흥미로운 연구 소개 감사합니다. 5:20 부근에서 설명해주신 알고리즘에 사용된 feature와 관련하여 궁금한 점이 있는데요. 해당 연구에서는 다양한 feature들을 사용한 것으로 보이는데, 이로 인해 각 input feature들의 사이즈가 달랐을 것 같습니다. 예를 들어, roughness feature로 활용된 지표의 경우 모두 각 주파수와 관련이 있어 input feature의 크기가 동일할 것 같지만, hardness feature로 사용된 지표와 roughness feature로 활용된 지표는 서로 크기가 다를 것 같아서요. 이와 관련하여 어떤 식으로 처리하여 모델의 input으로 활용하였는지, 혹은 각 feature들의 input과 해당 모델의 학습 알고리즘과는 특별히 상관이 없는지와 같은 언급이 해당 논문에서 나타났는지 궁금합니다. 감사합니다.
흥미로운 연구 소개 감사합니다. 몇 가지 궁금한 점이 있어 질문 드립니다. 3:00에서 voice coil motor와 piezoelectric ceramic 모두 vibration 정보를 제공하는데 하나는 hardness에, 하나는 roughness에 사용되는 것 같은데 두 vibration에 어떤 차이가 있는 건지 궁금합니다. 또한, model을 통해 보통은 0 또는 1로 분류를 하거나, 하나의 지표에 대해서 정도를 평가하는 것으로 알고 있는데, perception modeling에서 output으로는hardness와 roughness 각각의 정도가 한 번에 나타나는 건지 궁금합니다. 감사합니다.
좋은 질문 감사합니다. 두 장비는 주파수에서 차이가 있습니다. 코일모터는 비교적 낮은 120Hz 이하에서 작동하고, 피에조 세라믹은 그보다 높은 주파수에서 작동합니다. 모델을 보시면 경도, 거칠기 값을 동시에 출력하는 다중 출력 구조로 설계되어 한번에 예측 가능하다고 합니다. 5개의 인풋을 넣으면, 2개의 값이 동시에 나오는 것이 맞습니다.
좋은 발표 감사합니다. 몇 가지 궁금한 점은, 5:23 부근 figure에서 주파수 대역을 sampling rate를 고려하여 250 Hz까지의 성분 전부를 사용한 것 같은데, 일반적으로 촉각에서 0 ~ 250 Hz 성분을 많이 사용할까요? 더 높은 주파수 성분도 사용하는 것 같은데, 고려하지 않는 것인지 궁금합니다. 또한, 별도의 band-pass 혹은 high-pass filter는 적용하지 않은걸까요? 1 Hz 미만의 low frequency 성분이 거의 없어보여 질문 드립니다. 감사합니다.
좋은 질문 감사합니다. 일반적으로 더 높은 주파수 성분까지 사용하는 경우도 있습니다만 가장 민감하다고 알려진 Pacinian 소체가 250Hz의 진동에 가장 민감해서 250Hz까지의 성분을 사용하는 경우도 있습니다. 또 사용한 필터는 하드웨어단에서 있는 필터를 제외하고는 사용했다는 언급이 없습니다.
좋은 발표 감사합니다. 해당 연구의 목적이 실제 사용자가 어떠한 값을 유사하게 느끼도록 하여 최대한 비슷한 느낌을 가져가야 하는 것으로 받아들였습니다만 유전알고리즘 내 mutation으로 랜덤한 돌연변이 값이 나오면 오히려 좋지 않은 효과를 불러올 것 같다는 생각이 드는데요, 해당 논문에서 유전 알고리즘을 사용한 이유, 특히 mutation이 필요한 이유에 대해 자세히 언급된 게 있을까요? 피험자들이 주관적으로 평가한 샘플 감각 평가로는 제대로 된 사실적인 감각을 전달하기 힘들다고 판단한 것인지 궁금합니다. 감사합니다.
좋은 질문 감사합니다. GA에서 mutation을 사용하는건, 해당 대에서 사용하던 정보보다 더 성능이 좋을 가능성이 있는 정보를 넣어주는 것이기 때문에, 기존 데이터의 무작위 조합이 아닌 더 좋은 결과를 얻기 위해서는 반드시 필요합니다. 해당 논문에서 유전 알고리즘을 사용한 이유는 적혀있지는 않았지만, 촉각의 인지같은 경우에는 색깔이나 소리처럼 정확한 렌더링 방법이 정해지지 않았기 때문에 이렇게 정의되지 않은 문제를 해결하기 위해서 가져온 것으로 보입니다. 피험자들이 주관적으로 평가한 샘플 감각 평가는 결과가 평균 70점으로 아주 똑같다는 것은 아니지만, 7할정도는 비슷한 것 같다라고 답변한 것입니다.
