Earticle

알고리즘은 기계학습(Machine Learning)이나 인공지능(Artificial Intelligence) 기술 과 접목되어다양한분야에서 활용되고 있다. 그러나알고리즘은 장점과 동시에 위험을 수반한다. 즉, 알고리즘은 개인과 사회의 편익을 위해 사용되지만, 동시에 차별과 불평 등을 조장할 위험을 포함하고 있다. 이는 형사사법의 영역에서도 마찬가지다. 데이터와 알고리즘에 의한 결정은 법집행의 신속성과 효율성, 정밀성을 가져오지만 잠재적으로 기존의 편견과 편향을 재생산할 위험을 포함하고 있다. 인간이 데이터를 바탕으로 알고리즘을 생성·구축하고 작동시키고 있으므로 알고리 즘은 인간으로부터 독립할 수 없으나 알고리즘의 결정은 인간의 의사결정에 영향을 미 치게된다. 따라서 알고리즘은기술적·객관적 형태의 운영 방식이라기보다는사회적성 질을 가진 기술적 집합체로 볼 수 있다. 이러한 알고리즘이 형사사법 분야에 편입되어 법집행 과정에 영향을 미치고 형사사법을 지배하고 있는 기본원칙 등을 변화시키고 있 지만 이에 대한 논의가 부족한 현실이다. 따라서 본고는 이러한 인식하에 형사사법에서 알고리즘의 활용 현황과 문제점을 살펴보고 형사사법에서 알고리즘의 활용 원칙으로 투명성과 공정성, 설명책임에 대하여 제언한다.

Algorithms are combined with machine learning and artificial intelligence technologies and are used in various fields. However, algorithms come with both advantages and risks. In other words, algorithms are used for the benefit of individuals and society, but at the same time contain the risk of promoting discrimination and inequality. This is also the case in the realm of criminal justice. Decisions made by data and algorithms bring speed, efficiency, and precision to law enforcement, but potentially contain the risk of reproducing existing prejudices and biases. Algorithms cannot be independent of humans because humans create, build, and operate algorithms based on data, but algorithmic decisions influence human decision-making. As a result, algorithms can be viewed as a technical collection with social characteristics rather than a technical or objective form of operation. These algorithms have been incorporated into the criminal justice field, affecting the law enforcement process, and changing the basic principles that govern criminal justice, but there is a lack of discussion on this. Therefore, with this recognition, this paper examines the current status and problems of algorithm use in criminal justice and suggests transparency, fairness, and accountability as principles of algorithm use in criminal justice.

Asthma is an important global health problem affecting nearly 300 million individuals and responsible for 250,000 deaths each year. Asthma is defined by obstruction to the airways, and difficult testing of lung function via spirometry or body plethysmography require complete cooperation by patients in all populations, including the elderly and those who are otherwise ill. Knees even more problematic is that smoking tobacco or respiratory changes in patients with asthma are only largely detectable when it is too late, meaning their respiratory performance has been compromised.

본 연구에서는 관광지 추천 알고리즘의 예측 정확도 결정요인을 알고리즘이 보여주는 시스템 차원이 아니라 합리적 의사결정 과정에서 핵심 요소로 작용하는 동시에 경쟁관계를 보이는 두 요소인 선호와 거리 간 위계적 순위 관점에서 고찰하였다. 소비자에게 전달하는 제품의 주요 가치 가운데 관광 상품은 기능적 가치와 상징적 가치를 우위하는 경험적 가치에 근간을 두고 있다. 경험적 가치를 근본으로 하는 관광지 선정 과정에는 선호가 거리를 우위하는 위계적 순위를 보인다. 따라서 선호와 거리를 동시에 고려하되 거리보다 선호에 더 큰 가중치를 둔 추천 알고리즘이 단순 히 선호나 거리만을 중심으로 하는 추천 알고리즘보다 예측력이 우수한 것으로 나타났다. 실증 분석을 위한 표본은 강원도 춘천 관광지에 대한 평 점(별점)과 평점 횟수, 후기와 후기 횟수 등으로 구성된 데이터셋을 사용하였다. 실증분석에 사용된 자료는 네이버 지도를 통해 수집하였고, 추천 알고리즘의 예측력 비교를 위해 정밀도(Precision)와 재현율(Recall)을 보여주는 P-R 곡선을 분석도구로 사용하였다. 실증분석 결과 선호와 거리 를 순차적으로 적용한 추천 알고리즘이 선호 또는 거리만을 고려한 추천 알고리즘보다 P-R곡선이 기준치인 1 값에 인접한 채 하락하는 것으로 나 타났다(가설 2지지). 이 연구에서 발견된 사실은 개별 추천 알고리즘의 기술적 우위를 벗어나 추천 알고리즘의 예측력은 선호와 거리라는 경쟁하 는 요소 간 위계적 순위에 따라 결정된다는 논리를 지지해준다. 따라서 정부와 지자체 그리고 관련 기업은 선호와 거리를 모두 고려하여 관광지를 개발하고, 선호와 거리를 순차적으로 고려한 비즈니스 마케팅 전략을 수립해야 한다.

