Earticle

By leveraging the characteristics of both quantum encoding and classical data channel, we present a unique and novel multiuser optical communication system that utilizes fascinating properties of the structured light for information transmission. Specifically, we propose an indoor orbital angular momentum (OAM) multiuser multiple-input multiple-output (MIMO) optical communication system, where the quantum encoding is performed and the multiuser transmission is then analyzed from the context of the classical data channel. In the proposed system, as the OAM beam propagates, its angular spread is analyzed. In addition, we show that the variance of the beam divergence increases with the increasing OAM index mode on the basis of the derived MIMO channel impulse response for OAM carrying Laguerre?Gaussian beams. Comparative studies reveal that the proposed system significantly outperforms the conventional non-orthogonal multiple access (NOMA) applied with MIMO.

Many studies have focused on the prediction of corporate credit rating using various data mining techniques. One of the most frequently used algorithms is support vector machines (SVM), and recently, novel techniques such as SVM+ and SVM+MTL have emerged. This paper intends to show the applicability of such new techniques to multi-classification and corporate credit rating and compare them with conventional SVM regarding prediction performance. We solve multi-class SVM+ and SVM+MTL problems by constructing several binary classifiers. Furthermore, to demonstrate the robustness and outstanding performance of SVM+MTL algorithm over other techniques, we utilized four typical multi-class processing methods in our experiments. The results show that SVM+MTL outperforms both conventional SVM and novel SVM+ in predicting corporate credit rating. This study contributes to the literature by showing the applicability of new techniques such as SVM+ and SVM+MTL and the outperformance of SVM+MTL over conventional techniques. Thus, this study enriches solving techniques for addressing multi-class problems such as corporate credit rating prediction.

사물인터넷(IoT) 기술은 최근 의료사물인터넷(IoMT)으로 정의된 대량의 의료 데이터를 처리하여 발전을 위해 개발된 의료분야에서 많이 활용되고 있다. 수집된 광범위한 의료 데이터는 수집된 의료 데이터를 처리하기 위해 구조화된 방식으로 클라우드에 저장된다. 그러나 방대한 양의 의료 데이터를 효과적으로 처리하는 것은 쉽지 않기 때문에 의료분야 구조 데이터를 개발하는 것이 필요하다. 본 논문에서는 IoMT에서 수집된 구조화된 건강 관리 데이터를 처리하기 위한 기계 학습 모드를 개발 하였다. 광범위한 의료 데이터를 처리하기 위해 본 논문에서는 의료 데이터 처리를 위한 MTGPLSTM 모델을 제안하였다. 제안 된 모델은 의료 정보 처리를 위한 선형 회귀 모델을 통합한다. 개발된 모델 이상치 모델은 IoMT에서 수집된 COVID-19 의료 데이터들의 평가 및 예측을 위해 FinTech 모델을 기반으로 구현되었다. 제안된 MTGPLSTM 모델은 감염 확산 방지를 위한 계획 계획을 예측하고 평가하기 위한 회귀 모델로 구성된다. 개발된 모델 성능은 LR, SVR, RFR, LSTM 및 제안된 MTGPLSTM 모델과 같은 서로 다른 분류기를 고려하였으며 1GB, 2GB, 3GB 등 데이터 크기가 다르다는 점도 주요하게 고려되었다. 제안된 MTGPLSTM 모델이 전 세계 데이터에 대해 최대 4% 감소된 MAPE 및 RMSE 값을 달성하였고 중국의 경우 기존 분류기보다 최대 6% 최소인 최소 MAPE(0.97)이 달성되었다.