흥미로운 연구 소개 감사합니다. 발표 중에 궁금한점이 있는데 Hooke's law를 사용하면 일정 경도 이상을 표현하는데 문제가 있다고 하였는데 genetic algorithm과 어떻게 다른지 궁금합니다. 그리고 듣기만 하면 genetic algorithm이 굉장히 좋은것 같은데 다른 방식들을 많이 쓰는것 같은데 왜 genetic algorithm가 주로 사용되지 않는지 궁금합니다. 감사합니다.
좋은 질문 감사합니다. Hooke's law는 단순 선형관계로 힘을 생성하기 때문에 하드웨어적 한계 이상의 경도 표현이 불가합니다. 이 연구에서는 하드웨어적 한계를 넘어서기 위해서 GA를 통해 하드웨어적 한계는 넘지 않으면서 실제처럼 느껴지는 신호를 만들고자 했습니다. GA가 사용되지 않는건, 계산하는데 오래 걸린다는 문제도 있고, 단순 수식으로 계산하는 Hooke's law가 구현하기도 쉽기 때문에 사용되는 것 같습니다.
좋은 발표 감사합니다. 유전 알고리즘을 적용한 점이 흥미롭고 이해가 수월했는데, 몇 가지 궁금한 점은 적합도 계산은 어떻게 이뤄지는 건가요? 또한 crossover와 mutation이 결과에 어떻게 영향을 미치는 건지 궁금합니다. 만약 mutation 비율이 적은 집단이 있다면 해당 집단은 적합도가 낮아 비교가 가능할 텐데, 본문에서는 모든 집단의 mutation이 비율이 같게 설정된 것 같아서요, 같은 비율이지만 정도가 다르게 설정된 것일까요?
좋은 질문 감사합니다. 우선 적합도 계산은 입력값G(실제 측정으로 얻은 5개 피쳐)가 BP NN을 통과해 경도와 거칠기값을 예상합니다. 이 예상값과 목표 샘플의 실제 경도와 거칠기 값의 차이를 계산하게 되는데, 이 때에는 하드웨어적으로 제한을 반영하여 계산을 진행하게 됩니다. crossover와 mutation은 피쳐마다 같게 설정되었습니다. 집단의 적합도가 아니라, 개체별의 적합도를 비교하기 때문에 최적의 비율은 있겠지만, 피쳐마다 같게 적용되어야 할 것 같습니다.
재미있는 연구 소개 감사합니다. 몇가지 궁금한 점이 있는데, genetic algorithm에 들어가는 encoding vector는 추출된 5개의 특징을 의미하는 걸까요?? 제가 이해를 잘 못했을 수도 있는데 보통 genetic algorithm은 특징 선택에 많이 사용되는데 5개의 특징에서 해당 알고리즘을 사용하는게 얼마나 의미가 있을까? 하는 생각이 먼저 들었고 5개의 특징으로 조합을 만들면 최대 27가지 밖에 안나올것 같은데 100개의 조합이 어떻게 만들어지는지도 궁금합니다. 더해서, best G라고 표현된 최적이 조합에서 만한 W와 P가 선택되었다면 새로운 렌더링 신호는 어떻게 생성되는 건지가 잘 파악이 안되는데 설명을 부탁드려도될까요?
