Earticle

본 연구는 2000년부터 2025년까지 KCI 등재 학술지에 게재된 마케팅 연구 키워드를 수집하여 텍스트 마이닝과 워드 임베딩 기반 분석을 통해 시기별 마케팅 트렌드를 체계적으로 분석하고자 한다. 시기별 로 초기 도입기, 확산기, 성숙기, 포스트 전환기로 구간을 구분하고, 키워드 빈도 분석 및 LDA 토픽 모 델링을 적용하여 주요 연구 주제 흐름을 도출하였다. 분석 결과는 디지털 전환, AI 기술 도입, 메타버 스 및 가상 공간 활용 등 시대별 기술 변화에 따라 주요 키워드와 전략적 초점이 변화하는 양상을 보 였다. 또한, 성과 및 조직 전략, 감성 기반 소비자 반응, 고객 충성도 및 관계 마케팅, 행동 유도 및 태 도 마케팅, 브랜드 신뢰 및 사회책임, 의사결정 및 정보처리 전략 등 여섯 가지 주요 전략 클러스터가 도출되었다. 본 연구는 데이터 기반 의미 분석을 통해 마케팅 연구의 다차원적 구조를 심층적으로 규 명하였으며, 향후 마케팅 전략 수립에 있어 실질적이고 통합적인 인사이트를 제공할 수 있음을 시사한다.

This study collected marketing research keywords published in KCI-listed journals from 2000 to 2025 and systematically analyzed temporal marketing trends using text mining and word embedding based approaches. The research period was divided into four stages initial adoption, diffusion, maturity, and post-transition and keyword frequency analysis along with LDA topic modeling were applied to derive the main thematic flows. The results revealed that major keywords and strategic focuses shifted in line with technological changes of each era, such as digital transformation, the adoption of AI technologies, and the utilization of metaverse and virtual spaces. Furthermore, six strategic clusters were identified: performance and organizational strategies, emotion-based consumer responses, customer loyalty and relationship marketing, behavior induction and attitude marketing, brand trust and social responsibility, and decision-making and information-processing strategies. This study provides an in-depth understanding of the multidimensional structure of marketing research through data-driven semantic analysis and suggests that the findings can offer practical and integrative insights for future marketing strategy development.

본 연구는 H해운사에서 제공받은 Starcool사의 실제 냉동 컨테이너 운영데이터를 분석하였다. H사의 현장 전문가와 인터뷰를 통해 4가지 고장 알람 중 Critical 및 Fatal Alarm만 고장으로 정의하였고, 냉동 컨테이너 특성상 모든 변수를 사용하는 것은 비용측면에서 비효율을 초래하는 것을 확인하였다. 이에 본 연구는 특성 중요도 및 PCA 기법을 통한 냉동 컨테이너 고장 탐지 방법을 제시한다. 모델의 성능 향상을 위해 XGBoost, LGBoost 등과 같은 트리계열 모델을 통해 변수 중요도(Feature Importance)를 기반으로 변수 선택(Feature selcetion)을 하고 선택 되지 않은 변수는 PCA를 사용하여 전체 변수의 차원을 축소시켜 각 모델별로 지도학습을 수행한다. 부스팅 기반의 XGBoost, LGBoost 기법은 본 연구에서 제안하는 모델의 결과가 62개의 모든 변수를 사용한 지도 학습의 결과보다 재현율(Recall)이 각각 0.36, 0.39씩 향상되는 되는 결과를 보였다.

This study analyzed the actual frozen container operation data of Starcool provided by H Shipping. Through interviews with H's field experts, only Critical and Fatal Alarms among the four failure alarms were defined as failures, and it was confirmed that using all variables due to the nature of frozen containers resulted in cost inefficiency. Therefore, this study proposes a method for detecting failure of frozen containers through characteristic importance and PCA techniques. To improve the performance of the model, we select variables based on feature importance through tree series models such as XGBoost and LGBoost, and use PCA to reduce the dimension of the entire variables for each model. The boosting-based XGBoost and LGBoost techniques showed that the results of the model proposed in this study improved the reproduction rate by 0.36 and 0.39 respectively compared to the results of supervised learning using all 62 variables.

본 연구는 주성분 분석을 통하여 출입인원에 대한 보안성을 확보방안을 제시하기 위함이다. 데이터를 수집하기 위해 K센터(IPS) 보안등급A∼E 출입구역 출입데이터를 바탕으로 BoxPlot와 주성분분석으로 통해 연구결과를 도출하였다. 주성분 분석을 수행하기 전에 공통성의 추출값에 대하여 다중공선성을 측정한 값인 분산팽창인수(VIF)가 2.902 이하이 므로 주성분분석을 해석하는데 문제가 없음을 확인하였다. 이를 바탕으로 주성분 분석을 실시하여 제 1 주성분의 고유 값 1.453, 제 2주성분의 고유값 1.283, 제 3 주성분의 고유값 1.142을 바탕으로 보안등급별 인원을 나누어 본 결과를 바 탕으로 보안등급별 인원을 Green-list, Blue-list, Red-list, Black-list로 구분하였다.

