디지털 라이브러리[ 검색결과 ]
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.
경량 시간 세그먼트 네트워크를 이용한 비디오 장면 이해: 운전자 폭행 탐지에서의 검증
http://doi.org/10.5626/JOK.2024.51.11.987
최근 택시와 버스 등 교통수단에서 탑승자가 운전자를 폭행하는 사건이 증가하는 추세로, 특히 늦은 밤 주취자에 의한 운전자 폭행 등에 대한 신속한 대응은 더욱 어려운 상황이다. 이러한 문제에 대응하기 위해, 본 연구팀은 탑승자에 의한 운전자 폭행 상황을 실시간으로 탐지할 수 있는 경량 합성곱 신경망 기반의 시간적 세그먼트 네트워크(TSN) 모델을 제안한다. TSN은 동영상을 효율적으로 처리하기 위해 소수의 이미지 프레임을 샘플링하며, 공간 정보처리 스트림과 시간 정보처리 스트림으로 나뉘어 학습이 진행된다. 각 스트림에는 합성곱 신경망이 들어가는데, 이 연구에서는 경량 신경망 아키텍처인 MobileOne 모델을 적용하여 모델 사이즈를 크게 줄였고, 제한된 컴퓨팅 리소스에서도 정확도는 오히려 개선됨을 보인다. 본 모델은 차량 내 운전자 모니터링 시스템에 통합되어 운전자에게 발생할 수 있는 위험한 상황에 대한 신속한 대응 및 예방에 기여할 수 있을 것으로 기대된다.
단일 리드 심전도 데이터를 이용한 심혈관 질환 예측
http://doi.org/10.5626/JOK.2024.51.10.928
심혈관 질환을 진단하는 가장 대표적인 방법은 심전도 데이터를 분석하는 것이며, 병원에서 측 정하는 심전도 데이터는 대부분 12개의 리드로 구성되어 있다. 하지만, 웨어러블 헬스케어 기기에서는 일 반적으로 1개의 리드만 측정되며, 심혈관 질환을 진단하는 데에도 한계가 있다. 따라서 본 논문에서는 웨 어러블 헬스케어 기기로 측정 가능한 단일 리드를 사용하여 흔히 발생하는 심혈관 질환인 심방세동, 좌각 차단, 우각차단을 예측하는 연구를 진행하였다. 합성곱 신경망 모델을 기반으로 질환을 예측하였으며 AUC, F1-score를 통해 성능을 측정 및 비교한 결과, 심방세동, 좌각차단, 우각차단의 예측 평균 AUC가 각각 0.966, 0.971, 0.965, F1-score가 각각 0.867, 0.816, 0.848로 우수한 성능을 보이는 것을 확인하였다. 이를 통해 웨어러블 헬스케어 기기에서 획득 가능한 단일 리드만을 활용한 심혈관 질환의 진단 가능성을 확인할 수 있었다.
대규모 자연어 모델의 병렬 학습 가속화를 위한 서버 할당 최적화 알고리즘 비교 연구
http://doi.org/10.5626/JOK.2024.51.9.783
최근 대규모 언어모델(LLM)이 다양한 분야에 활용됨에 따라 보다 높은 성능을 보유한 모델 개발에 대한 수요가 증가하고 있다. 지금까지 대부분의 사용자들은 모델 학습에 필요한 계산 능력과 메모리 용 량을 충족시키기 위해 GPU가 장착된 다수의 서버를 활용하고 있고, 이들을 효율적으로 이용하는 방법론으로 3D 병렬화 방법론을 대표적으로 채택하고 있다. 그러나 3D 병렬화는 빈번하게 진행되는 서버간 대규모 데이 터 전송 시간이 길어 전체 학습 시간을 지연시키는 문제가 있다. 이를 해결 하기 위해 비균일한 클러스터 네 트워크 상태를 사전에 파악하여 서버 및 GPU를 최적화된 병렬 구성으로 배치하는 방법론이 기존 연구에서 제안되었으나, 이 역시 고전적인 최적화 알고리즘인 SA(Simulated Annealing)가 매핑을 위해 사용되었다는 한계가 있다. 이에 이러한 문제를 해결하고자 본 연구에서는 유전(Genetic) 알고리즘, SAT(Satisfiability) 알 고리즘을 해당 문제에 추가 적용하여 다양한 실험 환경에서 각 알고리즘의 성능을 비교 분석하였다.
