검색 : [ author: 김진 ] (25)

협동 로봇 센싱 데이터의 특징 클러스터 기반 학습 모델 성능 평가 기법

김진세, 배수빈, 박예슬, 이정원

http://doi.org/10.5626/JOK.2022.49.10.824

최근 스마트팩토리의 대표 설비 기기인 협동 로봇의 건전성 관리 기술(PHM)에 인공지능 모델을 접목하려는 시도가 이어지고 있다. 그러나 일반적인 모델은 테스트 프로그램을 운영하여 수집한 센싱 데이터를 전처리하거나 분석하지 않고 휴리스틱한 방식으로 개발되고 있다. 따라서 본 논문에서는 협동 로봇에서 수집된 주기를 가지는 시계열 센싱 데이터의 특징을 분석할 수 있는 특징 클러스터 기반 학습 모델 성능 평가 방법을 제안한다. 제안하는 방법의 효용성을 검증하기 위해 모션 결함 검출 네트워크의 내부 구성 요소인 프로그램 분류 모델에 적용하여, 기존의 평가 방식에서는 드러나지 않던 학습 성능 저하의 원인이 되는 데이터의 특징을 확인하였다. 이러한 결과는 학습 모델의 성능에 대한 정성적인 평가를 가능하게 하며, 학습 모델 개선에 대한 방향성을 제공한다.

AP-QoS 기반 Wi-Fi 슬라이싱의 실시간 시스템 적용의 한계 분석

김진현, 최현영, 김강진, 최윤도, 반태원, 김세훈

http://doi.org/10.5626/JOK.2021.48.6.723

네트워크 슬라이싱은 애플리케이션 서비스 혹은 사용자의 종류에 따라 차별화된 네트워크 서비스 품질을 보장하는 기술이다. IEEE 802.11에 기반한 Wi-Fi는 가장 보편적으로 사용되는 근거리 무선 통신이며 그 사용자 역시 해마다 늘어나고 있다. 최근에는 의료기기와 같은 고안전성 IoT 기기의 Wi-Fi 사용이 점차 늘어나고 있고, 기업에서도 사용자 서비스 등급에 따른 차별화된 Wi-Fi 서비스를 비즈니스에 활용하기 위해 Wi-Fi를 위한 네트워크 슬라이싱 기술을 요구하고 있다. 본 논문에서는 시간적 결정성을 요구하는 하드 실시간 시스템을 위해 AP-QoS 기반의 네트워크 슬라이싱 구현의 한계와 문제점을 분석한다. 본 논문에서는 QoS를 제공하는 IEEE 802.11e의 Enhanced Distributed Coordination Access(EDCA, 향상된 분산 채널 접근)의 최악의 경우를 분석하는 프레임워크를 정의하고, 이를 통해서 시간적 결정성을 해치는 EDCA의 최악의 경우를 확인한다. 또한 NS-3를 통해 AP-QoS 기반의 네트워크 슬라이스 한계와 문제점을 실증한다. 아울러 AP-QoS의 EDCA를 활용한 실시간 시스템을 위한 Wi-Fi 스트리밍 기술을 본 논문이 참조하는 기술보고서를 통해서 제공한다.

ILP 기반한 시간민감네트워크 스케줄 생성

김진현, 최현영, 김경훈, 이인섭, 김세훈

http://doi.org/10.5626/JOK.2021.48.6.595

최신 실시간 이더넷 표준인 IEEE 802.1Qbv 시간민감네트워크(Time Sensitive Network, 이하 TSN)는 스트림의 시간적 정확성을 보장하기 위해 고안된 네트워크의 표준이다. TSN은 공장 자동화나 자동차 네트워크 시스템을 대체할 이더넷 기반 네트워크로 현재 개발되고 있다. TSN은 오프라인 상에서 만들어진 스케줄에 근거하여 스트림의 흐름을 제어함으로써 주어진 스트림의 종단간지연 혹은 지터 요구사항을 만족시킬 수 있다. 하지만 TSN 스케줄 생성은 NP-hard 문제로 그 복잡도에 있어서 매우 풀기 어려운 문제이다. 그러한 이유로 최근에는 SMT(Satisfiability Modulo Theory)이나 ILP(Integer Linear Programming) 같은 제약사항 해결 기법(Constraint solving technique) 등이 해결방법으로 제시되고 있다. 이 논문에서는 오프라인 상에서의 생성하는 TSN 스케줄 생성을 위해 휴리스틱과 ILP를 함께 이용한 탐욕적이며 점증적인(greedy and incremental) 알고리즘을 제공한다. 이렇게 하여 계산 복잡도를 줄이고 스케줄 생성 성능을 높이고자 한다. 본 논문에서는 특히 기존의 SMT 솔버를 통한 접근과의 비교를 통해 본 연구에서 제시하는 방법에 대한 성능을 비교한다.

