แนวคิดหลัก
연합 학습 프레임워크를 활용하여 데이터 공유 없이 다중 서버의 텐서 데이터를 결합하여 분해할 수 있는 FCNCP 알고리즘을 제안한다.
บทคัดย่อ
본 연구에서는 연합 학습 프레임워크를 활용하여 데이터 공유 없이 다중 서버의 텐서 데이터를 결합하여 분해할 수 있는 FCNCP 알고리즘을 제안하였다.
FCNCP 알고리즘은 다음과 같은 특징을 가진다:
- 텐서 분해의 우수한 고차원 데이터 표현 및 분해 성능과 결합 텐서 분해의 장점을 활용하여 다중 서버 간 데이터 분석을 수행한다.
- 연합 학습을 통해 서로 다른 서버의 데이터 간 결합 제약 조건을 설정할 수 있어, 데이터 공유 없이 공동 분석이 가능하다.
- 상관 분석 기반의 결합 성분 선택 방법을 제안하여 모델 결과의 안정성을 높였다.
- 시뮬레이션 실험과 실제 ERP 데이터 실험을 통해 FCNCP 알고리즘의 효과성을 검증하였다. 실험 결과는 기존 연구 결과와 일치하여, 고차원 EEG 데이터를 효과적으로 처리하고 주요 숨겨진 정보를 보존할 수 있음을 보여주었다.
สถิติ
시뮬레이션 데이터의 평균 텐서 적합도는 0.996으로 안정적인 분해 결과를 보였다.
ERP 데이터 분석 결과, 베타 대역 진동은 자극 후 100ms 이내에 전두엽과 측두엽에서 관찰되었다.
감마 대역 진동은 자극 후 45-75ms 사이에 두정엽과 측두엽 영역에서 관찰되었다.
คำพูด
"연합 학습 프레임워크를 활용하여 데이터 공유 없이 다중 서버의 텐서 데이터를 결합하여 분해할 수 있는 FCNCP 알고리즘을 제안한다."
"FCNCP 알고리즘은 텐서 분해의 우수한 고차원 데이터 표현 및 분해 성능과 결합 텐서 분해의 장점을 활용하여 다중 서버 간 데이터 분석을 수행한다."
"실험 결과는 기존 연구 결과와 일치하여, 고차원 EEG 데이터를 효과적으로 처리하고 주요 숨겨진 정보를 보존할 수 있음을 보여주었다."