디지털 라이브러리[ 검색결과 ]
Graph Neural Network 통합 및 어텐션 기반 랜덤워크 알고리즘을 이용한 약물 독성 예측
http://doi.org/10.5626/JOK.2025.52.3.234
전통적인 신약 개발의 고비용 및 긴 개발 기간으로 인해, 인공지능 기반 신약 개발이 주목받고 있다. 특히, 약물의 독성을 사전에 평가하기 위한 인공지능 기반 독성 예측의 중요성이 강조되고 있다. 본 연구에서는 약물 독성 예측을 위한 Integrated GNNs and Attention Randon Walk (IG-ARW) 모델을 제안한다. 제안한 방법은 다양한 Graph Neural Network (GNN) 모델을 통합하고, 그래프 특징을 정밀하게 추출하기 위해 랜덤워크 전이 확률을 어텐션 기법을 통해 계산한다. 이후, 랜덤워크를 진행하여 노드 단 특징과 그래프 단 특징을 추출하고, 약물의 독성을 예측한다. IG-ARW의 예측 정확도는 세 가지 벤치마크 데이터셋을 이용하여 평가되었으며, 각 데이터셋에 대해 0.8315, 0.8894, 0.7476의 AUC 값을 보이며 우수한 성능을 입증하였다. 특히, 제안한 모델은 독성 예측뿐만 아니라 다른 약물 특성 예측에도 높은 효용성을 보였다.
IDFusion: 관성 측정 센서와 깊이 카메라 융합을 통한 관절각 측정 기법
http://doi.org/10.5626/JOK.2025.52.3.208
최근 사람과 사물 인식 기술은 다양한 분야에 적용되며, 특히 관성 측정 센서와 깊이 카메라를 이용한 동작 인식 연구가 게임, 의료, 보안 등에서 활발히 이루어지고 있다. 하지만 누적 오차나 측정 환경에 따라 정확도가 떨어지는 문제는 여전히 존재한다. 본 연구에서는 관성 측정 센서와 깊이 카메라를 융합하여 관절각을 측정하는 방법인 IDFusion(IMU and Depth camera Fusion)을 제안한다. 제안된 IDFusion은 데이터 변환과 관절각 변환 단계로 구분하여 측정 후 융합하는 방식이다. 제안된 IDFusion은 관성 측정 센서와 깊이 카메라를 각각 단일로 사용한 경우와 비교 분석한 결과 더 좋은 성능을 보여주고 있다. 이 기법은 헬스케어, 스포츠 과학, 인간-컴퓨터 상호작용 등 다양한 응용 분야에서의 적용이 기대된다.
Few-shot Font Generation Model 기반의 한글 폰트 생성 시스템 구현
http://doi.org/10.5626/JOK.2025.52.1.77
최근 한글 폰트 생성에 대한 수요가 증가함에 따라, 개인화된 폰트 생성 시스템의 필요가 대두되고 있다. 본 연구에서는 폰트 생성의 대표적인 분야인 Few-Shot Font Generation 기반의 최신 AI 폰트 생성 모델인 VQ-Font를 이용하여 폰트 생성 시스템을 설계 및 구현하였다. 적은 수의 입력 이미지만으로 폰트 파일까지 제작가능한 이 시스템은 개인화된 폰트 제작 시스템으로 적합하다. 본 연구에서는 한자 중심의 폰트 생성 모델을 한글의 구조적 특성에 맞게 변경하였고 한글 학습 데이터를 수집하여 새롭게 파인 튜닝을 진행하였다. 그 결과 기존의 한글 폰트 생성 모델보다 더 뛰어난 성능을 보였으며 이를 비교실험을 통해 증명하였다. 또한 개선된 모델을 기반으로 구축한 한글 폰트 생성 시스템의 폰트 생성 속도를 측정하여 실용적인 적용 가능성을 보여주었다.
