디지털 라이브러리[ 검색결과 ]
복수 개의 대장암 유전자 상관관계 네트워크 간 비교 분석 향상을 위한 네트워크 스케일링 방법
http://doi.org/10.5626/JOK.2022.49.8.646
질병 분석 모델에서 유전자 발현정보를 바탕으로 다양한 연구방법들이 제시되고 있다. 암 유전체 데이터 분석에 있어 패스웨이를 바탕으로 숨겨진 특성을 발굴하는 방법들은 결과 해석에 유용하다. 본 연구에서는 유전자들의 발현조절 정보를 토대로 한 패스웨이 단위의 유전자 상관관계 네트워크를 비교분석 하였다. 비교하고자 하는 두 네트워크의 규모의 차이가 생기게 되면 정보량의 편향성으로 인해 보다 큰 규모의 네트워크 정보에 치우쳐진 결과를 나타내게 된다. 이러한 편향성을 해소하기 위해 네트워크 망 구성에 대한 정보량을 이용하여 서로 다른 배경을 가진 환자군의 네트워크를 조정하는 방법을 제안한다. 정규화된 네트워크들은 주요 유전자군들의 비교분석법을 적용했으며, 총 4종류의 대장암의 아형 데이터를 활용하여 202개의 패스웨이 네트워크를 분석한 후 아형 특이적인 5개 패스웨이를 발굴했다. 이들은 모두 대장암과 연관된 주요 패스웨이로 선행연구에서 보고된 바가 있어 제안하는 방법의 유효성을 보였다.
노드와 링크간의 상호작용을 동시에 반영한 그래프 어텐션 네트워크 기반 지식 그래프 임베딩
http://doi.org/10.5626/JOK.2022.49.7.555
지식 그래프는 실제 세계의 다양한 지식들을 노드와 링크 기반의 트리플 형태로 표현하는 지식구조로서 검색, 질의 응답 등의 여러 분야에서 유용하게 활용된다. 이런 지식 그래프는 불완전하며, 누락된 다른 관계들을 찾기 위해 노드와 링크를 저차원 벡터공간에 효과적으로 표현하는 임베딩 기법들이 많이 연구되었다. 최근 뉴럴 네트워크 기반의 지식 그래프 링크 예측 방법이 많이 연구되었지만, 기존 모델들은 노드에 대한 트리플의 중요도를 구할 때 노드와 링크를 독립적으로 고려하므로 트리플 내의 노드와 링크의 상호작용이 잘 반영하기 어렵다. 본 논문에서는 합성연산자를 이용하여 노드와 링크를 동시에 고려하여 트리플 단위의 중요도를 구하는 임베딩 방법을 제안하며 해당 모델이 지식 그래프 링크 예측에 우수한 성능을 보임을 증명한다.
위키백과 템플릿 네트워크를 이용한 COVID-19 범유행 정보 수집
김단우, 이다민, 명재현, 정창욱, 홍인호, Diego Sáez-Trumper, 윤진혁, 정우성, 차미영
http://doi.org/10.5626/JOK.2022.49.5.347
COVID-19 범유행으로 인한 사회적 피해를 줄이기 위해 정확한 정보의 접근은 필수적이다. 위키백과는 접근성이 높은 인터넷 백과사전으로, 사용자들이 직접 편집을 할 수 있어 COVID-19와 같이 현재 진행 중인 사건에 대한 정보가 빠르게 갱신된다. 그러나 기존의 위키백과 정보 검색 방법으로는 문서 간의 관계를 포함한 정보를 수집하기 어려운 한계가 있다. 위키백과의 템플릿 형식은 높은 연관성을 가지는 문서에 선별적으로 적용되는 링크로 정보의 구조를 잘 반영한다. 이 연구에서는 템플릿을 활용하여 10개 언어 위키백과 내 COVID-19의 정보를 수집하고 네트워크 구조로 재구성하였다. 총 130,662개의 노드와 202,258개의 엣지로 구성된 10개의 네트워크 중 사용자 수가 많은 언어가 크기와 깊이가 큰 템플릿 네트워크를 가졌으며, 3홉 이내의 연결 구조 내에 COVID-19와 연관성이 높은 문서가 존재함을 확인할 수 있었다. 이 연구는 여러 언어에 적용 가능한 새로운 정보 검색 방법을 제안함으로써 특정 주제에 대한 문서의 구축에 기여한다.
SDN 환경에서 학습 기반 QoS 플로우 경로 예측 방법
http://doi.org/10.5626/JOK.2021.48.11.1241
SDN (Software-Defined Networking) 환경에서 플로우의 경로 제어에 의한 QoS (Quality of Service) 지원 시, 현재의 단순한 최소 비용 경로 탐색 방식만으로는 비효율적인 경로 재설정 문제가 발생할 수 있다. 링크 품질에 기반 하여 도출된 플로우 경로의 실측 성능은 예측 성능과 다를 수 있고, 특히, 후보 경로에 대한 순차적 QoS 조건 탐색 시 이전에 최종 경로로 식별되었던 동일 경로에 대한 반복 탐색으로 경로 기반 QoS 지원의 효용성이 저하될 수 있다. 본 논문에서는 학습 기반 QoS 경로 탐색 모델을 제안한다. 학습 모델은 네트워크 상태에 따라 최종적으로 QoS 조건을 충족한 경로를 학습하고, 경로 재탐색 시 질의 네트워크 상태에 대한 QoS 경로를 예측한다. 실험 결과 본 학습 모델은 유사한 네트워크 상태 재현 시 불필요한 경로 반복 탐색 비용을 줄일 수 있고, 신속한 QoS 품질 복구가 요구되는 서비스 환경에서 다른 학습 기반 모델에 비해 효용성이 높다.