This study examines the factors that determine the predictive accuracy of the tourist recommendation algorithm not at the system level of the algorithm, but in terms of the hierarchical ranking between preference and distance, which are two competing elements that act as key elements in the rational decision-making process. Among the main values that products want to deliver to consumers, tourism products are based on experiential values that predominate over functional and symbolic values. In the process of selecting a tourist destination based on experiential value, preference shows a hierarchical ranking that takes precedence over distance. Therefore, it was found that the recommendation algorithm that considers both preference and distance at the same time, but puts more weight on preference than distance, has better predictive power than recommendation algorithms that simply focus only on preference or distance. For the sample for empirical analysis, a data set consisting of ratings (star ratings) for tourist attractions in Chuncheon, Gangwon-do, the number of ratings, and the number of reviews and reviews was used. The data used in the empirical analysis were collected through Naver Map, and the P-R curve showing precision and recall was used as an analysis tool to compare the predictive power of the recommendation algorithm. As a result of the empirical analysis, it was found that the recommendation algorithmthat sequentially applied preference and distance decreased the P-R curve while remaining close to the reference value of 1, rather than the recommendation algorithm that only considered preference or distance (Hypothesis 2 supported). The findings in this study go beyond the technical superiority of individual recommendation algorithms and support the logic that the predictive power of recommendation algorithms is determined by the hierarchical ranking of competing factors such as preference and distance. Therefore, the government, local governments, and related companies should develop tourismpolicies considering both preference and distance, and establish businessmarketing strategies that sequentially consider the significance of preference and distance.

본 연구는 사용자 기반-, 아이템 기반 추천 알고리즘 이론을 바탕으로 예측 정확도를 결정하는 요인을 알고리즘의 시스템 차원이 아니라 제품 속성 관점에서 고찰하였다. 제품이 소비자에게 전달하고자 하는 주요 가치를 경험적 가치와 기능적 가치로 양분하고 각각을 대표하는 상품으로 영화와 뷰티 상품, 자동차와 전자제품을 채택하였다. 실증 분석을 위한 표본은 Movie Lens 100k 데이터와 아마존 상품 데이터를 사용하였다. 대규 모 용량 처리 문제를 해결하기 위해 원본 데이터를 각각 약 2만개로 축소하여 처리하였으며, 추천 알고리즘의 예측력 비교를 위한 기준으로 평균 제곱근오차(RMSE: RootMean Square Error)를 사용하였다. 분석 결과, 영화와 뷰티 상품과 같이 경험적 가치가 중요한 제품의 경우 아이템 기반 추천 알고리즘의 RMSE값이 사용자 기반 추천 알고리즘의 RMSE 값보다 높은 것으로 나타나 사용자 기반 추천 알고리즘의 상대적 우수성을 확인 하였다(가설 1 지지). 반면 자동차와 전자제품과 같이 기능적 가치가 중요한 제품의 경우 아이템 기반 추천 알고리즘의 RMSE 값이 사용자 기반 추 천 알고리즘의 RMSE 값보다 낮아 아이템 기반 추천 알고리즘의 예측력이 상대적으로 우수한 것으로 나타났다(가설 2지지). 이 연구에서 발견된 사실은 기존 선행연구에서 보여준 개별 추천 알고리즘의 기술적 우수성의 절대성과 달리 추천 알고리즘의 예측력은 제품 속성에 따라 달라진다는 사실을 알게 해준다. 따라서 기업은 제품 속성에 맞는 추천 알고리즘을 사용하여 마케팅 전략과 브랜드 아이덴터티 수립을 모색해야 한다.

