디지털 라이브러리[ 검색결과 ]
다중 클래스 멤버쉽 처리를 위한 Bi-LSTM 기반 지식 그래프 완성 기법
http://doi.org/10.5626/JOK.2020.47.6.559
실세계의 지식을 구조화된 방식으로 표현한 지식 그래프는 웹 검색, 추천 시스템과 같이 다양한 분야에서 활용되고 있지만, 엔티티 또는 엔티티 사이의 링크가 누락되는 문제가 존재한다. 이러한 문제해결을 위해 임베딩 기법을 사용하거나 딥러닝을 활용한 다양한 연구들이 진행되었으며, 특히 CNN과 Bidirectional-LSTM을 결합한 최신 연구가 기존 연구들과 비교하여 높은 성능을 나타냈다. 그러나 하나의 엔티티에 대하여 여러 개의 클래스 타입이 정의된 경우 학습 데이터의 양이 기하급수적으로 증대되어 학습시간이 증가하는 문제와 엔티티의 클래스 타입 정보가 정의되지 않으면 학습 데이터 생성이 불가능하다는 한계점이 존재한다. 따라서 본 논문에서는 엔티티의 클래스 타입 수에 상관없이 학습 데이터 생성과 모델에서 학습 및 추론이 가능하도록 미리 학습된 지식 그래프 임베딩 벡터를 사용하는 방법과 vector addition 개념을 활용한 다중 클래스 멤버쉽 처리 방법을 제안한다. 본 논문에서 제안하는 방법의 성능을 평가하기 위해 데이터셋 NELL-995 와 FB15K-237을 대상으로 기존 지식 완성 연구들과 비교 실험을 진행하였으며 MAP이 1.6%p, MRR이 1.5%p 더 높은 성능을 보였다.
네트워크의 중첩 클러스터링 구조를 고려한 정보 확산 모델
http://doi.org/10.5626/JOK.2020.47.4.422
정보 전파(information diffusion) 연구란 네트워크에서 특정 노드(initial adopters)가 새로운 정보를 습득할 것으로 가정하고, 그로부터 다른 노드로 퍼지는 정보의 전파 양상(cascading behavior)에 대한 메커니즘을 모델링하는 것이다. 대부분의 기존 정보 전파 연구들은 노드가 하나의 클러스터(cluster)에만 속한다고 가정하며, 이 가정에 의해 클러스터가 정보 전파를 방해함을 보여 왔다. 하지만, 실제 네트워크에는 노드가 여러 클러스터에 속할 수 있다. 즉, 클러스터는 중첩될 수 있다. 본 연구는 네트워크에 중첩 클러스터(overlapping cluster)가 존재할 때의 정보 전파 양상에 대해 소개한다. 새로운 정보를 습득한 노드가 네트워크의 중첩 클러스터에 속하거나 네트워크의 각 노드에 대해 정보 공존성(compatibility)을 허용하였을 때 클러스터는 정보 전파의 방해요소가 아님을 보인다. 네 개의 실제 네트워크 데이터 셋(dataset)에서 본 연구에서 제시한 모델과 이론을 검증한다.
특징점 배치의 기하학적 유사성을 이용한 GS-RANSAC
http://doi.org/10.5626/JOK.2020.47.3.283
증강 현실은 현실의 대상 위에 증강 객체를 표시하여 정보를 제공하는 것이 목적으로, 증강 객체의 좌표를 정확하게 계산하는 것이 핵심 기능이다. 증강 객체의 좌표를 계산하기 위해서는 두 이미지 간의 호모그래피 추정법을 이용하는데, 여기서 RANSAC(Random Sample Consensus)은 두 이미지에서 추출된 특징점 쌍 중에 적합한 4쌍을 선택하는 기능을 한다. 하지만 기존의 RANSAC의 경우 추출 과정에서 선택한 특징점의 배치가 두 이미지 간에서 기하학적으로 유사한지 보장할 수 없는 문제점이 존재한다. 본 논문에서는 이 문제점을 해결하기 위해 RANSAC에서 선택하는 특징점의 배치를 검사하는 방법을 제안한다. 제안하는 방법은 이미지 위에 특징점의 사각형을 그려서 정점의 순서와 내각의 분포를 각각 검사한다. 실험 결과 제안하는 알고리즘은 기존 RANSAC보다 결함률을 8.55% 줄였으며, 증강 객체를 보다 정확한 위치에 표시하였다. 우리는 제안하는 알고리즘을 통해 증강 현실에서 증강 객체 좌표의 정확도를 개선하였다.
