전체작품 보기
김태휘
Advanced Method for Class-incremental Continual Learning
본 연구는 대규모 데이터셋에 대해 학습한 사전 학습 모델 (Pre-trained Model)을 활용해 현재 딥러닝 모델의 지속적인 학습에 발생하는 문제점인 ‘Catastrophic Forgetting’ 현상을 해결하는 ‘Continual Learning’ 방법에 대해 조사하고 새로운 접근 방법을 제안한다.
김태휘
Initial Research for Continual Learning Methods on Class-incremental Scenario
본 연구는 딥러닝 모델을 여러 번에 걸쳐 다양한 분포를 가진 데이터로 학습을 가능하게 하는 학습 기법인 Continual Learning에 대한 기초적인 연구의 구현 방법 및 핵심 아이디어를 정리하는 데에 중점을 두었다.Continual Learning의 접근 방법에 해당하는 Replay 기반 , Regularization기반, Architecture 기반 방법에 대해서 알아보았으며, 각각의 장단점을 파악하고 한계점을 극복할 수 있는 개선 방안에 대해 탐구했다.
양성욱
모델 앙상블과 지식 증류의 융합을 통한 모델 학습의 최적화
지식 증류와 그 상위 버전인 Teacher Assistant Knowledge Distillation 네트워크의 단점을 극복하고자 새로운 형태의 지식 증류 네트워크 구조를 고안하고자 한다. 비슷한 문제 해결을 위해 제시된 Densely Guided Knowledge Distillation으로부터 영감을 얻어 모델 앙상블과 지식 증류를 결합한 구조를 고찰해보도록 한다.
한지혁
iCaRL (Incremental Classifier and Representation Learning) 성능 향상 연구
Continual learning 방법론인 iCaRL (Incremental Classifier and Representation Learning) 성능 향상 연구
양태규
Resolution-Dependent Time Series Forecasting: Using Correlative Multi-Datasets
일반적으로 시계열 데이터 예측에는 하나의 긴 센서 데이터를 사용하지만, 의료 데이터에서는 패턴의 유사성을 가지는 여러 환자의 시계열 데이터를 사용한다. 환자에 따라 signal data의 형태가 다르지만, 일반적으로 좋은 예측이 가능하도록 resolution의 guidance를 조정해 보고자 한다. 장기간의 시계열 데이터를 토대로 미래 사건을 예측할 수 있다면 분야에 상관없이 위험 관리에 큰 도움이 될 것이다. univariate time series data를 이용하여 Transformer based, Diffusion based model을 통해 Forecasting task를 수행하고자 한다.
민경재
VAE를 활용한 모션 캡처 데이터 생성
본 연구는 생성형 AI 모델을 활용하여 실제와 같은 모션 캡처 데이터를 생성할 수 있는지 탐구하는 것을 목표로 합니다. 현재 모션 캡처 데이터는 세밀하고 다양한 인간의 움직임을 담을 수 있지만 사람이 직접 여러 센서 장비를 착용하고 녹화해야 한다는 한계점이 존재합니다. 따라서 본 연구에서는 Variational Autoencoder (VAE) 모델을 학습하여 현실적인 모션 데이터를 생성해낼 수 있는지 탐구하였습니다.
양태규
Intraoperative Hypotension Prediction using Transformer Based Models
현재의 딥러닝 기술은 이미지 및 텍스트 분야에서 매우 뛰어난 성과를 보여주었다. Signal data에 대한 딥러닝 연구는 어려움이 있으며 주로 데이터의 복잡성, 높은 차원 등에 기인한다. 현실 세계의 문제를 Transformer 모델 기반 신호 처리 기술을 통해 보다 정확하게 예측해 보고자한다. Signal data, Time series data를 이용하여 classification, regression task를 수행하고자한다.
김서연
스마트폰 기반 개인 이동형 장치를 위한 실시간 도로 상태 감지
개인 이동형 장치의 사용 증가로 인해 편의성이 높아지고 있는 반면, 그와 동시에 관련된 사고 또한 증가하고 있다. 특히 개인 이동형 장치 운행 중 발생하는 사고는 운전자의 부주의나 안전수칙 미준수 뿐만 아니라, 도로 상태에 영향을 받는 경우가 많다. 포트홀이나 크랙과 같은 도로 표면의 이상은 주행 중 예측할 수 없는 사고를 초래할 수 있으며 따라서 위험 요소를 신속하게 감지하는 것은 중요하다. 경량의 딥러닝 모델을 활용하여 스마트폰을 통해 위험요소를 실시간으로 탐지하는 것은 운행 중 도로의 상태를 확인하고, 사고 발생 가능성을 줄이는데 도움을 줄 수 있다.
자료집 바로가기