전체작품 보기
윤동현
Improving Directory Entry ion in EXT File Systems for O(1) Time Complexity
이 연구는 대규모 디렉터리 환경에서 발생하는 성능 병목현상을 해결하기 위해 Slotarray와 이중 연결 리스트를 활용한 알고리즘을 제안한다. 이를 통해 디렉터리 삽입 및 삭제의 시간 복잡도를 O(1)로 줄였으며, 실험 결과 블록 I/O 작업을 기존 대비 약 82% 감소시키는 성과를 보였다. 해당 알고리즘은 Ext4 파일 시스템에도 적용 가능성을 지닌다.
정민규
Implementation and Replication of the Latest Artificial Intelligence + Material
발달된 인공지능 기술들은 각 분야에 알맞게 접목되어 놀라운 속도로 발전하고 있다. 이에 따라 material 분야에서 인공지능이 어떻게 사용되고 있는지, 문제의 정의가 무엇인지, 이들을 해결하기 위해 어떤 구성을 사용하여 해결하는지 살펴본다. 특히 anomaly detection에 중점을 두고 해당 분야의 주요 문제와 해결방안을 이해한다.
이헌우
Context-Aware Motion In-Betweening and Editing Based on Motion Diffusion Model
본 연구는 불완전한 모션 구간에 대해 앞 뒤 모션의 문맥을 고려한 자연스러운 모션 인비트윈 작업을 효율적으로 수행하는 것을 목표로 한다. 또한 Diffusion 기반 모델이 랜덤하게 모션을 생성하는 문제 및 사용자의 의도를 고려하지 않는 점을 보완하고자 한다. 앞 뒤 모션의 문맥을 고려한 자연스러우면서도 사용자의 의도를 UI, 텍스트 조건을 통해 반영한다면 상황에 적합한 모션을 효율적으로 생성할 수 있을 것이다.
이휘수
MPLA: Multimodal Foundation Model-based Pseudo-Label Allocation for SFDA
Source-free Domain Adaptation (SFDA)은 소스 데이터와 타겟 라벨에 접근하지 않고 오직 학습된 소스 모델과 타겟 이미지만을 이용하여 타겟 도메인에 모델을 적응시키는 것을 목표로 한다. 본 논문에서는 Multimodal Foundation Model을 통해 Pseudo-Label을 생성하고, 이를 통해 SFDA를 달성하는 Multimodal Foundation Model-based Pseudo-Label Allocation (MPLA) framework를 제시한다. 실험적 결과를 통해 MPLA는 Office-Home DA 벤치마크에서 state-of-the-art (SOTA)의 성능을 달성함을 확인하였다.
정민규
Understanding and Practice of the Latest Deep Learning theories
deep learning을 활용한 기술들은 현재 많은 곳에서 사용되고 있다. 적용될 수 있는 분야는 무궁무진하며 이에 따라 다양해진 task들에 대해 새로운 연구들이 진행되고 있다. 따라서 본 연구는 전반적인 latest deep learning theory들을 이해하고 실습해 보는 데에 초점을 둔다. 또한 이해한 이론들을 바탕으로 FixMatch method를 적용한 model의 성능을 개선시켜보며 해당 architecture의 동작 방식을 살펴본다.
윤태영
Job Application Prediction with Consideration of Data Imbalance Problem in HPC
최근 인공지능 및 복잡한 계산 문제를 해결하기 위해 고성능 컴퓨팅(HPC) 자원을 요구하는 작업들의 수가 증가하고 있다. 이때, 제한된 HPC 자원을 효율적으로 관리하기 위해서는 작업의 특성과 자원 요구 사항을 정확히 예측하는 것이 중요하다. 이에 이전 연구에서 작업의 어플리케이션을 예측하기 위한 머신러닝 기반의 기법을 제안하였으나, 데이터 불균형으로 인해 소수의 데이터를 가진 어플리케이션에 대한 예측이 어렵다는 한계점을 확인하였다. 이에 본 연구에서는 이전 연구를 심화하여, 최적화된 오버 샘플링 기법을 적용해 개선된 어플리케이션 예측 기법을 제안한다.
이근호
NVMe Flexible Data Placement: Reporting Feature 에뮬레이션 연구
최근 SSD 성능 향상을 위한 연구로 쓰기 증폭(Write Amplification, WA) 감소 목적의 다양한 기술들이 개발되고 있다. 그중 Flexible Data Placement(FDP)는 호스트 기반 힌트 시스템을 통해 디스크의 쓰기 및 읽기 연산을 최적화한다. 이전 연구에서는 FDP의 Read/Write와 I/O Management Receive 기능 에뮬레이션을 구현 및 검증하였다. 그리고 이번 연구는 FDP의 핵심 기능인 Reporting을 구현하는 데 중점을 두고 있다. 이를 위해 I/O Management Send(IOMS), Get Log Page, Get/Set Features command 등을 구현하였으며, 데이터 배치 정보를 효과적으로 수집하고 WA 감소를 위한 기반을 마련하였다.
공종혁
Adversarial attack에서의 Robust Feature 학습: 모델 robust 향상을 위한 접근법
본 연구는 Adversarial Attack을 통해 CNN 모델의 취약점을 유발하는 perturbation(노이즈)의 영향을 분석하고, robust feature와 non-robust feature가 모델의 예측에 미치는 영향을 규명함으로써 Adversarial Example과 관련된 모델의 robustness를 향상시키는 새로운 접근 방식을 제시하였다.
자료집 바로가기