좋은 질문 감사합니다. 우선 이 논문에서 GA는 특징 선택이 아닌 특징값의 최적화에 사용됩니다. 특징값인 G는 앞서 말씀드린 5개의 피쳐입니다. 이 알고리즘에서 100이라는 것은 각 특징의 가능한 실수값 조합을 100개 생성했다는 뜻입니다. 그래서 27가지가 아닌 각 피쳐의 범위에서 다양한 조합이 가능합니다. 여기서 GA가 사용된 이유는 렌더링에 사용되는 값들(5개 피쳐)가 하드웨어적 제한 기준을 적용했을 때, 목표로 하는 경도, 거칠기의 인지를 만들 수 있을지를 최적화하는데 사용됩니다. 렌더링 신호는 앞선 과정을 통해 최적화된 피쳐로 공식을 통해서 생성됩니다. 논문의 내용을 가져오자면 다음과 같습니다. 경도 렌더링: Fn = GS·Y (GS ≤ GSmax일 때) Fn = (GSmax + GScoil(fcoil))·Y (GS > GSmax일 때) 거칠기 렌더링: Vt = Vout·sin(2π·fp·t) where fp = Fpeak·|vx/vconst|
![[저널 미팅] Predicting Sensory and Affective Tactile Perception](http://i.ytimg.com/vi/o1nbkCLXphM/mqdefault.jpg)
![[저널 미팅] Predicting Sensory and Affective Tactile Perception](/img/tr.png)
![[저널 미팅] Deep Learning Models and Explainability in BCI](http://i.ytimg.com/vi/fP31KHO_6y0/mqdefault.jpg)
![[저널 미팅] Enhancing ERD Activation and Functional Connectivity via the Sixth-Finger Motor Imagery](/img/n.gif)
좋은 발표 감사합니다.
데이터 분석적인 부분과 패러다임의 세부 사항 관련하여 궁금한 점이 있으나, 이미 관련 댓글이 많이 달려있어 해당 답변 참고하도록 하겠습니다.
감사합니다.
좋은 발표 감사합니다. 사용된 알고리즘에 관련해 궁금한 점이 있지만 다른 분들께서 많이 질문해 주셔서 참고하도록 하겠습니다. 감사합니다.
감사합니다.
흥미로운 연구 소개 감사합니다. 5:20 부근에서 설명해주신 알고리즘에 사용된 feature와 관련하여 궁금한 점이 있는데요. 해당 연구에서는 다양한 feature들을 사용한 것으로 보이는데, 이로 인해 각 input feature들의 사이즈가 달랐을 것 같습니다. 예를 들어, roughness feature로 활용된 지표의 경우 모두 각 주파수와 관련이 있어 input feature의 크기가 동일할 것 같지만, hardness feature로 사용된 지표와 roughness feature로 활용된 지표는 서로 크기가 다를 것 같아서요. 이와 관련하여 어떤 식으로 처리하여 모델의 input으로 활용하였는지, 혹은 각 feature들의 input과 해당 모델의 학습 알고리즘과는 특별히 상관이 없는지와 같은 언급이 해당 논문에서 나타났는지 궁금합니다. 감사합니다.
좋은 질문 감사합니다.
이 논문에서는 데이터의 스케일 처리는 하지 않았던 것 같습니다.
피쳐를 최적화시킨 뒤, 다시 신호를 생성하는데, 이 과정에서 각 피쳐들이 가지는 사이즈도 신호를 렌더링할 때 사용되기 때문에 그대로 인풋으로 사용한 것으로 보입니다.
좋은 발표 감사합니다. 알고리즘과 관련하여 질문이 하나 있는데요. 해당 알고리즘에서는 종료 조건을 만족할 때 모델의 학습이 종료되는 것으로 보이는데, 10:57을 보면 종료조건으로 50세대가 설정되어 있어서요. 종료조건을 설정하는 데에 이유나 기준이 있는지 궁금합니다.
좋은 질문 감사합니다.
다른 최적화 알고리즘에서도 항상 있는데, 종료조건을 설정해야 최적화가 끝나니까 설정되었고, 기준은 따로 제시하지 않았습니다. 보통 계산 시 간단한 문제는 50~100세대, 복잡한 문제는 이보다 더 많이 늘려서 진행한다고만 알고 있습니다.
흥미로운 연구 소개 감사합니다. 몇 가지 궁금한 점이 있어 질문 드립니다. 3:00에서 voice coil motor와 piezoelectric ceramic 모두 vibration 정보를 제공하는데 하나는 hardness에, 하나는 roughness에 사용되는 것 같은데 두 vibration에 어떤 차이가 있는 건지 궁금합니다. 또한, model을 통해 보통은 0 또는 1로 분류를 하거나, 하나의 지표에 대해서 정도를 평가하는 것으로 알고 있는데, perception modeling에서 output으로는hardness와 roughness 각각의 정도가 한 번에 나타나는 건지 궁금합니다. 감사합니다.
좋은 질문 감사합니다.
두 장비는 주파수에서 차이가 있습니다. 코일모터는 비교적 낮은 120Hz 이하에서 작동하고, 피에조 세라믹은 그보다 높은 주파수에서 작동합니다.