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.
흉부 CT 영상에서 캡슐 네트워크 기반의 듀얼-윈도우 앙상블 학습을 통한 폐암 자동 분할
http://doi.org/10.5626/JOK.2021.48.8.905
폐암이 불규칙한 형태를 갖거나 유사한 밝기값을 갖는 주변 구조물이 존재하는 경우 흉부 CT 영상에서 폐암의 경계를 정확하게 구분하는 것이 어렵다. 본 논문에서는 폐암과 주변 구조물과의 관계를 학습하기 위해 캡슐 네트워크를 활용하고 주변 구조물과의 구분을 위해 폐 창 영상에 종격동 창 영상을 추가로 고려하는 듀얼-윈도우 앙상블 네트워크를 제안한다. 첫째, 입력 CT 영상을 폐 창 영상과 종격동창 영상으로 밝기값 정규화 및 공간 정규화를 수행한다. 둘째, 두 개의 입력 영상을 이용해 각각의 캡슐네트워크를 학습하여 폐암을 분할한다. 셋째, 폐 창 영상과 종격동 창 영상을 이용한 분할 결과를 각 영상의 특성에 기반한 가중치를 반영하여 평균 투표를 통해 앙상블 함으로써 최종 분할 마스크를 생성한다. 제안 방법을 통한 분할 결과, DSC는 75.98%로 가중치를 고려하지 않은 분할 방법 대비 0.53%p 향상되었다. 또한 폐암이 주변 구조물에 둘러싸여 있어도 분할 정확도가 개선되었다.
Alpha-Integration Pooling for Convolutional Neural Networks
http://doi.org/10.5626/JOK.2021.48.7.774
컨볼루션 뉴럴 네트워크(CNN)는 이미지 인식을 비롯한 많은 애플리케이션에서 놀라운 성능을 보여주고 있다. CNN의 주요 요소 중 하나인 서브 샘플링은 효율적인 학습과 불변성에 중요한 역할을 하며, 일반적으로 최대풀링과 평균풀링이 많이 사용된다. 두 방법 외에도 기하 평균, 조화 평균 등과 같은 다른 풀링 유형들이 존재할 수 있다. 여러 풀링 유형들 중에 최적의 유형을 자동으로 찾기가 어렵기 때문에 특정 유형이 사전에 선택되어 사용되고 이는 주어진 문제에서 최적의 유형이 아닐 수 있다. 하지만, 딥러닝의 다른 변수들과 마찬가지로, 주어진 문제에서 데이터로부터 풀링 유형을 학습할 수 있다. 본 논문은 학습 가능한 파라미터 α를 통해 풀링 유형을 찾아내는 알파-인테그레이션 풀링(αI-pooling)을 제안한다. αI-pooling은 파라미터 α에 따라 최대풀링과 평균풀링 등을 특수 케이스로 포함하는 일반화된 풀링 방법이다. 실험을 통해 이미지 인식 문제에서 αI-pooling의 성능이 다른 풀링 유형들을 능가함을 보였다. 또한, 각각 레이어가 다른 최적의 풀링 유형을 가지고 있음을 확인했다.
AP-QoS 기반 Wi-Fi 슬라이싱의 실시간 시스템 적용의 한계 분석
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.
Improvement in Network Intrusion Detection based on LSTM and Feature Embedding
Hyeokmin Gwon, Chungjun Lee, Rakun Keum, Heeyoul Choi
http://doi.org/10.5626/JOK.2021.48.4.418
NIDS(Network Intrusion Detection System)는 네트워크 경계 보안에 필수적인 도구로써 네트워크 침입을 감지하기 위해 네트워크 트래픽 패킷을 검사한다. 현존하는 많은 연구들은 NIDS를 구축하기 위해 기계 학습 기법을 사용했는데, 이러한 연구들은 다양한 인공지능 알고리즘의 효과를 입증했지만, 네트워크 트래픽 데이터의 시계열 정보를 활용하는 경우는 드물었다. 신경망 기반 모델을 이용한 연구에는 네트워크 트래픽 데이터의 범주형 정보를 보다 더 효과적으로 활용할 수 있는 가능성이 남아있다. 본 논문에서는 LSTM(Long Short-Term Memory) 네트워크를 이용한 순차정보와 임베딩 기법을 이용한 범주형 정보에 근거한 네트워크 침입 탐지 모델을 제안한다. 검증을 위해 종합적인 네트워크 트래픽 데이터 집합인 UNSW-NB15를 이용하여 비교 실험을 수행하였고, 실험 결과는 제안된 방법이 99.72%의 이항 분류 정확도로 기존의 방식들 보다 높은 성능을 보이는 것을 확인하였다.
물체 추적을 위한 딥 러닝 기반의 앙상블 모델 연구
http://doi.org/10.5626/JOK.2021.48.2.211
컴퓨터 비전 분야에서 물체 추적은 비디오 스트림으로부터 입력되는 시각적 정보로부터 타겟물체의 위상 변화를 예측하는 분야이며, 보안 및 군사기술이 요구하는 응용분야에서 중요하게 적용될 수 있는 기술이다. 최근의 딥 러닝 기반의 물체 추적 기술들은 검출기 기반 접근법(Tracking-by-Detection) 및 템플릿 대응 기반 접근법(template matching) 등을 통해 그 성능을 크게 향상시켰지만 접근방식에 따라 그 장단점이 분명하였다. 본 논문에서는 위의 두 접근방법을 응용하는 앙상블 모델 연구를 통해 단점을 보완하는 알고리즘을 제안한다. 제안되는 앙상블 알고리즘은 최근의 저명한 추적 알고리즘을 위한 벤치마크, OTB100, UAV123, LaSOT에서 모두 높은 성능향상을 보고한다.