This study aimed at making a way of securing the access by using PCA. We got our result through using Box-Plot and PCA with the access data of the area of security level A~E at K(IPS)center. In order to perform PCA, We confirmed the extracted value of commonality has no problem in performing PCA because VIF is below 2.902. Based on this result, We classified people into Green-list, Blue-list, Red-list, and Black-list in a standard of security level with 1.453, as the eigen value of 1 main element, 1.283, as eigen value of 2 main elementm, 1.142, as the eigen value of 3 main element.

본 논문에서는 다양한 커널분류기법 들-단일커널 다중SVM, 다중커널학습(MKL), 일반화된 다중커널학습(GMKL)-에서 주성분분석의 효과를 기술한다. 주성분분석은 주요 정보를 유지하면서 상대적으로 불필요한 데이터를 제외하는 방법에 의해서 고차원데이터를 저차원으로 줄이기 위한 기법이다. 본 논문은 이러한 주성분분석이 실제적으로 다양한 커널분류기에 적용되는 지를 보여준다. 이러한 실험을 위해서 ADNI 데이터베이스에서 내려받은FreeSurfer 평균대뇌피질두께를 사용한다. 정상인과 경도인지장애, 알츠하이머병의 3가지로 분류하는 실험을 3 교차 검증을 통해 정확성을 구한다. 각 방법들의 비교 결과를 통해 주성분분석은 커널 분류 방법의 성능을 개선하는것을 확인하였다.

This paper proposes the effect of principal component analysis (PCA) on many kernel classification techniques, such as (i) Single kernel Multi-Class support vector machine (SVM), (ii) Multiple Kernel Learning (MKL) and (iii) Generalized Multiple Kernel Learning (GMKL). PCA is a sophisticated way to reduce the dimensionality of high dimensional data, specially the high dimensional imaging data, while keeping most of the informative representative dimensions and excluding the least important ones. The aim of this Paper is to figure out whether PCA is actually a good idea in practice with kernel classifiers or not, in order to find a better framework for classification and analysis of brain imaging features in the study of Alzheimer’s disease. For this experiment the data used is FreeSurfer mean cortical thickness dataset downloaded from the ADNI database (adni.loni.usc.edu) baseline data. The classification accuracy (in classifying the three classes CN, LMCI, AD) of comparative methods has been evaluated using 3-fold cross validation. As a result of this comparative study, we could observe that applying PCA on different kernel classification methods has improved the classification accuracy.

알츠하이머 병과 경도인지장애 같은 전조 증상의 조기 발견은 생명을 좀더 연장한다. 추측하건대 예방법 측정은 알츠하이머의 위험 요소들을 제거하는 치료를 할 수 있다. 바이오마커인 대뇌 수축은 sMRI의 영상에 있어 관찰되어 질 수 있다. sMRI는 GM 세션화 후에 형태계측학적 형태를 추출하는 것으로 사용되어진다. 따라서 새로운 접근은 MMSE 스코어에 따라 형태계측학적 형태들을 결합하여 정상적인 제어로부터 알츠하이머 환자의 경도(CDR-1_에서 심한 경도(CDR-0.5)의 진단을 위해 적용되어진다. 최근에 결합된 형태는 PCA를 이용한 차원적 문제를 제거한 후 제안된 SRAN과 Linear SVM으로 제공된다. 제안된 진단 지원 방법의 실험결과는 선형 SVM의 성층화 정밀도가 95.83%이고 높은 민감도와 특이성이 90%의 SRAN 분류기가 83.33%이다.

Early accurate detection of Alzheimer disease (AD) and its prognostic stage, i.e., Mild Cognitive Impairment (MCI) is getting more and more vital. The preventive measure could presumably treat to get rid of Alzheimer disease risk factors to generate. The bio-marker, cerebral atrophy could be observed in structural MR imaging (sMRI). Structural MRI imaging is used to extract morphometric features after Grey Matter (GM) segmentation. Finally a novel approach is applied for the diagnosis of very mild (CDR-0.5) to mild (CDR-1) alzheimer disease patients from normal controls combining morphometric features along with MMSE (Mini-Mental State Examination) score. The combined features are fed into recently proposed Self Adaptive Resource Allocation Network (SRAN) and Linear Support Vector Machine (L-SVM) classifier after getting rid of curse of dimensionality using principal component analysis. The experimental result of the proposed diagnosis support methods yield up to 95.83% stratification accuracy with Linear SVM and 83.33% with SRAN classifier along with high sensitivity and specificity above 90%.