Based on the user-based and item-based recommendation algorithm theory, this study examined the factors that determine the prediction accuracy from the point of view of product attributes, not the system level of the algorithm. The main value that can be delivered from the product to consumers is divided into experiential value and functional value. Movies and beauty products, automobiles and electronic products are selected as representative products for each values. As samples for an empirical analysis, Movie Lens 100k data and Amazon product data were employed. In order to solve the problem of a lazy large-scale data processing, the original data were reduced to about 20,000 each. RMSE(Root Mean Square Error) was used as a standard for comparing the predictive performance of the individual recommendation algorithms. As a result of the analysis, for products with important experiential values such as movies and beauty products, the RMSE value of the item-based recommendation algorithmwas higher than the RMSE value of the user-based recommendation algorithm, confirming the relative superiority of the user-based recommendation algorithm(Hypothesis 1 supported). On the other hand, for products with important functional values, such as automobiles and electronic products, the RMSE value of the item-based recommendation algorithm was lower than the RMSE value of the user-based recommendation algorithm, indicating that the item-based recommendation algorithm had relatively good predictive performance(hypothesis 2 supported). Themain findings in this studymake it clear that the predictive performance of the recommendation algorithm depends on the product attributes, unlike the absolute technical excellence of the individual recommendation algorithmshown in previous studies. Therefore, a company should seek to establish amarketing strategy and brand identity by using a recommendation algorithmsuitable for product attributes.

This paper reviews ordinal decision tree algorithms for ordinal classification, exploring theoretical foundations, key algorithms (MDT, QMDT), specialized splitting criteria (Ordinal Gini, Weighted Information Gain), and ensemble methods. It discusses applications in healthcare and social sciences, highlighting interpretability and flexibility while acknowledging overfitting and instability. As implications for future research, this study points out advantages such as interpretability and flexibility, and limitations such as overfitting and instability.

This paper designs a disease prediction algorithm to diagnose migraine among the types of diseases in advance by learning algorithms using machine learning-based time series analysis. This study utilizes patient data statistics, such as electroencephalogram activity, to design a prediction algorithm to determine the onset signals of migraine symptoms, so that patients can efficiently predict and manage their disease. The results of the study evaluate how accurate the proposed prediction algorithm is in predicting migraine and how quickly it can predict the onset of migraine for disease prevention purposes. In this paper, a machine learning algorithm is used to analyze time series of data indicators used for migraine identification. We designed an algorithm that can efficiently predict and manage patients’ diseases by quickly determining the onset signaling symptoms of disease development using existing patient data as input. The experimental results show that the proposed prediction algorithm can accurately predict the occurrence of migraine using machine learning algorithms.

협업 필터링(Collaborative Filtering)은 유용성과 정교성 면에서 가장 성공적인 추천 알고리즘으로 평가받으며 산업계나 학계에서 많이 활용 및 연구되고 있지만, 기본적으로 사용자들이 평가한 점수에만 기반하여 추천결과를 생성하는 한계점이 있다. 이에 본 연구는 사용자가 상품을 구매할 때 자신이 신뢰하는 타인의 추천을 더 적극적으로 수용할 것이라는 점에 착안하여, 사용자의 평점 외에 사용자 간 신뢰관계를 소셜네트워크분석으로 분석한 결과를 추가로 반영하는 추천 알고리즘들을 제안하였다. 구체적으로 본 연구에서는 소셜네트워크분석에서 네트워크 내의 중심적 위치를 나타내는 척도인 내향 및 외향 중심성을 활용하여 사용자 간 유사도를 산출하는 알고리즘들과 사용자 신뢰 네트워크를 탐색하여 추천 대상이 되는 사용자가 직접 간접적으로 신뢰하는 사용자의 평가점수를 보다 높게 반영하는 알고리즘을 제안한 뒤 그 성능을 비교해 보았다. 실제 데이터에 적용하여 분석한 결과, 사용자 신뢰 네트워크의 내향 중심성 지수를 조건 없이 적용한 경우에는 오히려 정확도의 감소만을 야기하는 것으로 나타났고, 일정 임계치 이상의 외향 중심성을 갖는 사용자에 한해 내향 중심성 지수를 고려한 추천 알고리즘은 전통적인 협업 필터링에 비해 약간의 정확도 개선이 이루어짐을 확인할 수 있었다. 아울러, 사용자 신뢰 네트워크를 기반으로 탐색하는 알고리즘이 가장 우수한 성능을 보이는 것을 알 수 있었으며, 전통적인 협업 필터링과 비교해서도 통계적으로 유의한 수준의 정확도의 개선이 이루어짐을 확인할 수 있었다.