To adopt the development in the medical scenario IoT developed towards the advancement with the processing of a large amount of medical data defined as an Internet of Medical Things (IoMT). The vast range of collected medical data is stored in the cloud in the structured manner to process the collected healthcare data. However, it is difficult to handle the huge volume of the healthcare data so it is necessary to develop an appropriate scheme for the healthcare structured data. In this paper, a machine learning mode for processing the structured heath care data collected from the IoMT is suggested. To process the vast range of healthcare data, this paper proposed an MTGPLSTM model for the processing of the medical data. The proposed model integrates the linear regression model for the processing of healthcare information. With the developed model outlier model is implemented based on the FinTech model for the evaluation and prediction of the COVID-19 healthcare dataset collected from the IoMT. The proposed MTGPLSTM model comprises of the regression model to predict and evaluate the planning scheme for the prevention of the infection spreading. The developed model performance is evaluated based on the consideration of the different classifiers such as LR, SVR, RFR, LSTM and the proposed MTGPLSTM model and the different size of data as 1GB, 2GB and 3GB is mainly concerned. The comparative analysis expressed that the proposed MTGPLSTM model achieves ~4% reduced MAPE and RMSE value for the worldwide data; in case of china minimal MAPE value of 0.97 is achieved which is ~ 6% minimal than the existing classifier leads.

이미지와 같은 비정형 데이터의 불균형 클래스 문제 해결에 있어 생산적 적대 신경망(generative adversarial network)에 기반한 오버샘플링 기법의 우수성이 알려짐에 따라 다양한 연구들이 이를 정형 데이터의 불균형 문제 해결에도 적용하기 시작하였다. 그러나 이러한 연구들은 데이터의 형태를 비정형 데이터 구조로 변경함으로써 정형 데이터의 특징을 정확하게 반영하지 못한다는 점이 문제로 지적되고 있다. 본 연구에서는 이를 해결하기 위해 순환 생산적 적대 신경망(cycle GAN)을 정형 데이터의 구조에 맞게 재구성하고 이를 SMOTE(synthetic minority oversampling technique) 기법과 결합한 하이브리드 오버샘플링 기법을 제안하였다. 특히 기존 연구와 달리 생산적 적대 신경망을 구성함에 있어 1차원 합성곱 신경망(1D-convolutional neural network)을 사용함으로써 기존 연구의 한계를 극복하고자 하였다. 본 연구에서 제안한 기법의 성능 비교를 위해 불균형 정형 데이터를 기반으로 오버샘플링을 진행하고 그 결과를 SMOTE, ADASYN(adaptive synthetic sampling) 등과 같은 기존 기법과 비교하였다. 비교 결과 차원이 많을수록, 불균형 정도가 심할수록 제안된 모형이 우수한 성능을 보이는 것으로 나타났다. 본 연구는 기존 연구와 달리 정형 데이터의 구조를 유지하면서 소수 클래스의 특징을 반영한 오버샘플링을 통해 분류의 성능을 향상시켰다는 점에서 의의가 있다.

As generative adversarial network (GAN) based oversampling techniques have achieved impressive results in class imbalance of unstructured dataset such as image, many studies have begun to apply it to solving the problem of imbalance in structured dataset. However, these studies have failed to reflect the characteristics of structured data due to changing the data structure into an unstructured data format. In order to overcome the limitation, this study adapted CycleGAN to reflect the characteristics of structured data, and proposed hybridization of synthetic minority oversampling technique (SMOTE) and the adapted CycleGAN. In particular, this study tried to overcome the limitations of existing studies by using a one-dimensional convolutional neural network unlike previous studies that used two-dimensional convolutional neural network. Oversampling based on the method proposed have been experimented using various datasets and compared the performance of the method with existing oversampling methods such as SMOTE and adaptive synthetic sampling (ADASYN). The results indicated the proposed hybrid oversampling method showed superior performance compared to the existing methods when data have more dimensions or higher degree of imbalance. This study implied that the classification performance of oversampling structured data can be improved using the proposed hybrid oversampling method that considers the characteristic of structured data.

