- 시맨틱 네트워크 기반의 경험 학습 기법 설계
* 사용자 경험정보가 축적됨에 따라 시맨틱 네트워크의 가중치를 변경하는 방 법으로 사용자 경험을 학습함. 각 노드 간의 엣지 가중치는 자주 입력 될 수록, 또는 자주 검색될 수록 증가하여 사람이 기억을 회상할 때 자주 경험 하거나 자주 회상한 주류기억을 먼저 떠올리는 현상을 모델링 하여 연결된 관계의 수에 비례하여 가중치를 증가시키거나, 자주 반복될수록 가중치를 증가시키고, 새로운 관계의 가중치를 주변 관계의 가중치를 사용하여 계산 하는 방식으로 가중치를 설정할 수 있음
* 경험데이터의 축적에 따라 가중치가 갱신되는 시맨틱 네트워크를 기반으로 사용자의 특정 패턴에 대한 서브 시맨틱 네트워크 추출함으로써 사용자의 경험을 학습한 사용자 패턴 분석을 수행함
- 감정인식을 위한 경험 학습 모델 설계
* 사용자의 감정인식 정보를 포함하는 경험데이터가 증가함에 따라 모델을 재 학습하여 모델을 통한 고수준의 감정인식을 수행할수 있게 함
<그림 110> 감정-생리반응 학습 모델
* 특징벡터 생성: 감정-생리반응 모델 학습을 위해 경험이해 모듈로부터 수신 한 상황정보, 감정 인식 정보, 생리반응 특징, 연관관계 특징에 대한 특징 벡터를 특정 사이즈의 슬라이딩 윈도우(W)를 적용하여 생성. 상황정보, 행 동, 맥락행동의 정보를 상황정의 특징으로, 음성, 심박 및 심박변이도 특징 정보에 대한 각 종류별 생리반응 특징벡터, 긍정/부정 정보, 각성/이완 정 도를 감정-생리반응 모델의 감정 특징벡터를 모델의 학습특징으로 사용하며, 인식된 감정 레이블은 감정-생리반응 모델의 레이블 데이터로 사용함
* 감정 레이블 결정: 모델의 학습에 사용될 기쁨, 슬픔, 분노, 공포, 혐오, 놀람과 같은 최종 감정 인식 레이블 결정은 모델 구성 시기와 정의된 규칙 에 따라 self-training 기반으로 레이블을 결정하여 감정-생리반응 모델의 점진적 학습데이터로 사용함
* 감정-생리반응 모델 점진적 학습: 감정-생리반응 모델은 특징벡터 및 최종 감정레이블 정보를 기반으로 감정 분류 및 감정 추론을 위한 기계학습을 방 법을 통하여 주기적인 점진학습 데이터 셋을 기반으로 능동적 학습을 통해 강화됨
제 3 장 연구개발결과의 활용 계획
o 1 차년도에 도출한 설계서를 바탕으로 먼저 2 차년도 생리반응 기반 감정 인식 블 록, 행동 인식 블록과 경험 이해 모듈의 상세 설계에 활용할 계획이며, 이에 따 라 생리반응 기반 감정 인식기와 행동인식기를 구현할 계획임
제 4 장 결론
본 연구에서는 이미 성숙한 기존의 기술들의 사용은 최대한 배제하도록 하였으 며, 인간과 같이 end-to-end 형태로 정보를 처리할 수 있는 기술 매커니즘으로 구 성되도록 노력을 기울였다. 또한 기존의 인공지능 기술에서 기본적으로 사용하는 빅데이터 기반의 기술 처리는 되도록이면 자제하도록 하였고 본 연구의 핵심 내용 인 인터렉션을 통한 자율 성장과정이 잘 나타나도록 DB 수집하는 과정 및 시스템 이 성장해 나가는 것을 최대한 잘 표현하도록 구성하고자 하였다.
향후 본 연구를 통해 설계된 기술들을 하나하나 구현하고 서로 통합하는 과정을 통해 각 기술의 장단점을 파악하고 이를 좀 더 발전시키고 보완할 수 있는 형태로 지속적인 연구를 수행할 것이며 아직까지 많은 기업들이 도전하지 않는 새롭고 어 려운 기술 분야에 대해서 글로벌 기업과의 경쟁에서 보다 앞서 나가기 위한 노력 을 멈추지 않을 것이다.
주 의
1. 이 연구보고서는 한국전자통신연구원의 주요사업으로 수행한 연구결과입니다.
2. 이 보고서의 내용을 발표할 때에는 반드시 한국전자통신연구원에서 수행한 주요사업 결과임을 밝혀야 합니다.