Earticle

초록

영어

To efficiently provide cloud computing services to users over the Internet, IT resources must be configured in the data center based on virtualization and distributed computing technology. This paper focuses specifically on the problem that new training data can be added at any time in a wide range of fields, and new attributes can be added to training data at any time. In such a case, rule generated by the training data with the former attribute set can not be used. Moreover, the rule can not be combined with the new data set(with the newly added attributes). This paper proposes further development of the new inference engine that can handle the above case naturally. Rule generated from former data set can be combined with the new data set to form the refined rule.

한국어

인터넷을 통해 사용자에게 클라우드 컴퓨팅 서비스를 효율적으로 제공하기 위해서는 데이터 센터에 가상 화와 분산 컴퓨팅 기술을 기반으로 하여 IT 자원을 구성해야 한다. 본 논문은 폭넓은 분야에서 새로운 훈련 데이터 가 언제라도 추가될 수 있고, 또한 언제라도 훈련 데이터에 새로운 속성이 추가될 수 있다는 문제에 특별히 초점을 맞춘다. 이러한 경우, 기존 속성 집합들을 가지는 훈련 데이터로 생성된 규칙은 쓸모없게 된다. 더구나 새롭게 추가 된 데이터나 속성을 가지는 새로운 데이터는 기존 규칙과 결합될 수 없다. 본 논문은 이와 같은 경우를 자연스럽게 처리할 수 있는 보다 진보된 새 추론 엔진을 제안한다. 이 방법에서 기존의 데이터로 부터 생성된 규칙은 개선된 규칙을 생성하기 위한 새로운 데이터 집합과 결합될 수 있다.

목차

요약
 Abstract
 1. 서론
 2. 배경
  2.1 확장된 데이터 표현
  2.2 Weak 학습자로서의 UChoo 알고리즘
 3. 제안 알고리즘
  3.1 데이터의 융합
  3.2 앙상블 기반 알고리즘
 4. 실험
 5. 결론
 REFERENCES

키워드

분류 규칙 개선 결정 트리 속성 훈련 데이터 융합 UChoo Classification Rule Refinement UChoo Decision Tree Attribute Training Data Convergence

저자

• 이종찬 [ Jong Chan Lee | 청운대학교 인터넷학과 ] Corresponding author

참고문헌

발행기관

간행물