최근 이슈
52권
8호,
8월
2025
전체 권/호
모바일 환경에서의 효과적인 LLM 추론을 위한 메모리 관리 기법 연구
http://doi.org/10.5626/JOK.2025.52.8.637
서버 기반 LLM의 개인 프라이버시 우려와 네트워크 지연 문제로 인해 온디바이스 LLM이 새롭게 주목받고 있으나, 모바일 운영체제의 메모리 관리 정책은 LLM 추론 시 메모리 자원을 효율적으로 관리하기에 한계가 존재한다. 본 논문에서 제안한 초기 KV 캐시 스왑과 웨이트 지연 회수 기법은 사전 할당된 KV 캐시를 zRAM을 활용해 메모리 사용량을 개선하고, 모델 웨이트의 회수를 지연시킴으로써 스토리지 I/O를 최소화하여 LLM의 추론 성능을 향상시킨다. 제안한 기법은 기존 리눅스 커널 대비 최대 27%의 메모리 사용량 절감 효과를 보이며, 메모리 경쟁이 심한 모바일 환경에서의 LLM 추론 성능 최적화를 이끌 수 있다. 또한, 추측 디코딩과 같은 여러 후보 경로를 유지하는 추론 기법에서 경로의 수에 비례하여 더 큰 메모리 절감 효과를 보임으로써, 모바일 환경에서 다양한 LLM 추론 기법의 적용 가능성을 보여준다.
확산 모델 기반 제어 가능한 고해상도 의류 이미지 생성 연구
http://doi.org/10.5626/JOK.2025.52.8.644
본 논문에서는 이미지와 프롬프트로 이미지 제어가 가능한 ControlNet을 활용하여 고해상도 의류 이미지 생성 방법을 제안한다. 사용자가 의도한 프롬프트 정보와 도식화를 활용하여, 맞춤형 의류 이미지를 생성하는 것을 목표로 한다. 실제 디자이너가 제작한 도식화의 획득이 어려운 점을 고려하여, 본 연구에서는 의류의 엣지 추출 알고리즘을 통한 의사 도식화를 생성하고 이를 ControlNet의 입력으로 사용한다. 사전 학습된 DiffusionEdge로 생성한 의사 도식화와, BLIP 기반 프롬프트를 통해 다양한 학습 조건의 실험을 진행했다. BIPED로 사전 학습된 DiffusionEdge와 BLIP 기반 프롬프트를 적용한 모델이 네 가지 평가 지표에서 뛰어난 성능을 보이며, 프롬프트에 맞춤화된 고해상도 의류 이미지의 생성이 가능함을 확인하였다. 다양한 조건의 프롬프트 입력을 통해 재학습된 ControlNet이 색상, 패턴 등에 대해 사용자 맞춤형 제어가 가능함을 확인하였다.
인코더 기반 거대 언어 모델의 초기 계층이 코드 분류에 효과적인가?
http://doi.org/10.5626/JOK.2025.52.8.654
인코더 기반 모델은 데이터를 잘 표현하여 코드 분류 태스크에 활용된다. 최근에 제안된 방법론인 EarlyBIRD는 인코더 기반 모델의 초기 계층의 결과물을 사용하여 효과적으로 태스크를 수행할 수 있음을 보였다. 하지만 해당 연구에서는 CodeBERT 모델만 사용하였으며, 특정 태스크에서만 효과를 보였다. 본 논문에서는 인코더-디코더 기반 CodeT5 모델을 이용하여 여러 태스크에서 EarlyBIRD를 적용하고 그 효과를 논의한다. 실험 결과, 태스크에서 다루는 프로그래밍 언어를 언어 모델이 사전 학습하지 않았을 때 13.79%p 성능이 향상되었지만, 비슷한 언어를 사전 학습한 경우 0.41%p밖에 성능이 향상되지 않았다. 또한 EarlyBIRD 방법론을 적용하지 않은 인코더-디코더 기반 모델의 성능이 EarlyBIRD를 적용한 인코더 기반 모델의 최고 성능과 비슷하였으며 어떤 초기 계층을 사용해야 할지 사전에 선택하기 어렵기 때문에 EarlyBIRD가 효과적이지 못함을 확인하였다.