최근 머신러닝 기반의 사이버 공격 탐지 및 분류 연구가 활발히 이루어지고 있으며, 높은 수준의 탐지 정확도를 달성하고 있다. 그러나 저 사양 IoT 기기, 대규모의 네트워크 트래픽 등은 IoT 환경에서 머신러닝 기반의 탐지모델 적용을 어렵게 하고 있다. 따라서 본 논문에서는 국방분야에서도 활용되고 있는 MQTT(Message Queuing Telementry Transport) IoT 프로토콜 환경에서 수집된 데이터세트를 대상으로, 차원축소 기법인 PCA(Principal Component Analysis)와 LightGBM(Light Gradient Boosting Model)을 이용하여 IoT 공격을 효울적으로 탐지 및 분류하는 방안을 제안하였다. 실험을 통해 제안하는 분류모델의 성능을 확인한 결과 원본 데이터세트를 약 15%로 축소하였음에도 원본 전체를 모두 사용한 모델과 거의 유사한 성능을 나타 냈으며, 본 논문에서 선정한 4가지 차원축소기법과의 비교 평가에서도 가장 우수한 성능을 나타냈다.

Recently, machine learning-based cyber attack detection and classification research has been actively conducted, achieving a high level of detection accuracy. However, low-spec IoT devices and large-scale network traffic make it difficult to apply machine learning-based detection models in IoT environment. Therefore, In this paper, we propose an efficient IoT attack detection and classification method through PCA(Principal Component Analysis) and LightGBM(Light Gradient Boosting Model) using datasets collected in a MQTT(Message Queuing Telementry Transport) IoT protocol environment that is also used in the defense field. As a result of the experiment, even though the original dataset was reduced to about 15%, the performance was almost similar to that of the original. It also showed the best performance in comparative evaluation with the four dimensional reduction techniques selected in this paper

구조적 MRI 영상은 여러 단 변량과 다변량 방법을 위해 그레이 메터 (GM), 화이트 메터 (WM), 뇌척수액 (CSF) 세션화 과정을 하고 난후 형태계측학적 특징을 추출하기 위해 사용한다. 새로운 접근 방법은 매우 가벼운알츠하이머 병에서 가벼운 알츠하이머병의 진단을 위해 적용된다. 간이정신상태검사에 따른 형태계측학적 특징과가우시안 복합 모델 파라미터를 결합하여 정상인으로부터 알츠하이머 병 환자로 분류하는 방법을 제안한다. 결합한특징은 주성분 분석 기법을 이용한 고차원의 저주를 제거한 후 다중 커널 SVM 분류기에 공급한다. 제안한 진단방법의 실험적 결과는 90%이상의 특성도와 고민감도에 따라 다중 커널 SVM을 가진 층화 정확도가 96%까지 최대산출한다.

Structural MRI(sMRI) imaging is used to extract morphometric features after Grey Matter(GM), White Matter(WM) for several univariate and multivariate method, and Cerebro-spinal Fluid (CSF) segmentation. A new approach is applied for the diagnosis of very mild to mild AD. We propose the classification method of Alzheimer disease patients from normal controls by combining morphometric features and Gaussian Mixture Models parameters along with MMSE (Mini Mental State Examination) score. The combined features are fed into Multi-kernel SVM classifier after getting rid of curse of dimensionality using principal component analysis. The experimenral results of the proposed diagnosis method yield up to 96% stratification accuracy with Multi-kernel SVM along with high sensitivity and specificity above 90%.

본 연구에서는 2002년부터 2020년 까지 연간 자료를 이용하여 한국의 온실가스 배출량과 ESG(Environmental, Social, Governance) 사이의 장・단기 관계를 살펴보았다. 먼저 10개의 ESG 변 수를 주성분 분석(Principle Component Analysis)으로 1개의 ESG 지수로 도출했다. 다음으로 온실가 스 배출량과 ESG 사이의 관계를 ARDL(Autoregressive Distributed Lag) 모형으로 분석했다. ARDL 모형 분석결과, 단기에는 GDP, 무역개방도는 온실가스 배출량에 양(+)의 영향을 미쳤다. 반면 ESG 와 금융발전, 기술개발은 온실가스 배출량에 음(-)의 영향을 주었다. 구체적으로, ESG가 1% 증가할 때 온실가스 배출량은 0.003% 감소했다. 기술개발 1% 변동은 온실가스 배출량을 0.88% 감소시켰다. 금 융발전은 0.55% 온실가스 배출량을 감소시켰다. GDP가 1% 증가할 때 온실가스 배출량을 0.47% 증가 시켰다. 글로벌 금융위기, COVID-19 팬데믹, 러시아와 우크라이나 전쟁 기간에는 온실가스 배출량이 장・단기에 걸쳐 각각 0.06%, 0.14% 감소했다. 이러한 연구 결과들을 토대로 ESG 제도 개선과 국제 사회의 환경규제에 능동적으로 대응한다면 국가경쟁력 제고에 도움이 될 것이다.

