앙상블 기반의 위조 탐지 알고리즘

Q: 이 논문에서 정의한 앙상블 방식이란 무엇인가?

앙상블 방식은 단일 모델 대신 여러 모델을 결합하여 결과의 정확도를 향상시키는 기술이다. 이 방법은 편향과 분산을 줄여 모델 정확도를 높이며, 회귀 및 분류 문제 해결에 이상적이다. 가장 일반적인 기법으로는 부스팅과 배깅이 있다.

Q: 인터넷상의 위조 게시물 탐지에 가장 효과적인 앙상블 기반 분류기는 무엇인가?

연구 결과, 앙상블 접근법 기반의 기계 학습 알고리즘 중 Bagging 기반 Random Forest Classifier가 위조 게시물 탐지에서 가장 우수한 성능을 보였다. 이 분류기는 99%의 정확도를 달성하여 기존 방법보다 훨씬 높은 탐지율을 제공한다.

타히예프 일킨; 조영복

자료유형: 학술대회자료

저자정보: 타히예프 일킨 (대전대학교) 조영복 (대전대학교)

저널정보: 한국컴퓨터정보학회 한국컴퓨터정보학회 학술발표논문집 2023년 한국컴퓨터정보학회 동계학술대회 논문집 제31권 1호

발행연도: 2023.1

수록면: 101 - 102 (2page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

본 연구에서는 인터넷 상에서 발생되는 부정행위를 탐지할수 있는 신뢰 모델을 생성하고 개인의 프라이버 시를 보장할수 있는 모델을 제시하였다. 인터넷 상에 게시판에 올려진 부정해위를 탐지하기 위해 앙상블 접 근 방식 기반의 분류 모델을 제시하고 자동화된 ... 전체 초록 보기

#앙상블 접근법 #자연어 처리 #머신러닝 #프라이버시보호

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2023-004-000349962

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)