Among the techniques for recommendation, collaborative filtering (CF) is commonly recognized to be the most effective for implementing recommender systems. Until now, CF has been popularly studied and adopted in both academic and real-world applications. The basic idea of CF is to create recommendation results by finding correlations between users of a recommendation system. CF system compares users based on how similar they are, and recommend products to users by using other like-minded people's results of evaluation for each product. Thus, it is very important to compute evaluation similarities among users in CF because the recommendation quality depends on it. Typical CF uses user's explicit numeric ratings of items (i.e. quantitative information) when computing the similarities among users in CF. In other words, user's numeric ratings have been a sole source of user preference information in traditional CF. However, user ratings are unable to fully reflect user's actual preferences from time to time. According to several studies, users may more actively accommodate recommendation of reliable others when purchasing goods. Thus, trust relationship can be regarded as the informative source for identifying user's preference with accuracy. Under this background, we propose a new hybrid recommender system that fuses CF and social network analysis (SNA). The proposed system adopts the recommendation algorithm that additionally reflect the result analyzed by SNA. In detail, our proposed system is based on conventional memory-based CF, but it is designed to use both user's numeric ratings and trust relationship information between users when calculating user similarities. For this, our system creates and uses not only user-item rating matrix, but also user-to-user trust network. As the methods for calculating user similarity between users, we proposed two alternatives - one is algorithm calculating the degree of similarity between users by utilizing in-degree and out-degree centrality, which are the indices representing the central location in the social network. We named these approaches as 'Trust CF - All' and 'Trust CF - Conditional'. The other alternative is the algorithm reflecting a neighbor's score higher when a target user trusts the neighbor directly or indirectly. The direct or indirect trust relationship can be identified by searching trust network of users. In this study, we call this approach 'Trust CF - Search'. To validate the applicability of the proposed system, we used experimental data provided by LibRec that crawled from the entire FilmTrust website. It consists of ratings of movies and trust relationship network indicating who to trust between users. The experimental system was implemented using Microsoft Visual Basic for Applications (VBA) and UCINET 6. To examine the effectiveness of the proposed system, we compared the performance of our proposed method with one of conventional CF system. The performances of recommender system were evaluated by using average MAE (mean absolute error). The analysis results confirmed that in case of applying without conditions the in-degree centrality index of trusted network of users(i.e. Trust CF - All), the accuracy (MAE = 0.565134) was lower than conventional CF (MAE = 0.564966). And, in case of applying the in-degree centrality index only to the users with the out-degree centrality above a certain threshold value(i.e. Trust CF - Conditional), the proposed system improved the accuracy a little (MAE = 0.564909) compared to traditional CF. However, the algorithm searching based on the trusted network of users (i.e. Trust CF - Search) was found to show the best performance (MAE = 0.564846). And the result from paired samples t-test presented that Trust CF - Search outperformed conventional CF with 10% statistical significance level. Our study sheds a light on the application of user's trust relationship network information for facilitating electronic commerce by recommending

본 논문에서 이동로봇의 기준궤적추적제어를 위한 예측제어방법을 다룬다. 예측제어는 예측모델을 사용하여 기준궤적과 시스템 상태 간의 미래오차들을 최소화시키는 효과적인 제어방법으로 알려져 있으나, 실시간 계산량이 너무 많아 화공정 플랜트와 같이 매우 느린 시스템에 한정되어 적용되었다. 근래에는 컴퓨터 기술 발달로 고속계산이 가능하여 이동로봇과 같은 빠른 시스템에도 예측제어방법이 도입되고 있다. 그런데 예측제어기에서 제어성능과 관계된 제어 파라미터들이 있는데 임의로 지정되어 최적화되지 못하였다. 본 논문에서 이동로봇 예측제어기 성능 개선을 위해 관련 제어 파라미터들을 유전알고리즘으로 최적화시켰고 모의실험을 통해 제어성능이 개선됨을 확인하였다.

This paper deals with predictive control methods of mobile robots for reference trajectory tracking control. Predictive control methods using predictive model are known as effective schemes that minimize the future errors between the reference trajectories and system states; however, the amount of real-time computation for the predictive control are huge so that their applications were limited to slow dynamic systems such as chemical processing plants. Lately with high computing power due to advanced computer technologies, the predictive control methods have been applied to fast systems such as mobile robots. These predictive controllers have some control parameters related to control performance. But these parameters have not been optimized. In this paper we employed the genetic algorithm to optimize the control parameters of the predictive controller for mobile robots. The improved performances of the proposed control method are demonstrated by the computer simulation studies.