The purpose of this study was to examine the long run and short run relationship between greenhouse gas emissions and ESG in Korea using annual data from 2002 to 2020. First, one ESG index was derived by principal component analysis of 10 ESG variables. Through this, the relationship between greenhouse gas emissions and ESG was analyzed using an ARDL model. As a result of the ARDL model analysis, GDP and trade openness had a positive (+) effect on greenhouse gas emissions in the short run. On the other hand, ESG, financial development, and technology development had a negative (-) effect on greenhouse gas emissions. Specifically, when ESG increases by 1%, greenhouse gas emissions decrease by 0.003%. A 1% change in technology development can be interpreted as reducing greenhouse gas emissions by 0.88%. Financial development also reduced greenhouse gas emissions by 0.55%. When GDP increased by 1%, greenhouse gas emissions increased by 0.47%. During the CRISES (global financial crisis, COVID-19 pandemic, and war between Russia and Ukraine), when CRISES increases by 1%, greenhouse gas emissions decrease by 0.06% and 0.14% in the long and short run, respectively. As a result of empirical analysis of the Based on these findings, it will help improve the ESG system and actively respond to international environmental regulations to enhance national competitiveness.

Although the history of the game of Go is more than 2,500 years, the theoretical studies of Go are still insufficient. In recent years a lot of studies using Artificial Intelligent (AI) have been conducted, but they do not provide the prominent theoretical reality. We applied traditional Principal Component Analysis (PCA) algorithm to the Go openings, which are the early stage in Go, to analyze them especially focused on the Go game records of the Korean top 10 professional Go players. We firstly analyzed the number of most significant eigenvectors capturing most of variance. Experimental result shows that among the 361 eigenvectors the eight most significant eigenvectors capture most of the variance (96.2%). We secondly used PCA classifier with Euclidean distance to recognize a pro player's opening to a class obtained from the training openings. Result shows that the best average recognition rate of 22% is so much lower than the recognition rates reported in face recognition research.

우리는 무수히 많은 데이터 속에서 살고 있다. 다양한 데이터는 우리가 활동하는 모든 상황 속에서 만들어지 는데 빅데이터 기술을 통해 데이터의 유의미를 발굴한다. 유의미한 데이터를 발굴하기 위해 많은 노력이 진행 중이다. 본 논문은 주성분 분석(Principal component analysis) 기법으로 시계열 데이터의 추이 및 예측을 통해 인간이 더 나은 선택을 가능케 하는 분석 기법을 소개한다. 주성분 분석은 입력된 데이터를 통해 공분산을 구성하고, 데이터의 방향성을 추론할 수 있는 고유벡터와 고윳값을 제시한다. 제안하는 방법은 비슷한 방향성을 갖는 시계열 데이터 집합에서 기준 축을 구성하고, 데이터 집합을 이루는 각 시계열 데이터들의 방향성이 기준 축과 이루는 사잇각을 통해 다음 구간에 존재하게 될 데이터의 방향성을 예측한다. 본 논문에서는 가상화폐의 추이를 통해 제시한 알고리 즘의 정확도를 LSTM(Long Short-Term Memory)과 비교 검증한다. 비교/검증 결과 제안된 방법은 변동성이 큰 데이터에서 LSTM에 비해 상대적으로 적은 트랜잭션과 높은 수익(112%)을 기록하였다. 이는 상대적으로 정확하게 신호를 분석하여 예측했다는 의미로 볼 수 있으며, 보다 정확한 임계치 설정을 통해 더 나은 결과를 도출할 수 있을 것으로 기대된다.

We live in a myriad of data. Various data are created in all situations in which we work, and we discover the meaning of data through big data technology. Many efforts are underway to find meaningful data. This paper introduces an analysis technique that enables humans to make better choices through the trend and prediction of time series data as a principal component analysis technique. Principal component analysis constructs covariance through the input data and presents eigenvectors and eigenvalues that can infer the direction of the data. The proposed method computes a reference axis in a time series data set having a similar directionality. It predicts the directionality of data in the next section through the angle between the directionality of each time series data constituting the data set and the reference axis. In this paper, we compare and verify the accuracy of the proposed algorithm with LSTM (Long Short-Term Memory) through cryptocurrency trends. As a result of comparative verification, the proposed method recorded relatively few transactions and high returns(112%) compared to LSTM in data with high volatility. It can mean that the signal was analyzed and predicted relatively accurately, and it is expected that better results can be derived through a more accurate threshold setting.