정교한 이웃 노드 선택법을 활용한 그래프 합성곱 네트워크
http://doi.org/10.5626/JOK.2019.46.11.1193
그래프 합성곱 네트워크(GCNs)는 합성곱 구조를 활용하여 주변 노드들의 정보를 종합하는 방식으로 대상 노드의 표현력을 높인다. 높은 성능을 보이기 위해서는 우선적으로 대상 노드에게 필요한 정보를 전달할 수 있는 주변 노드를 선별하고, 이후 학습시 적절한 필터(filter) 값을 습득하는 과정이 수반되어야한다. 최근 GCNs 알고리즘들은 1-hop 거리의 노드들을 선택하는 등의 비교적 간단한 이웃 노드정의를 활용하고 있다. 이러한 경우 불필요한 정보가 대상 노드에 전파되어 성능을 저하하는 문제가 발생한다. 본 논문에서는 대상 노드와 주변 노드간의 유사도 계산을 통해 유효한 이웃 노드를 선별하여 활용하는 GCN 알고리즘을 제안한다.
이동형 증강현실 헤드셋 저전력화를 위한 렌더링 인터페이스 설계
http://doi.org/10.5626/JOK.2019.46.8.834
증강현실 응용의 부상과 함께 Microsoft HoloLens 등의 이동형 증강현실 헤드셋들이 출시되고 있다. GPU는 기존 디스플레이 기반의 모바일 기기들에 대한 선행 연구들에서 주요 전력 소모원 중 하나로 꼽히고 있는데, 특히 증강현실 헤드셋 환경에서는 응용 실행 중 항시 3D 그래픽스 출력이 요구되므로 이로 인한 전력 소모 감축에 대한 필요가 크다고 할 수 있다. 본 연구에서는 증강현실 헤드셋 환경을 고려하여 설계된 저전력 렌더링 인터페이스를 제안한다. 제안하는 시스템은 응용으로부터 발생한 모든 그래픽스 호출을 관찰하고 머리 방향 정보를 고려하여 사용자 경험에 영향을 최소화 할 수 있는 형태로 그래픽스 호출을 최적화하여 적용한다. 모든 처리는 가장 빠른 경우 90 us 안에 일어나며 이를 통해 최대 27%의 전력 소모를 감축하는 것을 확인할 수 있다.
데이터 재사용을 고려한 효율적인 연속 서브 그래프 매칭 기법
http://doi.org/10.5626/JOK.2019.46.8.842
다양한 응용에서 그래프 스트림에 대한 활용이 증가됨에 따라 실시간으로 변화되는 서브 그래프를 탐색하기 위해서는 연속 서브 그래프 매칭 기법이 필요하다. 본 논문에서는 그래프 스트림에서의 색인 재사용과 분산 처리가 가능한 효율적인 연속 서브 그래프 매칭 기법을 제안한다. 서브 그래프 매칭 질의를 분산 처리하기 위해 차수 기반의 질의 분할 기법을 제안하고 그래프 스트림을 분할된 질의 기반으로 색인한다. 다수의 질의가 입력되는 환경에서 야기되는 색인의 부하를 감소시키기 위해서 색인 정보를 재사용한다. 또한, 각 서버의 색인 부하를 계산하는 비용 모델을 통해 질의 할당을 수행한다. 제안하는 기법은 스트림 환경에서 효율적인 분산 처리를 수행하기 위해 스톰에서 구현된다. 우수성을 입증하기 위해 다양한 성능 평가를 수행한다.
하이퍼그래프 데이터베이스에서 구조 인덱스를 활용한 효율적인 동형 서브그래프 검색
http://doi.org/10.5626/JOK.2019.46.7.697
그래프는 실세계의 객체 간 관계를 모델링 할 수 있으며, 관계들을 분석하는 데 사용된다. 하이퍼그래프는 그래프의 일반화된 모델로서 하나의 하이퍼에지가 2개 이상의 객체가 참여하는 관계를 나타낼 수 있다. 본 논문에서는 데이터 하이퍼그래프에서 질의 그래프와 동형인 서브그래프를 검색하는 효율적인 방법을 제안한다. 동형 서브그래프 검색의 높은 계산 비용을 줄이기 위해 기존 연구들에서는 각 질의 노드 에 대해 정답이 될 수 있는 후보군을 선택하고, 후보들의 조합으로 이루어진 서브그래프와 질의 그래프의 동형성을 검증하여 정답을 반환한다. 본 연구에서는 검색 성능을 높이기 위해, 질의 그래프를 여러 개의 서브그래프로 분해하여 제안하는 구조 인덱스로 각 서브그래프의 후보를 찾고, 제안하는 검색 알고리즘으로 서브그래프 동형성을 검증한다. 실제 데이터셋을 이용한 실험에서 제안 연구는 기존 연구 대비 검색 응답 속도 측면에서 최소 10배의 성능 향상을 얻었다.
