디지털 라이브러리[ 검색결과 ]
다각적 Top-k 부분 그래프 질의를 위한 효율적인 알고리즘
http://doi.org/10.5626/JOK.2024.51.2.103
부분 그래프 매칭은 그래프 분석에서 핵심적이고 중요한 문제로서 데이터 그래프에서 쿼리 그래프의 모든 임베딩을 찾는 문제이다. 그러나 이전에 제시된 알고리즘에서 출력한 결과들은 서로 간의 겹치는 부분이 많아 흥미로운 결과를 놓치는 경우가 많다. 이를 위해 다각적 top-k 부분 그래프 매칭 문제가 제시되었다. 다각적 top-k 부분 그래프 매칭 문제는 쿼리 그래프의 임베딩들 중 커버리지가 가장 높게 되는 k개의 임베딩을 찾는 문제이다. 본 논문에서는 해당 문제에 대한 알고리즘을 제시하고 기존 알고리즘과 비교하여 다각적인 top-k 결과를 효율적으로 찾는다는 것을 입증하였다.
Location-Dependent and Task-Oriented Power Allocation in Holographic MIMO: A Transformer-based Approach
Apurba Adhikary, Avi Deb Raha, Monishanker Halder, Mrityunjoy Gain, Ji Su Yoon, Seong Bae Park, Choong Seon Hong
http://doi.org/10.5626/JOK.2024.51.1.93
미래의 통신망은 빔포밍을 통해 최소한의 전력으로 향상된 데이터 서비스 처리량을 제공할 것으로 예상된다. 따라서, 효율적인 홀로그램 빔포밍을 위한 위치 의존적이고(location-dependent), 작업 중심적인(task-oriented) 자원 할당 접근법은 홀로그램 그리드 어레이에서 필요한 수의 그리드를 활성화함으로써 사용자에게 채널 용량의 향상을 보장할 수 있다. 이를 위해, 본 논문에서는 사용자의 위치 및 작업 우선 순위를 고려하여 채널 용량을 최대화하기 위한 최적화 문제를 제안하고, 이 최적화 문제를 해결하기 위해 트랜스포머 기반 접근법을 제안한다. 마지막으로, 시뮬레이션 결과는 제안된 위치 의존적이고 작업 중심적인 트랜스포머 기반 접근법이 홀로그램 빔포밍을 위해 효과적으로 전력을 할당하여 사용자에게 서비스를 제공할 수 있음을 보여준다.
Improvement of Machine Learning-Based Event-Related Desynchronization Accuracy
http://doi.org/10.5626/JOK.2023.50.12.1131
생체인식 분야는 빠르고 정확한 신원 확인을 제공하는 것으로 알려졌다. 최근에는 운동 상상 (MI) 뇌파가 각광받고 이에 따른 이벤트 관련 비동기화 (ERD) 신호가 함께 등장했다. 이 연구의 목표는 사용자 간 분류 정확도를 향상시키기 위해 기존의 ERD 모델을 최적화하는 것이다. 대표적인 MI 특징 추출로 알려진 공통 공간 패턴(CSP)과 ERD를 사용했고, 나이브베이즈 (NB)로 분류했다. SVM의 이진 분류 결과의 신뢰성을 평가하기 위해, 동일 오류율(EER)과 곡선 아래의 면적(AUC) 이 사용되었다. 제안된 ERD 모델은 CSP와 전통적인 ERD에 비해 뛰어난 정확도를 보였으며, 각각 86.4%, 86.3%, 및 63%의 분류 정확도를 달성했다. 이러한 우수성을 바탕으로 제안된 ERD 방법이 향후 생체인식 마커로서 적합할 것으로 기대된다.
그래프 신경망 기반 딥 k-평균 노드 클러스터링
http://doi.org/10.5626/JOK.2023.50.12.1153
최근 그래프 신경망(graph neural network, GNN)을 사용한 그래프 노드 클러스터링(node clustering) 기법들이 활발히 연구되고 있다. 이들 연구 대부분은 GNN으로 노드들을 저차원 벡터들로 임베딩(embedding)한 뒤, 이 임베딩 벡터들을 기존의 클러스터링 알고리즘으로 클러스터링한다. 하지만 이 방식은 GNN을 훈련시킬 때 클러스터링이라는 최종 목표를 전혀 고려하지 않기 때문에 최적의 클러스터링 결과를 낸다고 보기 어렵다. 따라서 본 논문은 k-평균 클러스터링이라는 최종 목표를 고려하여 GNN을 반복적으로 훈련시키고 그 결과로 얻어진 노드들의 임베딩 벡터들로 노드들을 k-평균 클러스터링하는 딥 k-평균 클러스터링 기법을 제안한다. 제안 방법은 GNN을 훈련시킬 때 노드들의 유사도뿐만 아니라 k-평균 클러스터링의 손실까지 고려한다. 실데이터를 사용한 실험 결과 제안 방법은 기존 방법에 비해 k-평균 클러스터링 결과의 품질을 향상함을 확인하였다.
