디지털 라이브러리[ 검색결과 ]
최근접 이웃 메커니즘을 활용한 텍스트 기반 순차적 추천 모델 추론 프레임워크
http://doi.org/10.5626/JOK.2025.52.5.435
순차적 추천 과업은 사용자의 상호작용 기록을 기반으로 다음에 상호작용할 항목을 예측하는 과업이다. 텍스트로 항목을 표현하는 텍스트 기반 추천 모델은 콜드 스타트(cold-start) 문제와 제로 샷(zero-shot) 추천 과업에서 우수한 성능을 보이지만, 협력적 지식 부족과 텍스트 편향이라는 한계를 가진다. 본 연구는 이러한 한계를 극복하고자 최근접 이웃 메커니즘을 활용한 텍스트 기반 추천 모델 추론 프레임워크를 제안한다. 제안 방법은 텍스트 기반 추천 모델을 이웃 검색 모델로 활용하여 사용자와 유사한 선호를 가진 이웃을 검색하고, 이웃 정보를 기존 추천 결과와 결합하여 추천 성능을 향상한다. 4개의 데이터셋에서 수행된 실험 결과, 제안된 방법은 기존 모델 대비 일관된 성능 향상을 보여주었으며, NDCG@50 기준 최대 25.27%의 성능 개선을 기록했다. 또한, 제안 방법은 협력적 지식을 효과적으로 보완하고 추천 근거를 제공함으로써 모델의 설명 가능성을 향상함을 보였다.
복수의 엣지 디바이스에서의 CNN 모델 분산 처리를 위한 축소된 분류 모델 활용 기법
http://doi.org/10.5626/JOK.2020.47.8.787
최근 클라우드 서버로 전송되는 막대한 양의 데이터로 인해 발생하는 네트워크 부하 등의 여러 문제로 인하여, 데이터의 수집이 이루어지는 네트워크의 말단에서 자체적으로 데이터를 처리하는 엣지 컴퓨팅에 대한 요구가 증가하고 있다. 그러나 네트워크 말단에 위치한 엣지 디바이스는 대부분 성능이 제한되어 있어 클라우드 서버에서 사용되는 딥러닝 응용을 그대로 사용하기에는 어려움이 있다. 이러한 문제를 극복하기 위해, 본 논문에서는 딥러닝 모델을 축소된 분류 모델들로 나누어 활용해 복수의 엣지 디바이스에서 공동으로 추론을 수행하는 분산 처리 기법을 제안하였다. 여기서 사용된 축소된 분류 모델은 경량화 된 모델 가중치를 가지며, 전체 분류 레이블 중 일부에 해당하는 레이블에 대해 추론을 진행한다. 성능 측정 결과 제안하는 축소된 분류 모델의 결과를 취합하는 분산 처리 기법의 정확도가 기존 모델 대비 더 적은 파라미터를 갖도록 경량화를 하여도 기존 모델과 유사한 수준을 유지할 수 있음을 확인하였다.
