주요 논문
5
*2026년 기준 최근 6년 이내 논문에 한해 Impact Factor가 표기됩니다.
1
Article
|
인용수 5
·
2024Federated Learning with Pareto Optimality for Resource Efficiency and Fast Model Convergence in Mobile Environments
June-Pyo Jung, Young‐Bae Ko, Sung‐Hwa Lim
IF 3.5 (2024)
Sensors
0.75에서 제안한 방식은 FedAvg 방법과 비교하여 각각 전송 및 수신 네트워크 트래픽을 75.89%와 78.77%까지 효과적으로 감소시켰다. 또한 FedAvg 및 D2D-FedAvg와 같은 다른 FL 메커니즘에 비해 더 빠른 모델 수렴을 달성한다.
https://doi.org/10.3390/s24082476
Computer science
Cluster analysis
Convergence (economics)
Pareto principle
Scheme (mathematics)
Distributed computing
Transmission (telecommunications)
Resource (disambiguation)
Path (computing)
Computer network
2
Article
|
·
인용수 0
·
2023Semantic Communication with Bayesian Reinforcement Learning in Edge Computing
June-Pyo Jung, Young‐Bae Ko, Sung‐Hwa Lim
6G 시대의 도래와 함께 인공지능과 네트워크 통신을 통합하는 기술이 연결성의 미래를 형성하는 핵심 동력으로 부상하고 있다. 이러한 혁신적 기술 중 의미 통신(semantic communication)은 원시 데이터 시퀀스를 전송하는 대신 의미 표현을 전송하는 데 초점을 맞추어 확장성, 네트워크 효율 및 성능을 향상시킨다. 본 연구에서는 베이지안 강화학습(Bayesian Rein-forcement Learning)을 활용한 새로운 의미 통신 프레임워크를 제안한다. 제안한 프레임워크는 강력한 연산 능력과 방대한 지식 베이스를 갖춘 수신자(즉, 엣지 서버)와 제한된 연산 자원 및 지식 저장소를 갖춘 송신자(즉, 사용자 디바이스) 간의 관계를 고려하여, 연산 부담을 수신자에게 오프로딩(offloading)한다. 이후 수신자는 모델의 불확실성을 고려하면서 학습을 수행한다. 본 프레임워크는 아직 실제 통신 시스템에서 사용되지 않은 의미 통신에 적용하기 위한 것이며, 엣지 컴퓨팅과 IoT와 같은 분야에서 잠재적 응용 가능성을 가진다.
http://dx.doi.org/10.1109/fnwf58287.2023.10520383
Computer science
Scalability
Edge computing
Reinforcement learning
Bayesian network
Server
Artificial intelligence
Communication source
Semantic network
Enhanced Data Rates for GSM Evolution
3
Preprint
|
인용수 0
·
2023Federated Learning with Pareto Optimality for Resource Efficiency and Fast Model Convergence in Mobile Environments
준표 정, Young‐Bae Ko, Sung‐Hwa Lim
SSRN Electronic Journal
http://dx.doi.org/10.2139/ssrn.4626482
Convergence (economics)
Pareto principle
Computer science
Pareto optimal
Resource (disambiguation)
Mathematical optimization
Artificial intelligence
Multi-objective optimization
Machine learning
Economics
4
Article
|
·
인용수 6
·
2022Resource Efficient Cluster-Based Federated Learning for D2D Communications
June-Pyo Jung, Young‐Bae Ko, Sung‐Hwa Lim
2022 IEEE 95th Vehicular Technology Conference: (VTC2022-Spring)
연합 학습(Federated Learning, FL)은 자원이 제한된 상황에서 대규모 데이터를 학습하기 위해 사용하는 신흥 기계학습 기법이다. 그러나 FL에서 통신 자원과 관련하여 세 가지 주요한 도전 과제가 확인된다. 첫째, 사용자 단말의 모델을 수집하는 매개변수 서버(parameter server, PS)는 원격 클라우드에 위치한다. 모델을 집계하는 과정에서 PS와 트래픽이 많은 로컬 노드 사이의 경로 링크에 부담이 가중될 수 있다. 둘째, 모델 매개변수의 크기가 크기 때문에 네트워크가 혼잡해질 수 있다. 셋째, 참여 클라이언트 수가 많을 경우 PS 측 링크가 크게 과부하될 수 있다. 본 연구에서는 클러스터의 클라이언트를 위치 및 각 클라이언트의 통신 범위를 기준으로 구성하고, 클러스터 내에서 부분적인 클라이언트를 선택하여 파레토 원칙(Pareto principle)을 활용함으로써 모델을 갱신하는 자원 효율적인 FL 방식을 제안한다. 시뮬레이션 결과, 제안된 방식은 기존 FL 메커니즘에 비해 약간 더 높은 정확도를 유지하면서 무선 네트워크 트래픽을 감소시키는 것으로 나타났다.
https://doi.org/10.1109/vtc2022-spring54318.2022.9860657
Computer science
Scheme (mathematics)
Distributed computing
Computer network
Resource (disambiguation)
Cloud computing
Process (computing)
Wireless
Path (computing)
Cluster (spacecraft)
5
Article
|
인용수 11
·
2020Energy-Efficient Real-Time Multi-Core Assignment Scheme for Asymmetric Multi-Core Mobile Devices
Donghoon Kim, Young‐Bae Ko, Sung‐Hwa Lim
IF 3.367 (2020)
IEEE Access
big.LITTLE 아키텍처는 더 나은 성능과 높은 에너지 효율을 위해 스마트 모바일 기기에 광범위하게 통합되어 왔다. 그러나 big.LITTLE 아키텍처를 통해 기대되는 에너지 절감 효과는 실시간 사용자 애플리케이션을 실행하는 동안 LITTLE 코어가 충분히 활용되지 않기 때문에 충분히 달성되지 못하고 있다. 본 연구에서는 모바일 기기의 에너지 소비를 줄이기 위해, 모바일 애플리케이션의 실시간 성능을 보장하면서 가능한 한 LITTLE 코어를 최대한 활용하는 에너지 효율적인 big.LITTLE 코어 할당 알고리즘을 제안한다. 시중에서 구입 가능한 스마트폰의 실제 테스트베드에 제안된 멀티코어 할당 기법을 적용한 결과, 제안된 기법이 실시간 성능을 보장하면서도 에너지 절감 효과를 향상시킬 수 있음을 입증한다. 또한 제안된 방식의 에너지 효율을 다양한 환경에서 기존 스케줄러와 비교한다. 더 나아가, 멀티코어 중 하나에 작업을 할당하기 전에 해당 작업의 예상 처리 시간을 보다 정확하게 예측하기 위한 기계 학습 기반 방법을 제안한다. 제시된 예측 방법은 제안된 멀티코어 할당 기법에 적용될 경우 데드라인을 놓칠 가능성을 줄일 것으로 기대된다.
https://doi.org/10.1109/access.2020.3005235
Computer science
Core (optical fiber)
Scheme (mathematics)
Multi-core processor
Distributed computing
Parallel computing
Telecommunications