그래프 신경망을 활용한 온라인 의견 사기 탐지
http://doi.org/10.5626/JOK.2023.50.11.985
이 연구는 온라인 플랫폼에서 정보의 신뢰도를 떨어뜨리고 사용자들의 의사결정을 방해하는 의견 사기 문제를 탐지하기 위한 그래프 신경망 모델을 제시하였다. 제안된 모델은 다중 관계로 구성된 온라인 리뷰 그래프에 샘플링 기법을 적용하여 관계 표현을 만들고 이를 중심 노드의 속성과 결합함으로써 사기 여부를 예측한다. 실제 데이터를 대상으로 한 실험 결과, 이 방법은 기존의 최신 방법들보다 더 정확하면서도 더 빠르며, 주요 관계에 대한 설명력도 제공할 수 있다. 이 연구는 신경망 기반 모델의 일반적인 단점인 설명가능성의 어려움을 완화하고 실무자들로 하여금 분석 결과를 의사결정에 활용할 수 있도록 하였다.
C3DSG: 실내 환경 포인트 클라우드를 이용한 3차원 장면 그래프 생성 모델
http://doi.org/10.5626/JOK.2023.50.9.758
포인트 클라우드로부터 3차원 장면 그래프를 생성하는 효과적인 심층 신경망 모델을 설계하기 위해서는 3가지 중요한 도전과제들을 해결해야 한다. 첫 번째 도전과제는 3차원 포인트 클라우드에 대한 효과적인 기하학적 특징 추출 방식을 결정하는 일이다. 두 번째 도전과제는 물체들 간의 3차원 공간 관계를 효과적으로 파악하기 위해서는 어떤 비-기하학적 특징들을 추가적으로 이용할 것인가를 결정하는 일이다. 세 번째 도전과제는 효과적인 공간적 맥락 추론 방식을 결정하는 일이다. 본 논문에서는 이와 같은 도전과제들에 대응하기 위해, 실내 환경 포인트 클라우드로부터 3차원 장면 그래프 예측을 위한 새로운 심층신경망 모델을 제안한다. 제안 모델은 Point Transformer를 이용해 추출하는 3차원 포인트 클라우드의 기하학적 특징뿐만 아니라, 물체들 간의 3차원 공간 관계 예측에 도움을 줄 수 있는 언어적 특징과 상대적 비교 특징 등 다양한 비-기하학적 특징들도 함께 활용한다. 또한 제안 모델은 물체들 간의 공간적 맥락정보를 효과적으로 이끌어내기 위해, 물체 노드들과 이들을 연결하는 간선들 모두에 주의집중을 적용할 수 있는 새로운 NE-GAT 그래프 신경망을 이용한다. 본 논문에서는 3DSSG 벤치마크 데이터 집합을 이용한 다양한 실험들을 통해, 제안 모델의 효과와 우수성을 입증한다.
A Deep Learning Approach for Target-oriented Communication Resource Allocation in Holographic MIMO
Apurba Adhikary, Md. Shirajum Munir, Avi Deb Raha, Min Seok Kim, Jong Won Choe, Choong Seon Hong
http://doi.org/10.5626/JOK.2023.50.5.441
본 논문은 홀로그램 기술을 이용하여 다양한 형태의 사용자를 위한 사용자 지향 통신 리소스 할당을 수행하는 단일 셀 대규모 다중 입력 다중 출력(mMIMO) 시스템을 제안한다. 본 논문에서는 목표지향 사용자에게 서비스를 제공하기 위한 빔 포밍의 저전력 요구 사항을 확인하기 위해 홀로그램 그리드 어레이(HGA)에서 활성 그리드의 수를 최소화할 수 있는 기술을 제안한다. 이를 위해 신호 대 간섭 잡음 비율(SINR)을 최대화하여 문제를 공식화하였다. 이는 효과적인 빔포밍 및 총 전력 규칙을 생성하여 자원 할당을 최대화한다. 또한, 홀로그램 mMIMO 시스템은 더 적은 전력으로 다양한 사용자들의 장비에 서비스를 동시에 제공할 수 있다. 인공지능(AI) 기반 솔루션을 고안하기 위해 전력 제약을 최소화한 그리드 활성화 결정을 위한 순차 신경망 모델을 개발하였다. 시뮬레이션 및 성능 평가 결과에서 전력이 효율적으로 할당되고 0.01의 낮은 RMSE 점수로 효과적인 빔이 형성됨을 보여주었다.
