한예측모델의성능은모든면에서큰차이를보인다 데이터의속성을구분하지않은예측모델이제안한방법에비해요일별모델은학습및예측소요시간 약 배 아크의수 약 배 계산량 약 배 이높고 주간별모델은학습및예측소요시간 약 배 아크의수 약 배 계산량 약 배 에서성능이떨어지는것을알수있다 이에비해예측율과정확도는높은것을알수있다 전체적으로요일에맞는예측모델을사용한경우가주간별모델보다복잡도가낮고성능이높은것을알수있다 이러한결과를보이는이유는 미디어연구실에서수행한연구결과에비추어보면사람의생활패턴은요일별로유사하게나타나기때문으로추정된다
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 표 5. 베이지안네트워크 vs SVM 성능비교 요일별주간별 예측율 표준편차 학습및추론평균소요시간 표 의비교를보면전체적으로베이지안네트워크모델이 모델에비해성 능은비슷하지만오차범위와소요되는시간면에서높은성능을나타내는것을알 수있다 결론및토의 랜드마크예측과관련된기존연구들을보면여러장비들을사용하지않고한정된장비만을사용하여실험을진행하였기때문에장비를추가하거나모델을일반화시킬경우성능이떨어지거나기존모델을사용하지못하고새롭게설계해야하는문제가발생할수있지만본논문에서제안한방법은여러장비를각속성별로분류하여구조를설계했기때문에기존연구에비해모델확장에있어좀더용이하다 또한랜드마크예측을특정한날에초점을맞추지않고일반적인상황에맞는모델을설계하기위하여요일별랜드마크예측모델을제안하였고 실험을통해그유용성을확인하였다 향후과제로는본논문에서분석된랜드마크항목을일반사용자에게쉽게보여주고이해할수있도록하는응용프로그램개발과수집된데이터를실시간으로처리할수있는컨텍스트전처리시스템의개발이필요하다 그리고보다많은장비를활용하여다양한정보를수집해서랜드마크예측에대한정확도를향상시킬필요가있다 또한탐지된랜드마크를활용하는연구역시진행되어야할것이다 그리고속성구분이랜드마크추출에미치는영향을분석하기위해서 속성구분
인지과학, 제 20 권제 4 호 을통한랜드마크모델을구축하여제안하는속성구분 미구분 과의비교 평가가필요하다 참고문헌 다 다
이병길 임성수 조성배 / 모바일컨텍스트로그를사용한속성별베이지안네트워크기반의랜드마크예측모델학습 차원고접수 차원고접수 최종게재승인
인지과학, 제 20 권제 4 호 Byung-Gil Lee Sungsoo Lim Sung-Bae Cho