빅데이터 처리 환경에서 다중 구조의 데이터 분석 작업을 효율적으로 처리하기 위해서 하둡 기반의 다양한 컬럼 기 반의 저장 기법들이 활용되고 있다. 컬럼 기반의 저장 기법은 희소 속성들에 대한 선택, 집계 연산에 매우 효율적이 지만 레코드를 재구성하는데 많은 비용을 요구한다. 본 논문에서는 다양한 구조의 데이터를 구조가 유사한 레코드들 로 클러스터링함으로써, 컬럼 기반의 저장방식을 사용하는 분산 처리 환경에서 질의 처리의 속도를 향상시키는 기법 을 제안하고 실험을 통해 제안하는 방법이 다중 데이터에 대한 질의 처리 성능 개선에 효율적임을 입증한다.

To support multi-structured data in big data processing environments, distributed data processing frameworks often make use of a column-oriented storage technique. While column-oriented storage techniques efficiently handle analytic tasks such as selection and/or aggregation on a sparse column, they are not efficient in reconstructing records. In this paper, we propose a clustering technique that partitions data into groups of records having similar structures so as to reduce the number of columns in each group. We can not only reduce the search space of a query but also improve the performance of reconstructing a record by partitioning data. Through experiments, we show that the proposed technique improves the performance of query processing on multi-structured data.

This study is aimed at building up an Ontology to solve the discrepancy of terminologies between teachers and students by showing, through Ontology, the knowledge for diagnosis of underachieving students. Also this study makes it possible to infer the diagnosis based on information of these underachieving students. In addition, while a general Underachieving Students diagnosis system shows special diagnosis, this Ontology system helps users obtain correct concepts through this knowledge based system, and suggest building an Ontology to extend unclear conceptual knowledge to clearer ones.

본 연구에서는 중국인 학생이 한국어 수업에서 제출한 딕토글로스자료를 활용하여 구축한 철자 오류 데이터베이스를 검색하여 철자오류의 다양한 유형들을 살펴보았다. 또한 그러한 오류들이 기존에연구된 중국인 학생의 한국어 발음 오류 유형과 어느 정도 대응이 되는지 살폈다. 그 결과 자음과 관련해서는 철자 오류와 발음 오류가 상당한 관련성이 있다는 점을 검증했다. 반면 모음과 관련해서는 철자오류와 발음 오류가 관련이 있기는 하지만, 한글 모음의 이미지 특성이 철자 오류에 영향을 미쳤을 가능성도 공존하고 있다는 점을 보였다. 이러한 연구는 중국인 한국어 학습자가 좀 더 정확한 철자법을 구사하기 위해서는 한국어 발음 개선이 필요하다는 점을 시사한다. 다만, 본 연구의 시도는 중국인 한국어 학습자에게 국한되어 있기 때문에 향후 연구에서는 다른 언어를 모국어로 사용하는 한국어 학습자들을 대상으로 확대해야 할 필요가 있다. 더불어, 자음과 달리 모음의철자 오류는 발음 오류 이외의 다른 요인들이 작용했을 가능성이 있으므로 이에 대한 별도의 연구가 필요하다.

Journal of the International Network for Korean Language and Culture 16-1, 297-322. For this study, we created a spelling error database from the dictogloss data submitted by a Chinese student studying Korean and looked at various types of spelling errors. Subsequently, we looked at how these errors corresponded to the types of Korean pronunciation errors that were previously studied by Chinese students. Though consonants prove that spelling and pronunciation errors are highly relevant, such errors are not too highly related to vowels. They also show that the image characteristics of Han-gul vowels may have affected spelling errors. The study suggests that Chinese students learning Korean should first improve their pronunciation to get a more accurate spelling. However, this research is limited to Chinese students learning Korean. Subsequent studies are, therefore, needed to cover learners of other languages. Furthermore, unlike consonants, spelling errors in vowels are likely to have impacted factors other than pronunciation errors. Therefore, a separate study on this issue is needed in the future.