본 연구는 서울시 자전거 인프라와 사고 위험성을 정량적으로 분석하였다. 자전거 도로 연 장, 이용률, 인구 수, 가해 및 피해운전자 사고 건수를 주요 변수로 설정하고, 상관관계 분석, KMeans 클러스터링, 주성분 분석(PCA)을 활용하였다. 분석 결과, 자전거 이용률과 사고 건수 간에 강한 양의 상관관계가 나타났으며, KMeans 클러스터링을 통해 세 가지 유형의 클러스터 (이용률-사고 건수 모두 높은 지역, 인구 많으나 사고 적은 지역, 인구와 이용률 모두 낮은 지 역)를 도출하였다. PCA 결과, PCA1은 인구와 도로 연장 길이, PCA2는 이용률과 사고 위험성 과 높은 관련성을 보였다. 본 연구는 사고 위험성이 높은 지역에 대한 인프라 개선과 안전 교 육 강화, 이용률이 낮은 지역에 대한 자전거 문화 확산 정책을 제안하며, 서울시 자전거 안전성 향상과 인프라 개선을 위한 기초자료로 활용될 수 있다.

This study quantitatively analyzed bicycle infrastructure and accident risks in Seoul. Key variables included bicycle road length, usage rate, population, and accident counts for both offenders and victims. Correlation analysis, KMeans clustering, and Principal Component Analysis (PCA) were utilized. The analysis revealed a strong positive correlation between bicycle usage and accident counts. KMeans clustering identified three types of clusters: high usage and high accident areas, high population but low accident areas, and low usage and low population areas. PCA results showed that PCA1 is related to population and road length, while PCA2 corresponds to usage rates and accident risks. This study proposes infrastructure improvements and safety education for high-risk areas, as well as promoting bicycle culture in low-usage areas, and serves as a foundational resource for enhancing bicycle safety and infrastructure planning in Seoul.

The NFT (Non-Fungible Token) market has grown rapidly, especially in the field of digital art and collectibles. However, significant price differences are often observed even among NFTs with similar traits, suggesting that valuation mechanisms involve more complex factors beyond rarity scores. This study examines the Azuki NFT collection to analyze how visual features, rarity attributes, and buyer behavior influence market prices. Metadata including traits, rarity scores, ownership information, and listing prices were collected and processed. By combining image embeddings with principal component analysis (PCA) and regression modeling, the study finds that both structured metadata and visual characteristics significantly impact pricing. These findings shed light on NFT pricing dynamics and suggest new approaches for data-driven asset valuation.

In this study, we proposed an Automated Writing Evaluation (AWE) system for Korean learner texts using a multi-view model. To address the linguistic complexity of Korean, the model represents the input text with various n-grams and combines the results of the base models trained on these features in a higher meta model to make the final prediction. The system outperformed the transformer-based AWE models, achieving an average accuracy of 83.5% and an average F1 score exceeding 82% across evaluation datasets. Furthermore, it maintained consistent performance across all proficiency levels and showed particularly better robustness on unseen data. In addition, the system enhances interpretability of the automatic grading by providing a confidence score for the prediction, the linguistic features using PCA analysis, and the n-gram tokens that contributed to the rating. This study is expected to provide practical help for teachers to evaluate learners' writing more efficiently and accurately.

최근 시계열 데이터를 통해서 예측하는 기술과 방법론은 급속도로 발전하고 있으며, 이는 국가 적, 사회적, 경제적 등 인류의 다양한 의사결정 문제를 효과적으로 해결해 주고 있다. 이처럼 과학적 인 분석 기법을 적용하기 위해서는 데이터의 질과 양이 중요한데 데이터의 양이 부족한 경우에는 기 계학습과 빅데이터 분석과 같은 과학적 방식에 적용하기가 매우 어렵다. 최근 신규 상장된 기업들의 주가 데이터는 그 양이 제한적이고, 이러한 데이터의 부족은 기계학습 및 인공신경망 모델의 학습에 있어 과소적합과 과적합 같은 문제를 일으킬 수 있다. 이 논문에서는 신규 상장 기업의 주가 데이터 를 확장하는 방법으로 Time-series Generative Adversarial Network(TimeGAN)을 적용하였다. TimeGAN은 시계열 데이터의 내재된 시간적 동적 특성을 모델링하여 실제와 유사한 합성 데이터를 생성할 수 있는 효과적인 방법을 제공한다. 우리는 이 모델을 사용하여 2019년부터 2023년까지 한국 주식 시장에 신규 상장 기업의 부족한 주가 데이터를 확장하고, 확장된 데이터에 대한 통계적 실효성 을 PCA, t-SEN 기법을 통해서 분석한 결과, TimeGAN을 통해 생성된 데이터는 원래 데이터의 통 계적 특성을 잘 보존하는 것으로 나타났다. 본 논문은 시계열 데이터가 부족한 상황에서의 데이터 확 장 기법에 대한 유용한 접근 방법을 제시함으로써, 금융 시장 분석 및 예측에 있어 새로운 가능성을 열어주길 기대한다.