모델을 보시면 경도, 거칠기 값을 동시에 출력하는 다중 출력 구조로 설계되어 한번에 예측 가능하다고 합니다. 5개의 인풋을 넣으면, 2개의 값이 동시에 나오는 것이 맞습니다.
@@Kim_JunYeop 답변 감사합니다.
좋은 발표 감사합니다.
몇 가지 궁금한 점은, 5:23 부근 figure에서 주파수 대역을 sampling rate를 고려하여 250 Hz까지의 성분 전부를 사용한 것 같은데, 일반적으로 촉각에서 0 ~ 250 Hz 성분을 많이 사용할까요? 더 높은 주파수 성분도 사용하는 것 같은데, 고려하지 않는 것인지 궁금합니다.
또한, 별도의 band-pass 혹은 high-pass filter는 적용하지 않은걸까요? 1 Hz 미만의 low frequency 성분이 거의 없어보여 질문 드립니다.
감사합니다.
좋은 질문 감사합니다.
일반적으로 더 높은 주파수 성분까지 사용하는 경우도 있습니다만 가장 민감하다고 알려진 Pacinian 소체가 250Hz의 진동에 가장 민감해서 250Hz까지의 성분을 사용하는 경우도 있습니다.
또 사용한 필터는 하드웨어단에서 있는 필터를 제외하고는 사용했다는 언급이 없습니다.
@@Kim_JunYeop 답변 감사합니다.
좋은 발표 감사합니다. 해당 연구의 목적이 실제 사용자가 어떠한 값을 유사하게 느끼도록 하여 최대한 비슷한 느낌을 가져가야 하는 것으로 받아들였습니다만 유전알고리즘 내 mutation으로 랜덤한 돌연변이 값이 나오면 오히려 좋지 않은 효과를 불러올 것 같다는 생각이 드는데요, 해당 논문에서 유전 알고리즘을 사용한 이유, 특히 mutation이 필요한 이유에 대해 자세히 언급된 게 있을까요? 피험자들이 주관적으로 평가한 샘플 감각 평가로는 제대로 된 사실적인 감각을 전달하기 힘들다고 판단한 것인지 궁금합니다. 감사합니다.
좋은 질문 감사합니다.
GA에서 mutation을 사용하는건, 해당 대에서 사용하던 정보보다 더 성능이 좋을 가능성이 있는 정보를 넣어주는 것이기 때문에, 기존 데이터의 무작위 조합이 아닌 더 좋은 결과를 얻기 위해서는 반드시 필요합니다.
해당 논문에서 유전 알고리즘을 사용한 이유는 적혀있지는 않았지만, 촉각의 인지같은 경우에는 색깔이나 소리처럼 정확한 렌더링 방법이 정해지지 않았기 때문에 이렇게 정의되지 않은 문제를 해결하기 위해서 가져온 것으로 보입니다.
피험자들이 주관적으로 평가한 샘플 감각 평가는 결과가 평균 70점으로 아주 똑같다는 것은 아니지만, 7할정도는 비슷한 것 같다라고 답변한 것입니다.
흥미로운 연구 소개 감사합니다.
유전 알고리즘을 활용한 연구는 처음 접해봐서 흥미롭게 들었습니다. 제가 놓친 부분일수도 있는데, 유전 알고리즘을 활용한 이유가 좀 궁금해서요. 해당 알고리즘이 현재 연구 목표에 더 적합하다거나..하는 근거나 이유가 있을까요?
좋은 질문 감사합니다.
촉각 문제가 비선형적이면서 복잡하기 때문에 방향성을 가지지 않으면서 최적해를 찾는 유전 알고리즘을 사용했습니다.
흥미로운 연구 소개 감사합니다. 발표 중에 궁금한점이 있는데 Hooke's law를 사용하면 일정 경도 이상을 표현하는데 문제가 있다고 하였는데 genetic algorithm과 어떻게 다른지 궁금합니다. 그리고 듣기만 하면 genetic algorithm이 굉장히 좋은것 같은데 다른 방식들을 많이 쓰는것 같은데 왜 genetic algorithm가 주로 사용되지 않는지 궁금합니다. 감사합니다.
좋은 질문 감사합니다.
Hooke's law는 단순 선형관계로 힘을 생성하기 때문에 하드웨어적 한계 이상의 경도 표현이 불가합니다.