본 연구는 수산물 유통 데이터의 통합과 분석을 통해 유통 체계의 투명성과 효율성을 강화하는 방법론을 제안한다. 수산물 유통 과정에서 정형 데이터(예: HS-CODE, 수입일자, 수출입량)와 비정형 데이터(예: 제품 설명, 품질 속성) 간의 데이터 속성 불일치와 구조적 차이는 데이터 관리와 분석에서 주요한 장애 요소 로 작용한다. 본 연구는 온톨로지 방식을 활용하여 정형 데이터와 비정형 데이터 간의 관계를 정의하고, 이를 통합적으로 분석할 수 있는 체계를 구축하였다. 정형 데이터는 관세청과 같은 공공 데이터베이스에서 수집되었으며, 비정형 데이터는 자연어 처리(NLP) 기술을 적용해 수집 및 정제되었다. 연구결과, 온톨로지 방식은 정형 데이터와 비정형 데이터 간의 속성 매핑 문제를 효과적으로 해결하며, 데이터 통합 과정에서 발생할 수 있는 오류를 최소화하였다. 또한, HS-CODE를 기반으 로 수산물 품목을 세분화하고, 비정형 데이터를 통해 가공 상태, 제품 형태, 유통 경로 등 세부 정보를 추가함으로써 데이터의 일관성과 신뢰성을 높였다. 이로써 데이터 기반 의사결정을 지원하고, 수산물 유통 과정의 디지털화를 촉진하는 데 기여하였다. 특히, 본 연구는 데이터 통합 과정에서 발생할 수 있는 구조적 차이를 극복하고, 정형 데이터와 비정형 데이터의 상호 연계를 통해 수산물 유통 체계의 효율성을 향상시키는 데 중점을 두었다. 이 접근법은 수산물 유통 과정에서 발생 하는 다양한 데이터를 통합적으로 분석할 수 있는 기반을 제공하며, 향후 머신러닝 및 AI 기반 예측 모델링과의 결합을 통해 유통 체계의 혁신적 발전에 기여할 것 으로 기대된다.

This study proposes a methodology for integrating and analyzing seafood distribution data to enhance transparency and efficiency in the supply chain. In the seafood distribution process, structural differences and attribute mismatches between structured data (e.g., HS-CODE, import dates, trade volumes) and unstructured data (e.g., product descriptions, quality attributes) present significant challenges in data management and analysis. By employing an ontology-based approach, this study establishes relationships between structured and unstructured data, enabling integrated analysis. Structured data were collected from public databases, such as those of the Korea Customs Service, while unstructured data were gathered and refined using natural language processing (NLP) techniques. The findings demonstrate that the ontology-based approach effectively resolves attribute mapping issues between structured and unstructured data while minimizing errors in the data integration process. By leveraging HS-CODE to classify seafood items and incorporating additional details from unstructured data-such as processing status, product forms, and distribution routes-the proposed methodology improves data consistency and reliability. This approach supports data-driven decision-making and facilitates the digital transformation of seafood distribution processes. Specifically, this research focuses on overcoming structural discrepancies during data integration and enhancing the efficiency of the seafood distribution system by linking structured and unstructured data. The proposed approach provides a robust foundation for comprehensive data analysis in seafood distribution and is expected to contribute to the innovative development of distribution systems by integrating with machine learning and AI-based predictive modeling in the future.