시계열 패턴 기반 신용 부도 예측: 시계열 데이터 불균형 완화 및 딥러닝 적용
http://doi.org/10.5626/JOK.2025.52.8.660
현실에는 채무 불이행을 하는 경우는 그렇지 않은 경우보다 훨씬 적어 불균형하다는 문제가 있다. 이러한 데이터 불균형 문제는 예측 모델의 성능 저하를 초래하는 주요 요인으로 작용한다. 본 연구에서는 이와 같은 불균형 문제를 해결하기 위해 시계열 기반의 데이터 증강 기법인 T-SMOTE를 도입한다. T-SMOTE는 전통적인 SMOTE와 달리, 시계열 데이터의 연속성을 반영하여 경계에 가까운 샘플을 생성함으로써 예측 모델의 성능을 향상시킬 수 있다. 그러나 기존 T-SMOTE는 짧은 시계열에 대해서는 해결하지 못한다는 단점이 있었는데, 이를 Zero-Padding기법을 적용함으로써 해결하였다. 아메리칸 익스프레스에서 제공된 데이터를 통해 비교 실험한 결과, T-SMOTE 기법이 데이터 불균형 문제 완화에 있어 우수한 성능을 나타냈다. 이러한 연구 결과는 발전된 데이터 증강 기술이 금융 산업에서 신용 리스크 관리의 새로운 가능성을 보여준다.
패치 경량화와 문맥 정보를 활용한 프로그램 자동 정정 개선
정은서, 아슬란 압디나비예프, 이병정
http://doi.org/10.5626/JOK.2025.52.8.670
프로그램 자동 정정 연구에서 대규모 언어 모델LLM은 매우 중요한 역할을 한다. 하지만 토큰 제한 문제로 인해 LLM이 처리할 수 있는 토큰 개수의 한계를 넘는 경우 LLM의 기능을 최대한 활용하지 못하고 버그나 에러를 올바르게 정정하지 못하는 문제가 발생한다. 따라서 본 연구에서는 패치 경량화와 유사한 메서드 정보를 활용하여 LLM의 토큰 길이 제한을 극복하여 더 많은 버그를 정정하고자 한다. 버그가 있는 메서드와 가장 높은 유사도를 가지고 있는 메서드를 문맥 메서드로 활용하고, 메서드 중 길이가 긴 메서드의 경우 패치 경량화 방법을 활용하여 LLM이 처리 가능한 토큰으로 메서드가 구성되도록 한다. 이러한 방법을 적용한 결과, 적은 토큰으로도 효율적인 버그 정정이 가능함을 확인하였다.
거대 멀티모달 모델을 활용한 레이아웃 코드 생성
http://doi.org/10.5626/JOK.2025.52.8.677
프로그램 자동 정정 연구에서 대규모 언어 모델LLM은 매우 중요한 역할을 한다. 하지만 토큰 제한 문제로 인해 LLM이 처리할 수 있는 토큰 개수의 한계를 넘는 경우 LLM의 기능을 최대한 활용하지 못하고 버그나 에러를 올바르게 정정하지 못하는 문제가 발생한다. 따라서 본 연구에서는 패치 경량화와 유사한 메서드 정보를 활용하여 LLM의 토큰 길이 제한을 극복하여 더 많은 버그를 정정하고자 한다. 버그가 있는 메서드와 가장 높은 유사도를 가지고 있는 메서드를 문맥 메서드로 활용하고, 메서드 중 길이가 긴 메서드의 경우 패치 경량화 방법을 활용하여 LLM이 처리 가능한 토큰으로 메서드가 구성되도록 한다. 이러한 방법을 적용한 결과, 적은 토큰으로도 효율적인 버그 정정이 가능함을 확인하였다.