이 연구에서는 하드웨어적 한계를 넘어서기 위해서 GA를 통해 하드웨어적 한계는 넘지 않으면서 실제처럼 느껴지는 신호를 만들고자 했습니다.
GA가 사용되지 않는건, 계산하는데 오래 걸린다는 문제도 있고, 단순 수식으로 계산하는 Hooke's law가 구현하기도 쉽기 때문에 사용되는 것 같습니다.
좋은 발표 감사합니다. 유전 알고리즘을 적용한 점이 흥미롭고 이해가 수월했는데, 몇 가지 궁금한 점은 적합도 계산은 어떻게 이뤄지는 건가요?
또한 crossover와 mutation이 결과에 어떻게 영향을 미치는 건지 궁금합니다. 만약 mutation 비율이 적은 집단이 있다면 해당 집단은 적합도가 낮아 비교가 가능할 텐데, 본문에서는 모든 집단의 mutation이 비율이 같게 설정된 것 같아서요, 같은 비율이지만 정도가 다르게 설정된 것일까요?
좋은 질문 감사합니다.
우선 적합도 계산은 입력값G(실제 측정으로 얻은 5개 피쳐)가 BP NN을 통과해 경도와 거칠기값을 예상합니다.
이 예상값과 목표 샘플의 실제 경도와 거칠기 값의 차이를 계산하게 되는데, 이 때에는 하드웨어적으로 제한을 반영하여 계산을 진행하게 됩니다.
crossover와 mutation은 피쳐마다 같게 설정되었습니다. 집단의 적합도가 아니라, 개체별의 적합도를 비교하기 때문에 최적의 비율은 있겠지만, 피쳐마다 같게 적용되어야 할 것 같습니다.
@@Kim_JunYeop 답변 감사합니다!
좋은 발표 감사합니다. 피험자는 각 샘플의 사실감을 응답한다고 하셨는데, 샘플이 모두 시중에서 확인할 수 있는 제품들로 이루어져 있기 때문에 평가가 모호할 수 있을 것 같아서, 기준 샘플과의 비교 등 추가로 진행한 과정이 있는지 궁금합니다.
감사합니다
좋은 질문 감사합니다.
피험자들은 (만들어진 신호vs 실제 샘플)을 만져보고, 신호가 얼마나 실제같은지를 100점까지 평가를 진행했습니다.
재미있는 연구 소개 감사합니다.
몇가지 궁금한 점이 있는데, genetic algorithm에 들어가는 encoding vector는 추출된 5개의 특징을 의미하는 걸까요?? 제가 이해를 잘 못했을 수도 있는데 보통 genetic algorithm은 특징 선택에 많이 사용되는데 5개의 특징에서 해당 알고리즘을 사용하는게 얼마나 의미가 있을까? 하는 생각이 먼저 들었고 5개의 특징으로 조합을 만들면 최대 27가지 밖에 안나올것 같은데 100개의 조합이 어떻게 만들어지는지도 궁금합니다. 더해서, best G라고 표현된 최적이 조합에서 만한 W와 P가 선택되었다면 새로운 렌더링 신호는 어떻게 생성되는 건지가 잘 파악이 안되는데 설명을 부탁드려도될까요?
좋은 질문 감사합니다.
우선 이 논문에서 GA는 특징 선택이 아닌 특징값의 최적화에 사용됩니다.
특징값인 G는 앞서 말씀드린 5개의 피쳐입니다.
이 알고리즘에서 100이라는 것은 각 특징의 가능한 실수값 조합을 100개 생성했다는 뜻입니다. 그래서 27가지가 아닌 각 피쳐의 범위에서 다양한 조합이 가능합니다.
여기서 GA가 사용된 이유는 렌더링에 사용되는 값들(5개 피쳐)가 하드웨어적 제한 기준을 적용했을 때, 목표로 하는 경도, 거칠기의 인지를 만들 수 있을지를 최적화하는데 사용됩니다.
렌더링 신호는 앞선 과정을 통해 최적화된 피쳐로 공식을 통해서 생성됩니다.
논문의 내용을 가져오자면 다음과 같습니다.
경도 렌더링:
Fn = GS·Y (GS ≤ GSmax일 때)
Fn = (GSmax + GScoil(fcoil))·Y (GS > GSmax일 때)
거칠기 렌더링:
Vt = Vout·sin(2π·fp·t)
where fp = Fpeak·|vx/vconst|
@@Kim_JunYeop 답변 감사합니다.