데이터는 금융업에서 가장 중요한 자산으로 평균 71%의 금융기관이 데이터 분석으로 경쟁우위를 창출하고 있다. 특히, 금융업 중 카드 업종에서는 전체 고객의 소비행위 패턴 및 선호 트랜드 분석에 의한 가맹점 정보, 경기 변동 상황, 상권정보 제공 서비스 개발에 빅데이터가 폭 넓게 활용되고 있지만 데이터의 융복합을 통한 새로운 가치 창출은 미흡한 편이다. 본 연구는 소셜 데이터와 BC 카드 매출데이터의 융합 분석한 신용카드 회사의 ‘소비 트랜드 분석 및 예측’ 사례를 다룬다. BC카드는 소셜 데이터를 활용한 트랜드 프로파일링 작업과 카드 및 소셜 데이터를 연계하는 알고리즘 개발 및 분석 내용 시각화 시스템을 개발하였다. 성과 검증을 위해 ‘식스포켓’ 관련 트랜드를 분석하고 마케팅을 시행해 본 결과 40∼100%이상의 마케팅 승수 증대 효과를 거두었다. 본 연구는 그동안 개별적으로 이루어져 오던 정형, 비정형데이터 분석을 융합하여 분석하는 방법론과 사례를 창출한 의의가 있으며 이는 앞으로 카드 업종 뿐만 아니라 타 업종에도 변화하는 트랜드에 유용하게 대응할 수 있는 시사점을 제공할 것이다.

Data is the most important asset in the financial sector. On average, 71 percent of financial institutions generate competitive advantage over data analysis. In particular, in the card industry, the card transaction data is widely used in the development of merchant information, economic fluctuations, and information services by analyzing patterns of consumer behavior and preference trends of all customers. However, creation of new value through fusion of data is insufficient. This study introduces the analysis and forecasting of consumption trends of credit card companies which convergently analyzed the social data and the sales data of the company's own. BC Card developed an algorithm for linking card and social data with trend profiling, and developed a visualization system for analysis contents. In order to verify the performance, BC card analyzed the trends related to 'Six Pocket' and conducted th pilot marketing campaign. As a result, they increased marketing multiplier by 40∼100%. This study has implications for creating a methodology and case for analyzing the convergence of structured and unstructured data analysis that have been done separately in the past. This will provide useful implications for future trends not only in card industry but also in other industries.

본 연구는 자율주행차 사고 데이터를 활용하여 사고 위험 예측을 위한 분석 구조를 구성하 고, 정형 데이터와 비정형 사고 설명문이 사고 위험 설명에 기여하는 역할을 단계적으로 검토 하였다. 먼저 사고 발생 환경, 도로 및 차량 상태와 같은 정형 데이터를 기반으로 사고 위험과 관련된 구조적 특성을 분석하고, 사고 발생 과정이 서술된 비정형 사고 설명문을 통해 사고 상황의 맥락적 특성을 정리하였다. 이를 통해 각 데이터 유형이 사고 위험을 설명하는 데 제공 하는 정보의 성격과 한계를 비교하였다. 이후 정형·비정형 데이터에서 도출된 정보를 결합한 예측 구조를 구성하고, 회귀 기반 성능 지표를 활용하여 결합 모델의 사고 위험 예측 결과를 분석하였다. 분석 결과, 결합 모델은 사고 위험 분산의 상당 부분을 설명하며, 단일 데이터 기 반 분석에서 포착하기 어려운 사고 위험 특성을 보다 안정적으로 반영하는 경향을 보였다. 본 연구는 자율주행차 사고 위험 분석에서 정형·비정형 데이터의 역할을 구분하여 정리하고, 이 를 결합한 예측 구조의 적용 가능성을 제시하였다는 점에서 의의를 가진다.

This study developed an analytical framework for predicting the crash risk using autonomousvehicle crash data by examining the roles of structured data and unstructured crash descriptions in explaining the crash risk. Structured data representing crash environments, roadway conditions, and vehicle states were first analyzed to identify the structural characteristics associated with the crash risk. In addition, unstructured crash descriptions were examined to capture contextual information describing crash scenarios and crash progression. Based on these analyses, the characteristics and limitations of each data type in explaining the crash risk were reviewed. A combined prediction framework integrating information derived from structured and unstructured data was then constructed, and the performance of the combined model was evaluated using regression-based metrics. These results showed that the combined model explains a substantial portion of the crash risk variability and provides more stable risk estimates than analyses relying on a single data type. These findings highlight the importance of integrating heterogeneous data sources for crash risk prediction and demonstrate the applicability of a structured–unstructured data fusion approach in autonomous vehicle crash analysis.