장단기 시간 패턴 학습을 통한 그래프 신경망 기반의 태양광 발전량 예측 기법
http://doi.org/10.5626/JOK.2024.51.8.690
최근 태양광 에너지의 활용이 크게 보편화되면서, 태양광 에너지의 효율 향상을 위한 태양광 발전량 예측 연구가 활발히 진행되고 있다. 이와 관련하여, 기존의 심층 학습 모델을 넘어 그래프 신경망 기반의 태양광 발전량 예측 모델들이 제시되었다. 이 모델들은 특정 지역의 태양광 발전량이 인접 지역의 기후 조건에 영향을 받는 공간적 상호작용과 태양광 발전량의 시간 패턴을 함께 고려하는 지역 간 상관관 계를 학습함으로써 예측 정확도를 개선한다. 하지만, 기존 모델들은 주로 고정된 형태의 그래프 구조에 의 존하여, 시간적 및 공간적 상호작용을 반영하기 어려운 한계가 있다. 이에, 본 논문은 지역별 태양광 발전 량 데이터의 장기 및 단기적 시간 패턴을 고려하고, 이를 지역 간 상관관계의 학습에 반영하는 그래프 신 경망 기반의 태양광 발전량 예측 기법을 제안한다. 제안 기법은 타 그래프 신경망 기반 예측 모델과 비교 하여 RRSE 기준 최대 7.49%의 성능 개선을 달성하여 그 우수성을 입증하였다.
메모리 효율적인 파라미터 생성 기반 지속학습
http://doi.org/10.5626/JOK.2024.51.8.747
파라미터 생성 기반 지속학습은 이전 태스크에 대한 안정성 유지에는 탁월하지만, 새로운 태스 크에 대한 적응력이 부족하여 점진적으로 파라미터 생성 능력이 저하되는 문제에 직면한다. 또한, 파라미 터 생성 모델(메타모델)의 최적 크기를 사전에 설정하기 어려워 메모리 효율성 문제가 발생할 수 있다. 본 논문은 이를 해결하기 위해 두 가지 기법을 제안한다. 첫째, Chunk Save & Replay 기법은 생성형 신경 망의 취약한 부분들을 선별적으로 저장 및 재생하여 파라미터 생성 모델의 다양성을 유지하면서도 메모리 를 효율적으로 사용할 수 있도록 한다. 둘째, Automatically Growing GAN 기법은 학습 태스크에 따라 파라미터 생성 모델의 메모리를 자동으로 확장하여 제한된 자원 환경에서 메모리를 효과적으로 활용할 수 있게 해준다. 실험 결과, 모델의 성능 하락을 최소화하면서 메모리 사용량을 크게 감소시킬 수 있었으며 신경망의 성능이 저하되었을 때 회복할 수 있는 능력을 입증하였다.
자기 교사 학습 모델의 특장점 분석과 사진 분류 및 객체 탐지 성능 분석 연구
http://doi.org/10.5626/JOK.2024.51.7.609
최근, 교사 학습 기반의 인공지능 분야가 급속도로 발전하고 있다. 그러나 교사 학습은 정답 값이 지정된 데이터집합에 의존하기 때문에, 정답 값을 확보하기 위한 비용이 커진다. 이러한 문제점을 해 결하기 위해 정답 값없이 사진의 일반적인 특징을 학습할 수 있는 자기 교사 학습(Self-supervised learning)이 연구되고 있다. 본 논문에서는 다양한 자기 교사 학습 모델을 학습 방식과 백본 네트워크 기 준으로 분류하고, 각 모델의 장단점, 성능을 비교 분석하였다. 성능 비교를 위해 사진 분류 작업을 사용하 였다. 또한 전이 학습의 성능을 비교하기 위해 세밀한 예측 과업의 성능 또한 비교 분석하였다. 그 결과, 긍정적 쌍만 사용하는 모델이 노이즈를 최소화하여 부정적인 쌍을 같이 사용하는 모델들보다 높은 성능을 달성하였다. 또한 세밀한 예측의 경우 이미지를 마스킹하여 학습하거나 멀티스테이지 모델 등을 활용하여 지역적인 정보를 추가로 학습하는 방식이 더욱 높은 성능을 달성한 것을 확인하였다.