항목 인기도 편향 관점에서의 잡음제거 오토인코더의 효과

김진홍, 이재웅, 이종욱

http://doi.org/10.5626/JOK.2021.48.5.575

잡음제거 오토인코더는 추천 시스템에서 최근 흔히 사용되고 있는 모델이다. 이 모델은 입력에 잡음을 주어 학습시키는 오토인코더의 신경망 기반 추천 모델로 오토인코더에 비해 높은 정확도를 보인다. 본 논문에서는 잡음제거 오토인코더의 학습 과정을 이해하기 위해서, 항목의 인기도 편향 관점에서 잡음의 효과를 분석한다. 분석을 위해 우리는 다음의 두 가지 방법으로 실험을 설계한다. 우선, 오토인코더에 잡음을 주는 방법으로 학습된 항목 벡터의 L2 노름(L2-norm)의 변화를 관찰한다. 다음으로는, 항목의 인기도에 의해 일차적으로 추출된 항목에만 잡음을 주는 방법을 통해, 잡음제거 오토인코더의 성능 향상 효과와 항목의 인기도간 관련성을 분석한다. 실험결과를 통해 인기도에 의해 생긴 항목 벡터 노름의 분산의 크기가 잡음에 의해 줄어드는 것을 확인하였으며, 또한 인기도가 높은 항목에 잡음을 줄 때 정확도 향상에 도움이 되는 것을 확인하였다.

적대적 생성 신경망을 이용한 얼굴 감정인식 데이터 증강

김진용, 조근식

http://doi.org/10.5626/JOK.2021.48.4.398

컴퓨터 비전의 얼굴 감정인식 분야는 딥러닝의 다양한 신경망을 통해 최근 의미있는 행보를 보이고 있다. 그러나 주요하게 사용되는 데이터셋들은 “클래스 불균형”이라는 문제를 안고 있고 이는 딥러닝 모델의 정확도를 하락시키는 요인이 된다. 그러므로 클래스 불균형이라는 문제를 해소하기 위한 연구들이 활발하게 진행되고 있다. 본 논문에서는 얼굴 감정인식 데이터셋으로 사용되는 FER2013, RAF_single 데이터셋의 클래스 불균형을 해소하기 위해 적대적 생성 신경망을 이용한 얼굴 감정인식 데이터 증강 모델인 “RDGAN”을 제안한다. RDGAN은 기존 이미지 간 변환을 위한 적대적 생성 신경망을 바탕으로 표현 판별자를 추가하여 기존 연구보다 클래스에 적합한 이미지를 생성 및 변환하는 네트워크이다. RDGAN으로 증강된 데이터셋은 데이터 증강을 하지 않은 데이터셋과 비교하여 FER2013과 RAF_single에서 각각 평균 4.805%p, 0.857%p의 성능 향상을 보였다.

비디오 영상의 비지도 영상 정합을 이용한 파랑 이동 속도 추정

김진아, 김재일, 신성원

http://doi.org/10.5626/JOK.2019.46.12.1296

본 논문은 대용량 비디오 영상에서 파랑 추적을 통한 파랑 이동 속도 추정을 위하여 비지도 학습 기반 영상 정합 기술을 소개한다. 연안에서 파랑은 자체의 높은 비선형성과 비선형 상호작용에 의한 높은 복잡도, 그리고 센서 기반 관측의 어려움으로 물리 방정식을 이용한 파랑 이동 속도의 정확한 추정이 어렵다. 본 연구에서 제안하는 방법은 연안 비디오 영상을 이용한 다양한 비선형 파랑 거동에 대한 학습을 통하여 파랑을 정확히 추적함으로써 파랑의 이동 속도를 계산할 수 있다. 오토인코더를 이용하여 주변광 등 외부 요인이 제거된 파랑 이동 장면 영상을 추출하고, 이로부터 시-공간 비선형 영상 정합을 통해 파랑 추적에 대한 변위 벡터를 추출하여, 단위 시간에 대한 파랑의 이동 변위를 계산한다. 추정된 파랑이동 속도의 정확도 평가를 위해 실제 관측값과 기존 영상 처리 방법으로 추정된 값을 비교 분석하였다.

성별의 알고리즘 편향성 감소를 위한 오토인코더 기반 딥러닝 모델

김진영, 조성배

http://doi.org/10.5626/JOK.2019.46.8.721

알고리즘 편향성은 알고리즘 설계과정에서 트레이닝 데이터에서의 편견이나 모델과 데이터의 특성 사이의 조합에 의해 모델에 반영되는 편향을 의미한다. 최근에는 이러한 편향성이 딥러닝 모델에서 나타날 뿐만 아니라 증폭된다는 연구가 진행되면서 편향성 제거에 관한 문제가 제기되고 있다. 본 논문에서는 성별에 의한 알고리즘 편향성을 편향-분산 딜레마의 관점에서 분석하며 편향성의 원인을 규명하였고 이를 해결하기 위해 심층 오토인코더 기반 잠재공간 일치모델을 제안한다. 우리는 딥러닝에서의 알고리즘 편향성은 모델 내부의 특징 추출부분에서 보호특징별 잠재 공간이 다르다는 것을 실험으로 보여주었다. 본 논문에서 제안하는 모델은 성별특징이 다른 데이터를 동일한 잠재공간으로 전사시킴으로써 추출된 특징의 차이를 줄여 저편향성을 달성하였다. 우리는 정량적 평가지표로 Equality of Odds와 Equality of Opportunity를 사용하여 기존모델에 비해 편향성이 낮음을 입증하고 ROC 곡선으로 통해 성별사이의 예측결과의 편차가 줄어들었음을 확인하였다.