현재 국내 건설업에서는 꾸준히 증가하는 건설재해를 예방하기 위해 다양한 정책적 노력과 연구가 활발하게 진행되고 있다. 기존 연구에서 건설재해 예방을 위해 개발한 예측 모델의 경우, 주로 정형데이터만을 활용하였기에 건설현장의 다양한 특성을 충분히 고려하지 못한 예측 결과가 도출되었다. 따라서, 본 연구에서는 정형데이터와 텍스트 형식의 비정형데이터를 동시에 활용하여 건설현장의 특성을 충분히 고려할 수 있는 기계학습 기반 건설재해 사전 예측 모델을 개발하였다. 본 연구는 기계학습을 위해 건설공사 안전관리 종합정보망(CSI)의 최근 3년간 건설재해 데이터 6,826건을 수집하였다. 수집된 데이터 중 정형데이터의 학습은 5가지 알고리즘의 성능 분석을 통해 Decision forest 알고리즘을 사용하였고 비정형데이터의 학습은 BERT 언어모델을 사용하였다. 정형 및 비정형데이터를 동시에 활용한 건설재해 예측 모델의 성능 비교 결과, 정형데이터만을 활용한 경우보다 약 20 % 향상된 95.41 %의 예측정확도가 도출되었다. 본 연구 결과, 비정형데이터를 동시에 활용함으로써 예측 모델의 효과적인 성능 향상을 확인하였으며, 보다 정확한 예측을 통한 건설재해 저감을 기대할 수 있다.

Recently, policies and research to prevent increasing construction accidents have been actively conducted in the domestic construction industry. In previous studies, the prediction model developed to prevent construction accidents mainly used only structured data, so various characteristics of construction sites are not sufficiently considered. Therefore, in this study, we developed a machine learning-based construction accident prediction model that enables the characteristics of construction sites to be considered sufficiently by using both structured and text-type unstructured data. In this study, 6,826 cases of construction accident data were collected from the Construction Safety Management Integrated Information (CSI) for machine learning. The Decision forest algorithm and the BERT language model were used to train structured and unstructured data respectively. As a result of analysis using both types of data, it was confirmed that the prediction accuracy was 95.41 %, which is improved by about 20 % compared to the case of using only structured data. Conclusively, the performance of the predictive model was effectively improved by using the unstructured data together, and construction accidents can be expected to be reduced through more accurate prediction.

연구목적: 자연재난은 행정안전부가 재난관리 주관기관으로 관리체계가 잘 구성되어 있는 반면에 사 회재난은 그 관리가 부처별로 분산되어 있어 통합적인 관점의 관리가 부실한 상태이다. 통합적 관리를 위한 정보체계 구성과 플랫폼 개발을 통하여 지자체 등에서 활용할 수 있게 하는 것이 본 연구의 목적이 다. 연구방법: 각 부처별로 분산된 재난 정보로 사고조사 보고서(비정형 데이터)를 포함한 재난 정보를 통합하고 분석할 수 있는 DB 구축과, 인명 피해 중심의 사회 재난에 대한 위험성 평가를 통한 재난 관리 체계를 제공하고, 실시간으로 제공되는 사고 진행에 대한 인명 피해 예측과 사고 원인 추론 체계를 제시 한다. 연구결과: 정형 및 비정형 재난 정보를 관리하는 시스템 설계, 인명중심 사회재난 위험성 평가 방 법 제시, 그리고 실시간 재난 모니터링을 통하여 분석할 수 있는 체계 설계, 그리고 이를 기반으로 서비 스할 수 있는 플랫폼을 설계하였다. 결론: 사회재난 정보를 통합 운영할 수 있는 플랫폼과 사고조사를 통한 인명피해 원인과 위험도를 제시하는 체계를 구축하였다.

