디지털 라이브러리[ 검색결과 ]
패션사진의 “좋아요”를 이용한 인스타그램 사용자 임베딩과 패션사진 추천
http://doi.org/10.5626/JOK.2021.48.11.1235
개개인이 선호하는 패션 스타일이 다양해지며, 개인화된 패션추천 연구에 대한 수요가 증가하고 있다. 최근에는 딥러닝 기술의 발전으로 딥러닝을 활용하여 패션사진으로부터 특징을 추출하고 추천에 활용하는 연구가 많이 진행되고 있다. 본 연구에서는, 패션사진의 추천에 있어서 패션 스타일 뿐 아니라, 소비자도 고려하기 위해 소셜 네트워크 데이터를 이용하고자 했다. 인스타그램과 같은 소셜 네트워크의 각 사용자는 자신이 선호하는 스타일의 패션사진을 포스팅하고 “좋아요”로 태깅하는 경향이 있어, 소셜 네트워크 데이터는 사용자와 패션사진 사이의 관계를 파악하는데 있어서 매우 중요하다. 본 연구팀은 사용자와 패션사진으로 이루어진 소셜 네트워크 데이터 구조로부터 사용자와 패션사진을 같은 벡터공간에 매핑하는 기법을 제안한다. 특히, 학습에 이용되지 않은 사용자와 패션이미지도 추가학습 없이 벡터공간에 매핑함으로써, 임의의 사용자가 선호할 만한 패션사진을 추천해주기 위해 제안 방법을 이용할 수 있다.
시맨틱 얼굴 변형을 이용한 심층신경망 공격과 강건성 향상
http://doi.org/10.5626/JOK.2021.48.7.809
심층신경망은 자율 주행, 얼굴 인식, 물체 탐지 등 다양한 분야에서 널리 쓰이고 있다. 하지만 누군가 악의적인 의도로 심층신경망의 입력을 교란시키면, 잘 학습된 신경망도 오작동 할 수 있다. 일반적인 공격 방법은 이미지의 픽셀 공간에 교란을 추가하여 이미지를 조작한다. 그러나 픽셀 기반의 변형은 쉽게 사람의 눈에 띌 수 있기 때문에 현실적인 효과적 공격은 이미지를 부자연스럽게 변형하여 네트워크를 교란시키는 방법이라 할 수 있다. 본 논문에서는 얼굴 이미지의 부위별 분할을 통해 자연스러운 색감 변형을 이용한 새로운 공격 방법을 제안한다. 시맨틱 얼굴 변형(Semantic face transformation) 기반 이미지를 생성하였으며, 이를 통해 심층신경망 이미지분류의 정확도를 낮출 수 있음을 검증하였다. 또한 우리 방법으로 생성된 변형 이미지를 이용하여, 강건성 훈련한 후 신경망의 강건성을 향상시킬 수 있음을 검증하였다.
맵리듀스 기반 상향식 최대 밀도 부분그래프 탐색 알고리즘
최대 밀도 부분 그래프는 소셜 네트워크에서 사용자들이 속한 특정 커뮤니티나 사용자들의 공통 관심사를 나타내기에, 최대 밀도 부분 그래프를 찾는 연구가 다수 있었다. 그러나 기존의 연구들은 단일한 최고 밀도 부분 그래프를 찾는다는 문제점이 있었다. 이 연구에서는 주어진 노드에서 시작하여, 인접하는 노드 중에 연결수(degree)가 가장 높은 노드를 추가하는 방식을 사용한 최고 밀도 부분 그래프를 찾는 상향식 휴리스틱 알고리즘을 제안한다. 이에 따라, 병렬 처리에 용이하게 하였고, 이를 맵리듀스 프레임워크 상에서 병렬 알고리즘으로 구현하였다. 다양한 그래프 데이터로 실험결과 이전 연구와 비교하여 조기에 최고 밀도 부분 그래프를 찾아냄을 보였다. 또한 다양한 다수의 노드가 주어졌을 때에도 효과적으로 동작함을 보였다.
K개의 점 데이터를 포함하는 최소MBR 탐색
스마트폰과 같은 GPS센서가 장착된 모바일 기기가 널리 보급되고 있다. 이러한 추세에 따라 트위터나 페이스북과 같은 소셜 미디어에서 GEO태그가 된 메시지 (즉, GPS 위치를 갖는 멀티미디어 메시지)를 손쉽게 작성할 수 있게 되었고 게시자의 위치정보를 포함하는 공간데이터가 급증하고 있다. 그러나 이러한 공간데이터에서 항상 위치 정보와 게시글 내용이 명시적인 연관성을 갖고 있지는 않다. 때문에 키워드와 위치정보 분포의 관련성에 따라 검색결과를 재구성할 필요가 있다. 우리는 크기가 가장 작은 k개의 점 데이터를 포함하는 최소경계사각형(MBR)을 찾음으로써 데이터가 가장 밀집된 사각형을 찾으며, 이는 위치 검색시스템에서 유용하게 사용될 수 있다. 본 논문은 최소경계사각형과 같이 거리가 가까운 2차원 공간데이터의 묶음을 찾기 위해 효율적인 알고리즘을 제안하였고 합성데이터와 실제 데이터를 이용한 실험을 통해 알고리즘의 효율성을 검증하였다.
