DEA 모델중 널리 사용되는 교차평가모델(cross efficiency model)은 가중치에 제한을 두지 않고 어떤 특정분야에 탁월한 성과를 내는 DMU(Decision Making Unit)보다는 보다 전반적인 분야에서 두각을 나타내는 DMU를 선발함으로써 많은 연구자들이 DEA문헌에서 적용하여 왔다. 본 연구에서는 이러한 교차평가모델이 실제에 있어서는 암묵적으로 고정 가중치를 사용한다는 것과 동일한 결과를 나타낸다는 것을 분석적으로 밝혔다(one

This study examines the relationship between R&D investment and subsequent outputs of the research activity. Usually, there is some time difference between the production of research outputs, such as academic papers and application or registration of pate

DEA 관련 연구에서 전체 효율을 측정하는 것의 중요성은 강조되어져 왔다. 그 연구는 주로 그것이 오직 가격과 비용의 정보를 정확히 알 때 측정될 수 있다는 제한이 있었다. 그러나 실제 사례에서 이 정확한 정보를 얻는 것은 쉽지 않다. 이런 한계를 일부 극복하기 위해 이 논문에서는 Cone-ratio 제약을 이용하여 전체 효율을 측정하기 위한 새로운 모델들을 제안했다. 제안된 모델들을 기반으로 DEA에서 전체 효율 모델들을 적용하기 위해 우리가 알아야

데이터마이닝의 사전 단계에서 데이터의 차원(Dimensionality)을 줄이기 위한 단계로서 많은 요소선택(Feature Selection)방법들이 개발되었다. 이 방법은 결과를 예측하거나 데이터를 설명하고자 할 때 어떤 요소들이 관련이 있는지를 결정하는 과정을 포함한다. 또한 이 방법은 데이터의 크기에 대한 확장성(Scalability)를 향상시키며 학습 모델을 더욱 이해하기 쉽도록 줄 수 있다. 이 논문에서는 NP(Nested Partition)

다양한 데이터 마이닝 기법들의 발전과 더불어, 속성 (Feature 또는 Attribute) 의 범위 (Dimension) 를 줄이기 위해 많은 요소 선택 방법이 개발되었다. 이는 확장성 (Scalability) 을 향상시킬 수 있고 학습 모델 (Learning Model)을 더욱 쉽게 해석할 수 있도록 한다. 이 논문에서는 네스티드 분할 (Nested Partition, 이하 NP) 을 이용한 새로운 최적화 기반 속성 선택 방법을 NP 기본 구조와 다양한 실험 문제의 수치적 결과들과 함께 제시하여 어떻게 NP의 최적화 구조가 속성 선택 과정에 기여를 하고 있는지 보여준다. 그리고 이 새로운 지능적인 분할 방법이 어떻게 매우 효율적인 분할을 수행하는지를 제시한다. 이 새로운 속성 선택 방법은 필터 (Filter) 방법과 래퍼 (Wrapper) 방법 두 가지로 구현될 수 있다. 사례 연구로서, B2B e-비즈니스 시스템에서 효과적으로 사용될 수 있는 추천 시스템(Recommender System) 을 제안하였다. 이 추천 시스템은 분류 기법 (Classification Rule) 과 제시된 NP 기반 요소 선택 방법을 사용하고 있다. 이 추천 시스템은 사용자의 인터넷 경매 참여를 추천하는데 사용되며, 이 때 제안된 요소 선택 앨고리듬은 추천 규칙들이 쉽게 이해될 수 있도록 모델을 간략화 하는데 사용된다.