《우리는 현대과학기술을 원동력으로 하고 첨단산업을 기둥으로 하는 지식경제의 토대를 구축하며 인민경제의 주체화, 현대화, 과학화, 정보화를 높은 수준에서 실현하여야 합니다.》
극단학습기는 한개의 숨은층을 가진 신경망으로서 숨은층의 파라메터들을 우연적으로 생성하고 출구행렬을 해석적으로 결정하여 전반적인 체계의 속도와 일반화성능을 높인 기계학습알고리듬이다.
그러나 극단학습기도 다른 기계학습알고리듬들과 같이 불균형자료모임에 대하여 동등한 분류오유대가를 가정한것으로 하여 불균형학습에서 원만한 성능을 내지 못하며 이로 하여 그것을 극복하기 위한 연구가 여러가지 방법으로 진행되고있다.
우리는 불균형자료분류성능평가지표로 널리 리용되고있는 G_mean과 매 견본이 정확히 분류될 확률을 고려하여 극단학습기의 비용함수를 새롭게 정의하고 그에 기초하여 극단학습기를 구성하였다.
G_mean은 매 클라스들의 분류정확도의 기하평균으로서 성능평가에서 모든 클라스들의 분류정확도를 다 고려한것으로 하여 고전적인 평가척도들보다 불균형자료분류성능평가에 보편적으로 리용되고있다.
우리는 G_mean에 기초하여 극단학습기의 비용함수를 분류결과의 G_mean값을 최소화하도록 변화시키며 매 견본의 분류오차합을 매 견본의 성공확률로 바꾸어 최량화함수의 유계성을 보장하도록 하였다.
제안된 새로운 극단학습기는 많은 국제표준자료기지들에서 여러가지 방법들과 성능평가를 진행하였으며 실험결과에 대한 여러가지 분석을 통하여 그 우월성이 검증되였다.
제안된 극단학습기는 불균형자료모임뿐아니라 균형자료모임에서도 좋은 성능을 보여주었다.
우리의 연구결과는 국제잡지 "International Journal of Machine Learning and Cybernetics"에 "Extreme learning machine with hybrid cost function of G‑mean and probability for imbalance learning"라는 제목으로 출판되였다.
우리는 얻어진 연구결과에 기초하여 기계학습알고리듬에서 비용함수의 유계성이 분류기성능에 미치는 영향에 대한 연구를 심화시키려고 한다.