데이터 기반 경로 선별을 통한 상용 정적분석기의 성능 향상 방법

김진영, 이광근

http://doi.org/10.5626/JOK.2019.46.4.363

데이터에 기반한 경로 선별을 통해 상용 정적분석기의 성능을 높이는 방법을 제안한다. 경로에 민감한(path-sensitive) 분석은 상용 정적분석기가 일반적으로 채택하는 기법이며, 어떤 경로를 골라 분석하느냐에 따라 분석비용과 검출하는 오류 수가 달라진다. 이 논문은 손수 튜닝된 경로 선별 휴리스틱을 장착한 기존 상용 정적분석기로부터 비용 대비 효과가 좋은 새로운 경로 선별 휴리스틱을 자동으로 학습하는 방법을 제안한다. 분석기 코드에서 추출한 특징(feature)과 벤치마크 프로그램의 분석결과에 기대어 학습한다. 이 방법을 스패로우(Sparrow)의 상용 C 소스코드 정적분석기와 17개의 C 오픈소스 벤치마크에 적용한 결과, 대표적인 17종 대상오류에 대해 기존 분석 대비 90.8%의 오류를 38%의 분석시간에 검출할 수 있었다. 이는 기존 분석기의 경로 선별 휴리스틱을 따르되 탐색하는 경로의 개수만 유사한 조건으로 제한했을 때보다 더 많은 오류를 더 짧은 시간에 검출한 것이다.

소량의 대화 말뭉치에서 학습 가능한 효과적인 생성 기반 챗봇 모델

김진태, 이현구, 김학수

http://doi.org/10.5626/JOK.2019.46.3.246

잘 알려진 검색 기반 챗봇 모델과 다르게 생성 기반 챗봇 모델은 사전에 정의된 응답에 의존하지 않고 학습된 신경망 모델을 사용하여 새로운 응답을 생성한다. 하지만 생성 기반 챗봇 모델은 발화-응답 쌍의 형태를 가진 대용량의 대화 말뭉치가 필요하다. 학습 말뭉치가 충분하지 않은 경우 구문론적 오류가 발생한다. 본 논문은 이 문제를 해결하기 위해 인코딩-디코딩 단위를 형태소와 음절이 복합적으로 사용된 시퀀스-투-시퀀스 신경망 기반의 챗봇을 제안한다. 또한 대용량의 비 대화 말뭉치를 이용하여 사전 학습하고 소량의 대화 말뭉치를 이용하여 재학습하는 2단계 학습 방법을 제안한다. 소량의 대화 말뭉치(47,089개의 발화-응답 쌍 학습 데이터와 3,000개의 발화-응답 쌍 평가 데이터)를 사용한 실험에서 제안한 인코딩-디코딩 단위는 미등록어 문제를 감소시키는데 도움을 주었고, 2단계 학습 방법은 BLEU와 ROUGE와 같은 성능 향상에 도움을 주었다.

문장 임베딩 기반 텍스트랭크를 이용한 문서 요약

정석원, 김진태, 김학수

http://doi.org/10.5626/JOK.2019.46.3.285

문서 요약은 원본 문서가 가진 주요 내용을 유지하는 축약된 크기의 문서를 만들어내는 것이다. 추출 요약은 원문에서 많은 양의 텍스트를 복사하는 것으로 문법과 정확성의 기본 수준을 보장받을 수 있어 과거부터 활발히 연구되어 왔다. 추출 요약에 사용되는 대표적 방법인 텍스트랭크는 단어의 빈도를 통해 그래프의 간선을 계산하므로 문장이 가진 의미적인 정도를 고려하기 어렵다. 이러한 단점을 해결하기 위해 본 논문에서는 문장 임베딩을 사용하는 새로운 텍스트랭크를 제안한다. 다양한 임베딩 평가를 통해 제안 방법이 일반적인 텍스트랭크 방법보다 문장의 의미를 잘 고려한 결과를 출력한다는 것을 확인하였다.


Search




Journal of KIISE

  • ISSN : 2383-630X(Print)
  • ISSN : 2383-6296(Electronic)
  • KCI Accredited Journal

사무국

  • Tel. +82-2-588-9240
  • Fax. +82-2-521-1352
  • E-mail. chwoo@kiise.or.kr