LLMEE: 시각적 Token Attribution을 통한 대규모 언어 모델의 설명 가능성 및 평가 강화
http://doi.org/10.5626/JOK.2024.51.12.1104
대규모 언어 모델(LLM)은 자연어 처리(NLP)와 생성형 AI 분야에서 중요한 발전을 이루었지만 복잡한 구조로 인해 해석과 신뢰성 확보에 어려움이 있다. 이를 해결하기 위해 본 연구에서는 LLM의 예측 과정을 시각적으로 설명하고 평가하는 도구인 LLMEE를 제안한다. LLMEE는 입력된 각 토큰이 출력에 미치는 영향을 시각적으로 표현하여 모델의 투명성을 높이며 Summarization, Question Answering, Text Generation과 같은 다양한 NLP 작업에 적용 가능하다. 또한 ROUGE, BLEU, BLEURTScore와 같은 평가 지표를 통합한 결과를 제공하여 LLM의 출력 품질을 정량적·정성적으로 평가할 수 있도록 설계하였다. LLMEE는 LLM의 복잡한 작동 원리를 이해할 수 있게 하고 품질에 대한 추가적인 평가를 제공하므로 신뢰성 있는 LLM 평가 및 개선에 기여할 수 있을 것으로 기대된다.
4G/5G 네트워크 환경에서의 카테고리 특성 기여도 기반 Throughput 예측 모델 최적화
http://doi.org/10.5626/JOK.2024.51.11.961
네트워크 데이터 소비의 증가와 4G 한계로 5G 기술 도입이 가속화되면서 4G와 제한된 5G의 이종네트워크 환경이 구축되었다. 이에 따라 네트워크 서비스 품질(QoS)과 자원 최적화를 위한 Throughput 예측의 중요성이 부각되었다. 기존 Throughput 예측 연구는 주로 단일 속성을 사용하거나, 상관 관계 분석을 통해 속성을 추출하여 사용한다. 그러나 이는 비선형적 관계를 가지는 변수 배제 가능성, 상관 계수 구분점의 임의성과 일관성 부족과 같은 한계를 지닌다. 본 논문은 이러한 한계를 극복하고자 특성 중요도(Feature Importance)를 사용하여 새로운 접근법을 제시한다. 이는 네트워크에서 사용되는 특성들의 상대적 중요도를 계산하여 속성 카테고리에 기여도를 부여한 후, 이를 이용하여 Throughput을 예측하는 방안이다. 이 방법은 4개의 오픈 데이터셋에 적용하여 실험을 수행하였고, 예측을 위한 최적 카테고리 조합을 도출하여 전체 카테고리 사용 대비 모델의 복잡성을 감소시키고 예측 정확도를 향상시켰다.
자율주행차 환경에서 자연 요소를 포함한 물리적 적대적 공격을 통한 취약점 분석
http://doi.org/10.5626/JOK.2024.51.10.935
인공지능 기술의 발전은 컴퓨터 비전 분야에 많은 영향을 줌과 동시에 강제로 모델의 오분류를 일으켜 공격하는 적대적 공격에 대한 많은 취약점이 발견되었다. 특히, 물리적 환경에서의 적대적 공격은 자율주행차 시스템에서 심각한 위협이 될 수 있음이 발견되었다. 이 중, 적대적 패치처럼 인위적으로 생성하여 부착하는 공격 외에도 자연 요소를 활용하여 오분류를 일으키는 공격들이 존재한다. 특히, 낙엽과 같은 자연 요소에 의해 차량 표지판이 방해받는 상황은 자율주행 환경에서 자주 발생되는 요소 중 하나이다. 이는 수시로 움직이므로 찰나의 순간에도 오분류가 발생되는 취약점이 반드시 존재한다. 따라서 본 논문에서는 낙엽을 자연적 장애 요소로 제안하여 적대적 패치 공격에 대한 연구를 수행하였다. 구체적으로 기존 적대적 공격의 연구 동향을 살펴보고 자연 요소 기반의 실험 환경을 제시하며 실험 결과를 분석하여 물리적 환경에서의 낙엽을 활용한 적대적 공격이 자율주행차에 미치는 취약점을 분석한다.
대규모 언어모델을 활용한 단계별 누적 프롬프팅 방법론의 법률 도메인 적용
연희연, 정해인, 김민주, 양정, 김민혜, 장현지, 구명완
http://doi.org/10.5626/JOK.2024.51.7.592
이 연구는 법률 분야의 복잡한 논리적 추론에 적합한 생성형 대규모 언어모델에 단계적인 계층적 프롬프트 방식을 제시한다. 복잡한 논리적 문제를 여러 단계로 분해하고, 각 단계의 결과를 계속 누 적하며 이후 단계의 프롬프트를 구성한다. 한국 변호사의 논술 시험 평가 과정에 이 방법을 적용했을 때, 파인 튜닝 방식보다 우수한 성과를 달성하였다. 특별히, 최종 단계의 법률 전문가 평가에서는 두 가지 작 업에서 모두 인간의 정밀도가 0.70 이상으로, 정확한 근거에 기초한 해석을 생성할 수 있음이 나타났다. 이러한 프롬프트 기법은 LLM에서 발생하는 Hallucination 문제를 극복하고 효과적으로 활용할 수 있음을 시사한다. 앞으로의 연구에서는 LLM에 더욱 정확한 법률 지식을 반영할 수 있도록 전문화된 검색기의 도 입을 고려하여, 더욱 정확한 근거를 프롬프트에 포함하는 방향으로 발전할 수 있을 것이라 기대한다.
