디지털 라이브러리[ 검색결과 ]
차분 프라이버시를 보장하는 프라이버시 보호 히스토그램 생성 기법
http://doi.org/10.5626/JOK.2022.49.6.488
데이터 수집과 분석이 활발히 이루어지면서 개인의 프라이버시 보호의 필요성이 대두되고 있다. 프라이버시를 보호하면서 데이터의 수집과 분석을 수행하기 위해 다양한 프라이버시 모델이 제안되었다. 그 중 차분 프라이버시가 사실상의 표준으로 받아들여지고 있다. 본 논문에선 차분 프라이버시를 보장하는 프라이버시 보호 히스토그램 생성 기법을 제안한다. 제안 기법은 히스토그램의 계급 구간 설정 단계와 도수 산출 단계로 구성된다. 첫번째 단계에서는 계급 구간을 결정하는 휴리스틱 알고리즘에 라플라스 메커니즘을 적용하여 차분 프라이버시를 만족하는 계급 구간 개수를 설정한다. 두번째 단계에서는 각 계급 구간에 해당하는 도수에 라플라스 메커니즘을 적용하여 차분 프라이버시를 보장하는 도수를 산출한다. 제안하는 기법이 차분 프라이버시를 보장함을 보이고, 실험을 통해 프라이버시 예산 값의 크기와 분배 비율에 따른 히스토그램의 정확성을 비교한다.
보로노이 다이어그램을 이용한 효율적 차분 프라이버시 K-평균 클러스터링 알고리즘
http://doi.org/10.5626/JOK.2020.47.9.879
최근 데이터에 대한 분석 결과로부터 개인 정보가 유출되는 것을 막기 위한 방법들이 연구되고 있다. 그중 차분 프라이버시(differential privacy)는 엄격하고 증명될 수 있는 개인 정보 보호를 보장하기 때문에 널리 연구되고 있는 개인 정보 보호의 표준이다. 본 논문에서는 2차원 데이터에 대하여 보로노이 다이어그램(Voronoi diagram)을 기반으로 차분 프라이버시를 보장하면서 K-평균 클러스터링 결과를 공개하기 위한 알고리즘을 제안한다. 기존 알고리즘은 클러스터링의 정확도와 수행 속도가 샘플 개수에 따라 변화하여 데이터에 적합한 샘플 개수를 선택하기 어렵다는 단점이 있으나 제안하는 알고리즘은 그러한 파라미터를 필요로 하지 않으면서 정확한 클러스터링 결과를 빠르게 계산할 수 있다. 제안하는 알고리즘의 성능에 대해 실생활 데이터를 이용한 실험을 통해 검증한다.
한정된 프라이버시 예산에서 배치 전략을 통한 차분 프라이버시 질의 처리 기법
http://doi.org/10.5626/JOK.2018.45.7.708
차분 프라이버시는 공격자의 사전 지식과 무관하게 정보를 보호할 수 있다는 장점이 있지만, 이를 위해 매 질의마다 프라이버시 예산 소모가 발생한다. 질의에 적용된 프라이버시 예산이 클수록 질의 결과는 정확해지지만 빠르게 프라이버시 예산이 고갈되어 많은 질의를 처리 할 수 없다. 많은 수의 질의를 처리하기 위해 각 질의에 대하여 프라이버시 예산을 지나치게 작게 할당하면 매우 많은 노이즈가 삽입되어 질의 결과의 정확도가 감소하고 데이터 유용성을 저하시킨다. 본 논문에서는 반응형 환경에서 차분프라이버시가 적용된 질의를 처리할 때, 배치 전략을 통한 질의 순서 재배열 처리를 통해 기존 기법보다 적은 프라이버시 예산을 사용하면서도 데이터 유용성을 보장하는 기법을 제안한다.
쿼드 트리를 이용한 동적 공간 분할 기반 차분 프라이버시 k-평균 클러스터링 알고리즘
http://doi.org/10.5626/JOK.2018.45.3.288
최근 공개되는 데이터에 적용하는 다양한 프라이버시 보호 기법들이 연구가 되어왔다. 그 중 차분 프라이버시는 본래의 데이터에 확률적인 노이즈를 더하여 공격자의 사전 지식에 상관없이 개인 정보를 보호한다. 기존 차분 프라이버시를 만족하는 k-평균 클러스터링은 데이터로부터 차분 프라이버시를 만족하는 히스토그램 형태로 바꾼 뒤. k-평균 클러스터링 알고리즘을 수행한다. 하지만 이는 데이터의 분포와 상관없이 등간격으로 히스토그램을 만들기 때문에 노이즈가 삽입되는 버킷이 많아지는 단점이 있다. 이를 해결하기 위해 본 논문에서는 데이터의 분포를 더 적은 버킷으로 나타낼 수 있는 쿼드 트리를 이용하여 히스토그램을 만든 뒤 k-평균을 찾는 알고리즘을 제안한다. 또한, 실험을 통해 기존의 알고리즘보다 더 좋은 성능을 가지는 것을 보인다.