태양광 발전량 예측을 위한 유전자 알고리즘 기반의 다중 지역 기상 데이터 최적화 기법 연구
http://doi.org/10.5626/JOK.2025.52.8.688
태양광 발전의 간헐성은 안정적인 전력 수급을 어렵게 하는 요인 중 하나이다. 기상 상태에 따른 간헐성 문제를 극복하기 위해, 통계적 모델링 기법 및 딥러닝을 활용한 태양광 발전량 예측 방법들이 여럿 개발되었다. 하지만 기존의 방법들은 기상 데이터에 내재된 날씨 패턴의 상관성과 이동성을 고려하지 않아 예측 정확도 개선에 한계가 있다. 본 연구에서는 태양광 발전량 예측 정확도 향상을 위해, 장단기 메모리 모델을 활용하여 여러 도시의 기상 데이터로부터 시간적 패턴을 추출하고, 유전자 알고리즘을 통해 각 도시 날씨 패턴의 중요도를 분석 및 최적화하는 태양광 발전량 예측 기법을 제안한다. 대한민국에서 태양광 발전이 활발한 3개 지역을 대상으로 제안 기술의 성능을 평가하였으며, 제안하는 방법이 기존 방법들보다 예측 성능이 우수하고, 태양광 발전과 밀접한 주요 지역을 식별할 수 있음을 확인하였다.
에너지 수집형 무선 센서 네트워크에서 에너지 적응적 데이터 손실 복구
http://doi.org/10.5626/JOK.2025.52.8.700
무선 센서 네트워크는 제한된 배터리 용량으로 인해 네트워크 수명이 제한될 수 있다. 특히, 멀티 홉 전송 방식으로 인해 싱크 노드 주변 노드에서 데이터 집중으로 인한 에너지 부족 현상이 발생하고, 전송 오류에 취약해진다. 에너지 수집 기법은 센서 노드의 수명 한계를 극복하는 방법으로 사용되었다. 한편, 수집된 에너지는 배터리의 한계를 넘으면 더 충전되지 않으므로 이를 활용하는 방법이 필요하다. 본 논문에서는 이 여분의 에너지를 활용하여 데이터 손실 문제를 해결하는 기법을 제안한다. 제안된 기법은 배터리의 한계를 넘어서 남는 에너지를 활용하여 전송 오류가 발생한 데이터를 재전송하고, 그래도 에너지가 남으면 중복 전송을 수행하는 방식이다. 시뮬레이션 결과, 제안된 기법은 기존의 단순한 기법에 비해 더 많은 데이터를 수집한 것을 볼 수 있고, 이로 인해 본 기법이 전송 오류를 효과적으로 복구하였음을 알 수 있다.
차량간 통신을 활용한 자율주행 안전성 및 승차감 향상 기법 연구
http://doi.org/10.5626/JOK.2025.52.8.709
자율주행 기술의 발전에 따라 차량 간 통신 (V2V, Vehicle-to-Vehicle) 통신을 활용한 연구가 활발히 이루어지고 있다. 그러나 기존의 V2V 통합 방법은 새로운 데이터 유형을 활용하지 않거나, 단순히 기존 센서 데이터를 대체하는 데 그치고 있다. 본 논문에서는 차량 긴급 제동 시스템 (AEB, Autonomous Emergency Braking) 및 적응형 크루즈 컨트롤 (ACC, Adaptive Cruise Control)에서 V2V의 이점을 극대화하는 두 가지 아키텍처, 1) V2V 기반 AEB 아키텍처 (VEBS)와 2) V2V 기반 ACC 아키텍처 (VCBS), 를 제안한다. 이 아키텍처들은 센서와 V2V 통신을 결합하고, 브레이크 및 스티어링 휠 값을 활용한다. 시뮬레이션 결과, VEBS는 충돌을 방지하고 제동 거리를 최대 243% 증가시켜 안전성을 높였으며, VCBS는 안전성을 강화함과 동시에 평균 감속을 최대 54% 감소시켜 승차감을 개선한다.