이미지 생성을 통한 트랜스포머 기반 헤드 모션 예측 알고리즘
http://doi.org/10.5626/JOK.2024.51.7.601
모션 투 포톤 지연은 헤드 마운트 디스플레이 기반 가상현실에서 사용자의 움직임과 영상출력의 시차로 인한 사이버 멀미 같은 불편감을 줄 수 있고, 이러한 불편함이 지속되면 사용자의 몰입감을 방해할 수 있다. 기존의 모션 투 포톤 지연을 줄이는 방식은 직접 헤드 모션 데이터의 경향성을 파악하거 나, 순환신경망 모델을 통해 헤드 모션을 예측하지만, 기존의 순환신경망 모델은 시퀀스 정보를 오랜 시간 동안 기억하지 못하는 장기 의존성 문제와 병렬 처리의 제약이 존재한다. 본 논문은 트랜스포머 기반 헤드 모션 예측 모델을 이용하여 이전의 영상 프레임의 데이터를 통해 이후의 프레임을 예측하는 기법을 제안 한다. 본 논문에서는 이미지 생성모델을 통해 디코딩 과정에서도 이미지를 사용한다는 점과 자연어처리에 서 사용되던 딥러닝 모델을 예측 모델로 사용함에 있어서 높은 확장성을 가진다. 또한 본 연구에서 제안한 모델은 데이터를 추가로 사용하여 기존 모델보다 사용자의 헤드 모션을 잘 예측함을 알 수 있다.
SASRec vs. BERT4Rec: 트랜스포머 기반 순차적 추천 모델의 성능 분석
http://doi.org/10.5626/JOK.2024.51.4.352
순차적 추천 시스템은 사용자 로그로부터 관심사를 추출하고 이를 바탕으로 사용자가 다음에 선호할만한 항목을 추천한다. SASRec과 BERT4Rec은 대표적인 순차적 추천 모델로 널리 활용되고 있다. 기존 연구들은 두 모델을 베이스라인으로 다양한 연구에 활용하고 있지만, 두 모델은 실험 환경 차이로 인해 일관된 성능을 보이지 않는다. 본 논문에서는 여덟 가지 대표적 순차적 추천 데이터셋에서 SASRec과 BERT4Rec의 성능을 비교 및 분석하여 검증한다. 이를 통해, 사용자-항목 상호작용 수가 BERT4Rec 학습에 가장 큰 영향을 미치며, 결국 이는 두 모델의 성능 차이로 이어진다는 사실을 관찰하였다. 더 나아가, 본 연구는 순차적 추천 환경에서 널리 활용되는 두 학습 방법 역시 인기도 편향과 시퀀스 길이에 따라 다른 효과를 보일 수 있음을 보인다. 이를 통해, 데이터셋 특성을 고려하는 것이 추천 성능 개선을 위해 필수적임을 강조한다.
분자 그래프 분류에서의 설명 가능한 인공지능
http://doi.org/10.5626/JOK.2024.51.2.157
인공지능의 발전과 함께 설명 가능한 인공지능의 필요성이 점점 커지고 있다. 최근에는 그래프 신경망 기반의 설명 가능한 인공지능 연구도 활발히 진행되고 있으나, 주로 일반적인 그래프에 초점을 두고 있다. 분자 그래프의 화학적 특성에 의존하는 특징 때문에, 현존하는 기법이 분자 그래프에서도 설명력을 제공할 수 있는지 파악하는 연구의 필요성을 강조한다. 본 논문에서는 분자 그래프에 기존의 기술을 적용하고, 이를 정량적 및 정성적으로 평가하여 설명력을 확인하였다. 더불어 중요한 특성의 비율을 통일한 후의 결과도 검토하여, 설명 가능한 인공지능의 평가 지표 중 하나인 희소성의 중요성을 강조하였다.