Recently, technologies and methodologies for predicting through time series data are rapidly developing, and they are effectively solving various decision-making problems of humanity such as national, social, and economic. In order to apply such a scientific analysis technique, the quality and quantity of data are important, but when the amount of data is insufficient, it is very difficult to apply it to scientific methods such as machine learning and big data analysis. The amount of stock price data of newly listed companies is limited, and the lack of such data can cause problems such as underfitting and overfitting in learning machine learning and artificial neural network models. In this paper, Time-series Generative Adversarial Network (TimeGAN) was applied as a method to expand the stock price data of newly listed companies. TimeGAN provides an effective way to generate synthetic data similar to the real world by modeling the inherent temporal and dynamic characteristics of time series data. We used this model to expand the stock price data of newly listed companies in the Korean stock market from 2019 to 2023, and analyze the statistical effectiveness of the expanded data through PCA and t-SEN techniques, and found that the data generated through TimeGAN well preserves the statistical characteristics of the original data. This paper is expected to open new possibilities in financial market analysis and prediction by presenting a useful approach to data expansion techniques in the context of lack of time series data.

기후변화조건에서 구상나무의 생태적 변화를 파악하기 위해 5년 동안 대조구(야외)와 RCP 4.5에 근접하게 온도 및 CO2를 상승시킨 기후변화처리구에서 생육 및 생리적 반응을 분석하였다. 그 결과, 기후변화처리구에서 구상나무의 년생별 가지 길이는 시간이 지날수록 증가하는 경향이 나타났다. 그리고 기후변화 조건은 구상나무 잎의 형태적 차이 에는 큰 영향을 주지 않지만, 잎의 생물량에는 영향을 주어, 기후변화가 진행될수록 구상나무의 잎 생산성이 저하될 것으로 예상되었다. 한편, 기후변화 조건에서 구상나무의 엽록소 함량은 기후변화처리구에서 높은 반면, 광합성률, 기 공전도도, 증산율, 그리고 수분이용효율은 대조구가 더 높게 나타났다. 이는 온도와 CO2가 상승된 환경이 기공밀도 증가에 영향을 줄 수 있으나, 광합성 반응에는 부정적 영향을 주는 것으로 예상된다. 향후 이를 확인하기 위해 각각의 환경 처리에서 기공 밀도에 대한 추가적인 연구가 필요할 것으로 판단된다. 한편, 본 연구에서는 잎의 생물량 변화만 관찰하였기 때문에 기후변화 조건 하에서 구상나무의 생물량 변화에 대한 추가적인 실증 연구가 고려되어야 할 것으 로 사료된다. 결과적으로 장기간 상승된 온도와 CO2에서 구상나무의 환경 적응력은 약화될 것으로 판단된다.

To assess the ecological changes of Korean fir (Abies koreana E. H. Wilson) under climate change conditions, growth and physiological responses were analyzed over a 5-year period in a control group (outdoors) and in a treatment group where the temperature and CO2 levels were elevated to closely resemble RCP 4.5 conditions. The results showed an increasing trend in annual branch length of A.koreana in the climate change treatment group over time. While climate change conditions did not significantly impact the morphological differences of A.koreana leaves, they did influence the biomass of the leaves, suggesting that as climate change progresses, the productivity of A.koreana leaves may decline. On the other hand, the chlorophyll content in A.koreana under climate change conditions was higher in the climate change treatment group, whereas the photosynthesis rate, transpiration rate, water use efficiency and stomatal conductance was higher in the control group. This suggests that an environment with elevated temperature and CO2 could influence an increase in stomatal density, but having a negative impact on photosynthetic reactions. Further research on stomatal density under each environmental treatment will be required to confirm this hypothesis. Additionally, as this study only observed changes in leaf biomass, further empirical research should be considered to understand the changes in biomass of A.koreana under climate change conditions. In conclusion, the environmental adaptability of A.koreana is expected to weaken in the long term under elevated temperatures and CO2.

유동적인 사용자와 방대한 자료간의 효율적인 접근제어를 위하여 RBAC 시스템을 많이 이용하고 있다. RBAC의 특징은 사용자의 역할에 따라서 접근할 수 있는 정보의 권한이 부여되고, 사용자는 접근권한을 부여받은 정보에만 접근을 허용한다. RBAC 환경에서 일반적으로는 정보의 접근통제가 잘 이루어지는 것처럼 보이지만 정보를 의도적 으로 오용 또는 악용할 수 있다는 문제점이 존재한다. 따라서 본 논문에서는 주성분분석을 이용하여 RBAC 접근제 어의 오용 가능성이 높은 것을 탐지할 수 있는 시스템을 제안한다.

The RBAC system is widely used for efficient access control between flexible users and massive data. The characteristic of RBAC is that the information to be accessed is granted according to the user's role, and the user is allowed access only to the information for which he or she has been granted access. In the RBAC environment, information access control seems to be generally well done, but there is a problem that information can be intentionally misused or abused. Therefore, in this paper, we propose a system that can detect a high possibility of misuse of RBAC access control using principal component analysis.