A Robust Three-Factor User Authentication Scheme based on Elliptic Curve Cryptography and Fuzzy Extractor
Trung Thanh Ngo, Tae-Young Choe
http://doi.org/10.5626/JOK.2019.46.6.587
삼중요소 사용자 인증은 금융 거래와 같이 사용자 인증의 보안성이 중요시되는 경우에 적용될 수 있는 인증 프로토콜이다. Fan과 Lin의 삼중요소 사용자 인증은 보안 토큰, 패스워드, 그리고 지문을 사용하여 인증을 수행하므로 이들 요소 중 하나라도 빠진 경우 인증을 할 수 없는 엄격한 인증 방식이다. 하지만, Fan과 Lin의 인증 방식은 내부자 공격, 인증 토큰 도난 공격, 그리고 메시지 변형 공격에 취약하다는 문제점을 가지고 있다. 최근에 Yeh 외 3인은 기존의 Fan과 Lin의 방식을 개선한 삼중요소 사용자 인증을 제안했으며 타원 곡선 암호화 기법을 사용하여 보안성을 높이고 성능을 향상시켰다. 하지만, 본 논문에서는 Yeh 외 3인의 인증 방식이 사용자 위장 공격과 서버 위장 공격에는 취약함을 밝힌다. 이러한 문제를 해결하기 위해 본 논문에서는 서버 스마트카드, 타원 곡선 암호화, 그리고 퍼지 추출자를 사용한 삼중요소 사용자 인증 방식을 제안한다. 또한 이 방식이 앞에서 언급한 문제점들을 모두 해결하고, 동시에 성능이 더 개선됨을 보이며, BAN 로직을 통해 안전한 통신 채널이 연결됨을 입증한다.
효율적인 신경망 기반 암호키 교환 기술
http://doi.org/10.5626/JOK.2019.46.2.208
키교환 문제는 암호학에서 중요한 관심사 중 하나이다. 최근 신경망 학습을 기반으로, 기존의 키 교환 방식보다 효율적인 키교환 기법들이 제안되었다. 최초의 신경망 기반 키교환 기법이 제안된 이후 많은 안전성 분석과 공격 기법들이 연구되었다. 공격들 중 가장 강력한 다수 공격(Majority attack)에 대해 기존에 제안된 헤비안 학습(Hebbian learning)은 취약점이 존재한다. 다수 공격에 안전한 안티 헤비안 학습(Anti Hebbian learning)은 효율성에 한계가 존재하며, 결론적으로 랜덤 워크 학습(Random walk learning)에 기반한 신경망 암호만이 안전하고 효율적인 방법으로 우리가 사용할 수 있음이 보여졌다. 하지만 랜덤 워크 학습을 사용하면 신경망 암호의 장점인 효율성이 다른 학습을 사용하는 것보다 감소한다. 이에 본 논문에서는 기존의 랜덤 워크 학습과 이를 사용한 신경망 암호에 대해 분석하고, 이것을 바탕으로 기존의 랜덤 워크 학습보다 효율적인 새로운 방식의 학습을 제안한다. 또한, 새로운 학습을 사용한 키교환 기술에 대한 이론적 분석과 더불어 다수 공격을 직접 구현하여 제안 방식의 효율성과 안전성을 검증한다.
Automatic Transformation of Korean Fonts using Unbalanced U-net and Generative Adversarial Networks
Pangjia, Seunghyun Ko, Yang Fang, Geun-sik Jo
http://doi.org/10.5626/JOK.2019.46.1.15
본 논문에서는 원문 폰트를 특정한 아날로그 폰트 스타일로 변환하는 타이포그래피 변환 문제에 대해 연구한다. 타이포그래피 변환 문제를 해결하기 위해 이 문제를 이미지와 이미지 번역 문제로 치환하고 GAN을 기반으로 한 언밸런스 형 u-net 아키텍처를 제안한다. 기존의 밸런스 형 u-net과는 달리 제안하는 아키텍처는 언밸런스 형 u-net을 포함한 두 개의 서브넷으로 구성된다. (1)언밸런스 형 u-net은의미 및 구조 정보를 유지하면서 특정 글꼴 스타일을 다른 스타일로 변환한다. (2) GAN은 L1 손실, 상수손실 및 원하는 목표 글꼴을 생성하는 데 도움이 되는 이진 GAN 손실을 포함하는 복합 손실 함수를 사용한다. 실험결과 제안하는 모델인 언밸런스 형 u-net이 밸런스 형 u-net 보다 cheat loss에서 빠른 수렴속도와 안정적인 트레이닝 손실을 보였고 generate loss에서 트레이닝 손실을 안정적으로 줄여서 모델 성능 하락 문제를 해결하였다.