인피니밴드 네트워크에서 분산 병렬 그래프 데이터 처리의 성능 개선
http://doi.org/10.5626/JOK.2023.50.4.359
각 객체의 관계를 중시하는 그래프 데이터는 관계형 데이터베이스에서는 찾아낼 수 없는 새로운 규칙이나 연관성 분석에 많이 사용되지만, 복잡한 구조와 방대한 양으로 인해 빠른 처리에는 한계가 있다. 본 논문에서는 이러한 그래프 데이터 처리의 성능 향상을 위해 PIGraph(Pregel and InfiniBandbased Graph processing engine)를 제안한다. PIGraph는 대표적인 그래프 처리 모델인 Pregel 기반 그래프 처리 엔진이다. PIGraph는 분산 그래프 처리의 관리 복잡도 감소를 위해 인피니밴드와 RDMA (Remote Direct Memory Access) 기술을 활용한 분산 병렬 구조를 지원한다. 특히, 세그먼트 단위 전송으로 RDMA 통신을 최적화하여 그래프 데이터의 처리 성능 한계를 개선한다. 성능 평가 결과, PIGraph가 비교 시스템인 Apache Giraph에 비해 최대 190% 이상 빠른 처리 시간을 보임을 확인하였다.
노년층 우울감 예측을 위한 시맨틱 네트워크기반 도메인 지식과 그래프 컨볼루션 결합
http://doi.org/10.5626/JOK.2023.50.3.243
노년층의 우울감은 매해 3억명의 환자와 80만명의 자살자가 발생하는 전세계적인 문제로, 이동성과 밀접한 연관이 있는 생활패턴으로부터 조기 탐지하는 것이 중요하다. 센싱정보 기반의 그래프 컨볼루션 신경망이 유망하기는 하나, 복잡한 센싱정보 시퀀스로부터 표현되는 고수준 행동을 표현하는 것이 필요하다. 본 논문에서는 추가적인 전문가 지식을 활용하여 노년층의 일상생활을 구조화하는 시맨틱 네트워크를 구축하고, 저수준 센싱 로그 그래프와 상호 보완적으로 이용하기 위한 그래프 컨볼루션 모델을 제안한다. 제안하는 방법은 ㈜DNX가 제공한 69명의 독거노인에 대한 800시간의 실제 데이터로 교차실험한 결과, 최신의 딥러닝 모형 대비 최고의 우울감 예측 성능을 달성하였다. 특히 기존 모델 대비 28.86%의 성능 개선을 보임으로써 시맨틱 네트워크로의 추론과 그래프 컨볼루션 모델의 타당성을 검증하였다.
Few-shot 이미지 분류를 위한 프로토타입 노드 기반 그래프 신경망
http://doi.org/10.5626/JOK.2023.50.2.127
딥러닝 모델의 우수한 성능은 많은 양의 학습 데이터를 기반으로 이루어진다. 그러나 이러한 대량의 데이터를 얻기 어려운 다수의 도메인이 있으며, 이러한 도메인에서는 데이터의 수집과 정제에 많은 자원을 투자해야 한다. 이러한 한계를 극복하기 위한 방법으로 적은 수의 데이터만으로도 학습이 가능하도록 하는 few-shot 학습에 대한 연구가 활발하게 이루어지고 있다. 특히 메타러닝 방법론 중 데이터 간의 유사도를 활용하는 메트릭 기반 학습은 새로운 태스크에 대한 모델의 미세 조정이 필요하지 않다는 장점을 지니며, 최근에는 여기에 그래프 신경망을 활용한 연구들이 좋은 결과를 보이고 있다. 그래프 신경망 기반의 few-shot 분류 모델은 주어진 서포트 셋과 쿼리 셋의 데이터를 노드로 하는 태스크 그래프를 구성함으로써, 데이터의 특성과 데이터 사이의 관계를 명시적으로 처리할 수 있다. EGNN(Egde-labeling Graph Neural Net) 모델의 경우, 데이터 간의 유사도를 엣지 레이블의 형태로 표현하여 보다 명확한 클래스 내 유사도와 클래스 간 유사도를 모델링한다. 본 논문에서는 이러한 few-shot 태스크 그래프에 각 클래스를 대표하는 프로토타입 노드를 적용하여, 데이터 간 유사도와 클래스-데이터 간 유사도를 동시에 모델링하는 방법을 제안한다. 제안하는 모델은 태스크의 데이터와 클래스 구성에 적합하게 생성되는 일반화된 프로토타입 노드를 제공하며, 프로토타입-쿼리 엣지 레이블 기반, 혹은 프로토타입-쿼리 노드 사이의 유클리드 거리를 기반으로 하는 두 가지의 서로 다른 few-shot 이미지 분류 예측을 수행할 수 있다. miniImageNet 데이터셋에 대한 5-way 5-shot 분류 성능을 EGNN 모델 및 기타 메타러닝 기반의 few-shot 분류 모델들과 비교한 결과, 제안하는 모델에서 의미 있는 성능 향상을 확인하였다.