기술 트렌드가 증가함에 따라, 엄청난 양의 데이터가 생성되고 있습니다. 많은 양의 데이터가 소비되는 기술 분야 중 하나는 컴퓨터 비전이다. 인간은 기계와 비교할 때 시각에 영향을 미치는 표정, 조명 또는 시야각과 같은 외부 조건에서도 얼굴이나 사물을 쉽게 감지하고 인식할 수 있다. 그 이유는 그것과 관련된 높은 차원 의 데이터 때문이다. 데이터 차원성은 모든 관측치에서 측정되는 변수의 총 수를 말합니다. 이번 사업은 안 면인식시스템에 적합한 다양한 차원감소 기법을 비교하고 조도가 다양한 안면이미지로 구성된 다양한 데이 터세트로 테스트해 모델의 정확도 향상에 도움이 되는 기법의 앙상블 모델을 제안하고 성능을 측정하는 것 이 목적이다.렉스 배경과 표현. 제안된 앙상블 모델은 주성분 분석(PCA)과 로컬 선형 임베딩(LLE)이라는 두 가지 차원 감소 기술의 혼합에서 벡터를 추출하고, 이를 밀도 높은 컨볼루션 신경망(CNN)을 통해 전달하여 야생 면(LFW) 데이터 세트의 얼굴을 예측한다. 이 모형은 0.95의 검정 정확도와 0.94의 검정 F1 점수로 수행 됩니다. 제안된 시스템은 시스템이 얼굴을 예측할 수 있는 제안된 앙상블 모델과 통합된 웹캠에서 라이브 비 디오 스트림을 캡처하는 플라스크를 사용하여 개발된 웹 앱을 포함한다.

With increasing trends in technology, there is a huge volume of data that is being created. One field in technology in which high amount of data is consumed, is computer vision. Human beings are able to detect and recognize faces or objects with ease even with external conditions such as expressions, illuminations or viewing angle affecting the sight when compared to the machines. This is because of high dimensions of data associated with it. Data dimensionality is refered to as total number of variables being measured in every observation. This project aims to compare different applicable dimensionality reduction techniques suitable for facial recognition system and propose an ensemble model of such techniques that will help improving the accuracy of the model and gauge the performance by testing it with different datasets consisting of facial images with varying illuminations, complex backgrounds, and expressions. The proposed ensemble model extracts feature vectors from a hybrid of two dimensional reduction techniques – Principal Component Analysis (PCA) and Locally Linear Embedding (LLE), and pass them through dense Convolutional Neural Network (CNN) to predict faces on the Labelled Faces in the Wild (LFW) dataset. The model performs with a testing accuracy of 0.95 and a testing F1 score of 0.94. The proposed system involves a webapp developed using Flask that captures a live video stream from a webcam which is integrated with the proposed ensemble model that allows the system to predict the face.

알츠하이머 병의 효과적이고 정확한 진단은 현재 중요한 관심사이다. 알츠하이머 병 (Alzheimer 's disease, AD) 은 기억력과 행동 또는 행동과 같은 뇌의 작용 기능에 영향을 미치며 결국 노인들에게 치매를 유발하는 신경 전달 물질, 뇌 세포 및 뇌 신경을 주로 공격하는 신경퇴행성 뇌무질서가 높게 진행된다. 그것은 치료가 불가능한 심한 신 경학적 뇌 질환이지만, 알츠하이머 병의 조기 발견은 적절한 치료와 뇌 조직 손상 예방에 도움이 될 수 있다. 알츠하 이머 병의 탐지 및 분류는 어렵다. 이 논문에서는 뇌 MRI 데이터 분석을 이용한 새로운 알츠하이머 병 진단 및 분 류 모델을 제안한다. 고해상도 3 차원 sMRI 이미지는 100 명의 AD 환자와 316 명의 정상인 (HC)으로부터 수집 되었다. 대뇌 피질의 세션화를 위해 자동화 된 Freesurfer 소프트웨어 패키지를 사용한다. 따라서 총 66 개의 대 뇌 피질의 뇌 세분화 특징이 자동으로 추출한다. 그 후, 주성분 분석 (PCA)이 차원 감소 목적으로 사용되고 SVM (Support Vector Machine) 및 FNN (Feed Forward Neural Network)을 적용하여 분류 프로세스를 수행한 다. OASIS 데이터셋에 대한 실험은 특징 선택 접근법을 사용하는 SVM이 AD 및 HC 대상의 분류 정확도를 크게 향상시킬 수 있음을 보여준다.