약물 분자 임베딩을 활용한 만성 B형간염 환자의 약물 치료반응 예측 정확도 향상
http://doi.org/10.5626/JOK.2024.51.7.627
만성 B형 간염 환자는 적절한 시기에 치료를 받지 못하는 경우 간경변증이나 간암과 같은 합병증으로 진행될 위험이 높다. 이에 따라 여러 B형 간염 항바이러스제가 개발되어 있으며, 항바이러스제의 성 분에 따라 환자 별 반응상 차이가 나타날 수 있어 긍정적인 치료반응을 기대할 수 있는 올바른 약제 선택 이 중요하게 여겨진다. 본 연구에는 환자의 혈액 검사 결과, 약물 처방 여부를 나타내는 전자 의무기록과 함께 B형간염 항바이러스제의 성분 정보를 함께 학습하여 만성 B형간염 환자의 1년 후 치료반응 예측 성 능을 향상시키는 것을 목표로 한다. 보다 효과적인 항바이러스제의 분자 표현을 위하여 고정된 분자 임베딩 및 그래프 신경망 모델을 활용한 종단형(end-to-end) 구조를 통해 생성된 분자 임베딩을 사용하였으며, 기반 모델과의 비교를 통해 약물 분자 임베딩이 성능 향상에 도움을 줄 수 있음을 확인하였다.
환자 특이적 암 유발 유전자 정보 및 심층 신경망을 이용한 암 환자 예후 예측 방법
http://doi.org/10.5626/JOK.2024.51.6.574
암환자의 예후를 정확히 예측하는 것은 암환자의 효과적인 치료에 있어서 매우 중요하다. 이를 위해 많은 연구가 진행되어 왔으며, 최근의 연구는 딥러닝과 같은 다양한 기계학습 기법을 활용하고 있다. 본 논문에서는 먼저 암의 이질성을 고려하여 개별 환자에 특이적인 유전자 네트워크를 구축 후 환자별 로 암을 유발할 수 있는 유전자를 선별한다. 그 후 이를 이용하여 예후를 더욱 정확하게 예측할 수 있는 심층 신경 구조를 제시한다. 이 방법을 11가지 암에 대한 유전자 발현 데이터에 적용한 결과, 기존 방법들 과 비교하여 전반적으로 높은 예측 정확도를 보였다.
aRFS+: 높은 네트워크 성능을 위한 새로운 플로우 스티어링 기법
http://doi.org/10.5626/JOK.2024.51.5.397
최근의 데이터센터 서버에서는 네트워크 처리 오버헤드를 줄이기 위해 다이렉트 캐시 액세스(DCA) 기법이 사용되고 있다. 그러나 기존의 플로우 스티어링 기법들이 DCA나 멀티코어 환경을 고려하지 않아 네트워크 응용의 최적 성능을 달성하지 못한다. 본 논문에서는 aRFS+ 라는 새로운 플로우 스티어링 기법을 제안하며, 다음의 세 가지 설계사항을 고려하였다. 첫째, 네트워크 응용에 대해 DCA가 적용되는 NUMA 노드의 CPU 코어에서 동작되도록 하는 애플리케이션 스티어링 기법을 적용하였다. 둘째, 멀티코어 환경의 이점을 극대화하기 위해 네트워크 패킷 수신처리를 위한 코어와 응용 코어가 분리되도록 하였다. 더불어 두 코어가 같은 DCA 적용 NUMA 노드 코어에서 선택되도록 하여 높은 CPU 효율을 달성하도록 하였다. 셋째, 매 패킷에 대한 메모리 관리 오버헤드를 줄이는 최적화 기법을 도입하였다. 이를 통해 기존 기법 대비 최대 약 60%의 성능 향상을 보임을 확인하였다.
