본 연구는 PM2.5 추정을 위한 공간 전이 학습 문제를 다룬다. 데이터가 풍부한 지역(소스 도메인)의 데이터를 활용하여 데이터가 부족한 지역(타겟 도메인)의 PM2.5 수준을 추정하는 것이 목표이다. 기존의 전이 학습 방법론은 소스 및 타겟 도메인 간의 의존성을 고려하지 않아 성능이 제한적이었다.
이를 해결하기 위해 본 연구는 새로운 특징인 잠재적 의존성 요인(LDF)을 제안한다. LDF는 소스 및 타겟 도메인의 공간적 및 의미론적 의존성을 포착하여 전이 학습 모델의 성능을 향상시킨다. LDF는 두 단계의 오토인코더 모델을 통해 생성되며, 첫 번째 단계에서는 결합된 특징 공간의 잠재 표현을 학습하고, 두 번째 단계에서는 타겟 변수(PM2.5)를 학습한다.
실험 결과, LDF를 활용한 전이 학습 모델은 기존 최고 성능 모델 대비 19.34% 향상된 성능을 보였다. 또한 미국과 페루 리마 지역에 대한 정성적 분석을 통해 LDF 기반 모델이 PM2.5 패턴을 더 잘 포착하는 것을 확인하였다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문