Effective and accurate diagnosis of Alzheimer’s disease is currently of significant interest. Alzheimer’s disease (AD) is a highly progressive, neurodegenerative brain disorderliness that mainly attacks neurotransmitters, brain cells and brain nerves, affecting the working functions of brain such as its memory and actions or behaviours, finally causing dementia on ageing people. It is a severe neurological brain disorder, which is not curable, but earlier detection of Alzheimer’s disease can be helpful for proper treatment and prevent brain tissue damage. Detection and classification of Alzheimer’s disease are challenging. In this paper, a new Alzheimer’s disease detection and classification model using brain MRI data analysis are presented. High-resolution three-dimensional sMRI images were acquired from 100 AD subjects and 316 Healthy controls (HC). To segment the sub-cortical brain, a fully automated Freesurfer software package is calculated. Finally, 66 sub-cortical brain segmentation features are automatically extracted. After that, Principal component analysis (PCA) is used for dimensionality reduction purpose and a classification process is performed by applying Support vector machine (SVM) and Feed Forward neural network (FNN). Experimental results on the OASIS dataset show that SVM with feature selection approach could significantly improve classification accuracy of AD and HC subjects.

데이터 전처리 기법 중 하나인 특징 선택은 대규모 데이터셋을 다루는 다양한 응용분야에서 주요 연구 분야 중 하나로 각광받고 있다. 특징 선택은 패턴 인식, 기계학습 및 데이터 마이닝에서 사용됐고, 최근에는 텍스트 분류, 이미지 검색, 침입 탐지 및 게놈 분석과 같은 다양한 분야에 널리 적용되고 있다. 제안 방법은 메타 휴리스틱 알고리즘 중의 하나인 유전 알고리즘을 기반으로 한다. 특징 부분 집합을 찾는 방법은 크게 필터(filter) 방법과 래퍼(wrapper) 방법이 있는데, 본 연구에서는 최적의 특징 부분 집합을 찾기 위해 실제 분류기를 사용한 평가를 하는 래퍼 방법을 사용한다. 실험에 사용한 훈련 데이터셋은 클래스 불균형이 심하여 희소클래스에 대한 분류 성능을 높이기 어렵다. SMOTE 기법을 적용한 훈련 데이터셋을 사용하여 특징 선택을 하고 다양한 기계학습 알고리즘을 사용하여 선택한 특징들의 성능을 평가한다.

Feature selection, one of data preprocessing techniques, is one of major research areas in many applications dealing with large dataset. It has been used in pattern recognition, machine learning and data mining, and is now widely applied in a variety of fields such as text classification, image retrieval, intrusion detection and genome analysis. The proposed method is based on a genetic algorithm which is one of meta-heuristic algorithms. There are two methods of finding feature subsets: a filter method and a wrapper method. In this study, we use a wrapper method, which evaluates feature subsets using a real classifier, to find an optimal feature subset. The training dataset used in the experiment has a severe class imbalance and it is difficult to improve classification performance for rare classes. After preprocessing the training dataset with SMOTE, we select features and evaluate them with various machine learning algorithms.

치매의 다양한 형태와 알츠하이머병의 효율적이고 정확한 진단은 최신 연구 주제이다. 치매환자의 의학적 치료를 위해 치매와 알츠하이머병의 정확한 실험은 필수적이다. 그러나 전통적인 분류법은 가격이 비싸고 성능이 느리며 재현불가능하다. 그러므로 목표는 뇌 영상 분류를 위한 자동적 컴퓨터 기반 시스템을 재현하는 것이다. 하버드 메디컬학교로부터 T2급 66개의 다운로드된 영상을 사용한다. 이 논문에서 바이오마커로 SMRI 사용을 제안한다. 우선, MRI로부터 특징 추출을 위해 웨이브렛 변환들 중 Daubechies-4의 이차원 이산 웨이브렛 변환 (2-D DWT)를 사용한다. 둘째로 주성분분석 (PCA)은 단지 10개의 특징 절감을 위해 이용한다. 세 번째로 이러한 감소된 특징은 분류를 위해 Bagged Trees 분류기를 이용한다. 6배 교차 검증은 69.7%의 분류 정확도를 보여준다. 게다가Bagged Trees 분류기는 효과적이며 이러한 접근은 실용적으로 유익한 툴이 될 수 있다.

Efficient and precise diagnosis of Alzheimer’s disease (AD) and different types of dementia is a new topic of research. It is essential to have an accurate examination of both of these diseases for their medical treatment. However, the traditional classification has expensive, slow performance, and irreproducible. Therefore, our goal is to present an automatic computer-aided system for brain image classification. We use 66 T2-weighted images downloaded from Harvard Medical School. In this paper, we propose to use SMRI as a biomarker. First we use 2D discrete wavelet transform (2D-DWT) along with Daubechies-4 from wavelet families for feature extraction from MRI. Second, principal component analysis (PCA) is employed for the reduction of the feature to only 10. Third, those reduced feature were fed to Bagged Trees classifier for classification. A 6-fold cross validation (CV) has showed the classification accuracy of 69.7% .Thus, Bagged Trees classifier is effective and this approach can be a beneficial tool in practical.