Purpose: Natural Disaster has well formed framework more than social disaster, because natural disaster is controlled by one department, such as MOIS, but social disaster is distributed . This study is on the design of the integrated service platform for the social diaster data. and then, apply to the local governments. Method: Firstly, we design DB templates for the incident cases considering the incident investigation reports. For the risk management, life-damage oriented social disaster risk assessment is defined. In case of the real-time incident data from NDMS, AI system provides the prediction information in the life damage and the cause of the incident. Result: We design the structured and unstructured incident data management system, and design the integrated social disaster and safety incident management system. Conclusion: The integrated social disaster and safety incident management system may be used in the local governments

저학년 예비보건행정가의 SNS 병원마케팅 교육에 의료서비스 디자인싱킹 교수법을 적용하고 공감적 문제해결 능력 향상 효과를 확인하고자 한다. 대구광역시 일개 대학 보건행정과 1학년 학생 39명을 대상으로 2019년 9월부터 12월까지 총 15주간 의료서비스 디자인싱킹을 적용한 후 사전-사후 자기기입식 설문조사를 실시하였다. 저학년 예비보 건행정가들의 공감적 문제해결능력 향상 효과는 공감적 상상하기, 공감적 관심, 공감적 각성하기에 긍정적 효과가 있었 다. 핵심공통어 분석은 중립어와 부정어 사용은 낮지만 긍정어 사용은 높았다. 인공지능 시대에 공감적 문제해결 직무역 량을 체계적으로 갖출 수 있도록, 저학년 교과교육을 위한 프로그램을 개발하고 그 효과성을 정형 및 비정형 데이터 분석을 한 점이 의의가 있다. 이론 교과 적용을 위한 추가 프로그램 개발 연구가 필요하다.

The purpose of the study is to verify the effectiveness the Freshman Preliminary Health Administrators(FPHA)' Empathic Problem Solving Ability(EPSA) through the application of Medical Service Design Thinking(MSDT) conducted by undergraduate school of SNS hospital marketing education. The pre-post questionnaire survey was conducted on 39 students in the freshman year of the Department of Health Administration after applying MSDT for 15 weeks from September to December, 2019 at a college in Daegu. MSDT was positive influenced on the improvement of Empathic Imagine, Empathic interest, Empathic awakening of the FPHA' EPSA. In the analysis of key common words, the use of neutral and negative words was low, while the use of positive words was high. In order to systematically equip Empathic problem solving job competency in the age of artificial intelligence, it is meaningful to develop a program for the freshmen curriculum and to conduct a analysis of the structured and unstructured data to verify its effectiveness. Additional program development research is needed for the application of theoretical subjects.

이글은 웨어러블 기술을 두 가지 측면에서 고찰하였다. 첫째, 스마트 기술이 접목된 옷에 스며든 욕망이다. 둘째, 옷을 입은 이용자를 바라보는 시선에 대한 고찰이다. 이 글은 웨어러블 기술로 새롭게 등장할 옷에 대한 연구이다. 그러나 이 옷은 단순히 기술적인 문제가 아니다. 오히려, 옷에 대한 인간 본능을 고려한 시스템 설계이다. 따라서 이 연구는 사회과학적 경계를 아우른다. 이 글은 웨어러블에서 수집된 데이터가 단순한 센싱 기반의 데이터라 보지 않는다. 오히려, 웨어러블 기술은 인간 고유의 생명활동과 감정을 드러낸다. 이글은 인문학과 기술을 융합 또는 복합한 시도이다.

This paper examines the wearable technology in two aspects. First, it is the desire that permeates the clothes that smart technology is embroidered. Second, it is a reflection on the gaze that looks at the user wearing clothes. This article is a study on clothes that will be newly appeared with wearable technology. But this is not just a technical issue. Rather, it is a system design that takes human instinct into clothes. Therefore, this study encompasses social scientific boundaries. This article does not refer to data collected from wearables as simple sensing based data. Rather, wearable technology reveals human life activities and emotions. This paper is an attempt to combine or combine humanities and technology.