조명 변화 환경에서 얼굴 인식을 위한 Non-Alpha Weberface 및 히스토그램 평활화 기반 얼굴 표현
얼굴 외형은 조명의 영향을 크게 받기 때문에 조명 변화는 얼굴 인식 시스템의 성능을 저하시키는 요인 중 하나이다. 본 논문에서는 non-alpha Weberface(non-alpha WF)와 히스토그램 평활화를 결합하여 조명 변화에 강건한 얼굴 표현 방법을 제안한다. 먼저, 입력 얼굴 영상에 대해 명암 대비 조절 파라미터를 적용하지 않은 non-alpha WF를 생성한다. 이후, non-alpha WF의 히스토그램 분포를 전역적으로 균일하게 하고 명암 대비를 향상시키기 위해 히스토그램 평활화를 수행한다. 제안하는 방법을 통해 전처리된 얼굴 영상으로부터 저차원 판별 특징을 추출하기 위해 (2D)²PCA를 적용한다. Extended Yale B 및 CMU PIE 얼굴 데이터베이스에 대해 실험한 결과, 제안하는 방법으로 각각 93.31%와 97.25%의 평균 인식률을 얻었다. 또한, 제안하는 방법은 기존 WF뿐만 아니라 여러 조명 처리 방법들과 비교하여 향상된 인식 성능을 보였다.
TFT-LCD를 위한 인간 시각 만족의 저전력 히스토그램 명세화 기법 및 자동화 연구
휴대용 기기에서 사용 비중이 높은 디스플레이인 TFT-LCD에서는 백라이트가 소모 전력의 대부분을 차지하므로 백라이트의 세기를 줄이는 디밍 기법을 통한 전력 절감이 많이 시도되고 있으며, 이때 일어나는 디스플레이 상 이미지의 밝기 저하로 인한 시각적 왜곡을 개선하는 이미지 보상 기법 연구가 동시에 진행되고 있다. 하지만 히스토그램 평활화와 같은 기존 이미지 보상 기법들은 인간 시각 만족도를 잘 충족하는 것에 한계점을 가진다. 본 논문에서는 히스토그램 명세화와 픽셀 보정의 결합을 통해 전력 절감과 함께 시각 만족도 개선 효과가 향상된 디밍 기법을 제안한다. 이 기법은 인간 시각을 만족하기 위해 탐색 알고리즘을 수행하므로, 빠른 이미지 처리를 위해 단순화한 계산을 통해 인간 시각 만족의 이미지를 얻어낼 수 있는 자동화 알고리즘을 포함한다. 실험 결과, 기존 백라이트 디밍에 비해 전력 절감 대비 높은 시각 만족도 개선을 보였다.
그리디 알고리즘을 이용한 맵리듀스 세타조인 M-Bucket-I 휴리스틱의 개선
세타조인은 데이터베이스에 있어서 가장 기본적이면서도 중요한 질의 중 하나이다. 최근 처리해야 하는 데이터의 양이 증가함에 따라, 맵리듀스와 같은 분산 병렬 처리 프레임워크를 사용한 데이터베이스의 질의처리가 많이 연구되고 있다. 대표적인 연구로 M-Bucket-I 휴리스틱을 이용한 세타조인이 있으나, 이 알고리즘은 수행시간이 입력 데이터의 크기를 n이라 할 때, 각 레코드를 rmax개의 리듀서 중 어느 리듀서로 보낼지 정하는 리듀서맵핑을 구하는데 O(n) 의 시간이 걸려 쉽게 사용할 수 없다는 문제가 있다. 본 논문에서는 기존의 M-Bucket-I 휴리스틱을 개선하여, 같은 리듀서 매핑 결과를 내놓더라도 수행시간이 O(r maxlogn으로 보다 짧은 새로운 알고리즘을 제시한다. 다양한 실험을 통하여 기존의 맵리듀스를 이용한 세타조인보다 성능을 10% 정도 향상시킬 수 있음을 보였다.
비제약적 환경에서 얼굴 주요위치 특징 서술자 기반의 얼굴인식
본 논문에서는 비제약적 얼굴 데이터 베이스를 위한 확장성 있는 얼굴 인식 방법을 연구하고, 간단한 실험 결과를 소개한다. 기존의 얼굴 인식 연구들은 주로 조명, 얼굴 각도, 표정, 배경 등 제약이 있는 환경에서의 정확도 향상에 초점을 맞추고 있어서 비제약적 얼굴 데이터 베이스에 사용하기에 적합하지 않다. 제안하는 얼굴인식 방법은 비제약적 얼굴 인식을 위한 특징 추출 알고리즘으로, 먼저 지역적 특징이 존재하는 눈, 코, 입과 같이 얼굴의 중요한 특징을 나타내는 영역을 분리한다. 각 얼굴 주요 위치는 고차원의 다중 스케일 국부 이진패턴 히스토그램(Multi-scale LBP histogram) 특징 벡터로 기술된다. 단일 얼굴 주요 위치에 해당하는 다중 스케일 국부 이진패턴 히스토그램 특징 벡터는 주성분 분석법(PCA: Principal Component Analysis)과 선형 판별 분석법(LDA: Linear Discriminant Analysis)의 차원 축소과정을 통해 저차원 얼굴 특징 벡터를 생성한다. 저차원 얼굴 특징 벡터는 랭크 획득과 Precision at k(p@k) 성능 평가 방법을 이용하여 제안한 알고리즘의 얼굴 인식 성능을 검증한다. 본 연구는 FERET, LFW 및 PubFig83 데이터 베이스를 이용하여 얼굴 인식 실험을 수행하였으며, 제안한 알고리즘을 이용한 얼굴 인식 방법이 기존의 방법보다 향상된 인식성능을 보였다.