Heterogeneous structured datas give rise to different kind of information caliber issues regarding real-world structured datas. Identical records also a one major issue. Strategy to eliminate identical records results in unsureness to select among true uniform records. Available methods based on expert observation and destructive decisions do not proved effective solution to such problems. This project solves these issues of identical records elimination will solve by de-duplication procedure as data accessing tasks with unsure outcomes. This project implements method to overcome unsureness of identical records that tightly conceal the proper instances of input and gives effective results for identical record.

In order to realize the idea of pay-as-you-go (PAYG) data management which dataspace emphasizes, the very loosely structured data model is usually used to describe the massive, heterogeneous and dynamic data in dataspace. However, the present study mainly concentrates on the applications of the data model, and the query theory research is less. The query algebra is a theoretical foundation for query and its optimization in a PAYG fashion, so that how to establish a complete algebra based on the characteristics of loosely structured data model is an important problem need to be solved. In this paper, a formal definition of very loosely structured data model is given, then the query model and query algebra based on the model are proposed, which support to not only the operations such as set operators, selection, projection and join, but also association query in dataspace.

This paper proposes an ontology learning and population model from structured data sources. Recently various attempts have been made to harmonize Web 2.0 and the Semantic Web, named as Web 3.0 or Web 4.0. One of the most important issues for realization of the next Web platform is about how to make Web ontology rich as well as to address semantic interoperability between ontologies. To resolve those issues, Web ontology schemas should be precisely defined in semantic aspect and we should also develop a method for learning and population of ontology instances from diverse resources. This paper proposes a model which enables the ontology learning and population from structured data sources. The proposed model in this paper is a standard-based approach. In other words, our proposal is based on ISO/IEC 11179 - Metadata Registry, which is one of the international standards. This standard has been developed to support the interoperability between data by managing standardized common concepts. Therefore, our proposed model enhances the semantic interoperability between ontologies and enables the ontology enrichment from data sources.

As a huge data source the internet contains a large number of valuable information, and the data of information is usually in the form of semi-structured in HTML web pages. In order to extract the web data and organize the data with the relationships which are similar to the real world, this paper has proposed a method for automatic data extraction from the web. With the combination of keywords and database content matching, the target web pages which contain valuable data will be crawled. Via HTML structure and visual features, extracting the data from the web pages crawled. Eventually, the data been extracted will be integrated to the structure of information network model. Experimental results indicate that this method can be able to apply to semi-structured data extraction in the web, and this paper has provided positive significance to extraction and manage semi- structured web data.

To promote molecular biology studies, public repositories for microarray data need to be constructed; the minimum contents for analysis of microarray experiment have been defined and standardized. Public repositories have been constructed by some researches which follow the standards such as MIAME-compliant data and MAGE-OM/ML. However, enough consideration has not been taken into the design of storage structure for the hierarchy of microarray data. In this paper, we propose alternative mapping strategy to mine the structural similarity and an advanced mapping rule from the algorithm. Object-relational mapping technique is used for extracting advanced storage design schema for microarray data and structural similarity of elements is evaluated for efficient storage construction. The mapping strategy reduced the number of relational tables remarkably. The strategy will contribute to design of the storage structure of microarray data and performance enhancement of a public repository.

Public repositories for microarray data have been constructed by some researches which follow the standards such as MIAME-compliant data and MAGE-OM/ML. However, enough consideration has not been taken into the design of storage structure for the hierarchy of microarray data. In this paper, we propose alternative mapping strategy to mine the structural similarity and an advanced mapping rule from the algorithm. Object-relational mapping technique is used for extracting advanced storage design schema for microarray data and structural similarity of elements is evaluated for efficient storage construction. The mapping strategy reduced the number of relational tables remarkably.