본 연구에서는 U개의 채널과 N명의 사용자를 갖는 다중 사용자 분산 채널 접속을 게임으로 모델링하고, Multi-Agent Thompson Sampling(MA-TS) 알고리즘을 제안한다. 이 알고리즘은 베이즈 정리를 활용하여 행동 선택을 동적으로 최적화한다. 이러한 최적화의 목적은 처리율(throughput)을 최대화하는 것이다. 알고리즘의 계산 복잡도를 O(T N U N max 2)로 도출한다. 시뮬레이션 결과, MA-TS는 순수 전략 내쉬 균형(PNE)으로 수렴하며 평균 처리율 측면에서 기존 방법보다 우수함을 보여준다.

본 연구의 목표는 블록 페이딩 채널을 갖는 단일 대기열 및 단일 서버 무선 통신 시스템에서, 평균 에너지 소비 제약 하에 평균 지연을 최소화하는 것이다. 이를 위해 본 연구는 이 문제를 무한 기간 제약 마르코프 결정 과정(CMDP)으로 정식화한다. 본 CMDP에서는 대기열 길이와 채널 상태를 상태로서 함께 고려한다. 라그랑주 승수 방법을 적용하여 제약 최적화 문제를 무제약 최적화 문제로 변환한다. 이어서 최적 스케줄링 전략이 대기열 길이 및 채널 상태에 관해 단조증가함을 증명한다. 최적 스케줄링 정책을 얻기 위해 효율적인 강화학습 알고리즘인 Structural-Optimistic $Q$ -learning 알고리즘(SOQ)을 제안하며, 정책 투영을 사용하여 최적 정책의 단조증가 성질을 활용한다. 마지막으로 주어진 에너지 소비 제약을 만족하도록 평균 에너지 소비를 제어하는 방법을 분석한다. 시뮬레이션 결과, 학습 단계 동안의 평균 비용 측면에서 SOQ의 성능이 전통적인 $Q$ -learning 알고리즘보다 우수함을 보여준다.

심뇌혈관질환(CVD)의 유병률은 지속적으로 증가하고 있으며, 인류 사망의 주요 원인이다. 의료진이 수천 명을 대상으로 선별검사를 수행하기는 어렵기 때문에, 높은 정확도와 해석 가능성을 갖춘 방법을 제시할 필요가 있다. 본 연구에서는 한국 국민건강영양조사 자료(KNHANES)를 기반으로 4가지 기계학습 기반 CVD 분류기(즉, 다층 퍼셉트론, 서포트 벡터 머신, 랜덤 포레스트, light gradient boosting)를 개발하였다. 복잡한 표본추출 가중치를 사용하여 KNHANES 데이터를 재표본화하고 재균형화함으로써, 재균형화된 데이터셋이 전체 모집단으로부터 균일하게 표본 추출된 데이터셋을 모사하도록 하였다. 명확한 위험요인 분석을 위해 VIF 기반 필터링과 Boruta 알고리즘을 이용하여 다중공선성과 CVD-무관 변수를 제거하였다. ML 학습 전 합성 소수자 오버샘플링 기법과 무작위 언더샘플링을 적용하였다. 제안된 분류기들은 AUC가 0.853을 초과하는 등 우수한 성능을 달성함을 확인하였다. Shapley 값 기반 위험요인 분석을 통해 CVD의 가장 중요한 위험요인은 연령, 성별, 그리고 고혈압 유병률임을 확인하였다. 또한 연령, 고혈압 및 BMI는 CVD 유병률과 양의 상관관계를 보인 반면, 성별(여성), 음주 및 월 소득은 음의 상관관계를 보였다. 결과는 특징 선택과 클래스 균형화 기법이 모델의 해석 가능성을 효과적으로 향상시킨다는 것을 보여주었다.

본 연구는 시간 슬롯 할당 방식의 RA(랜덤 액세스) 시스템을 위한 랜덤 액세스(RA) 게임을 조사한다. 이때 $N$ 명의 플레이어가 프레임의 슬롯 집합을 선택하며, 각 프레임은 $M$ 개의 다중 시간 슬롯으로 구성된다. 본 연구에서는 중앙 집중형 스케줄링에서처럼 슬롯이 완전히 활용되는 조건에서, 이 RA 게임의 순수 전략 내쉬 균형(PNE, pure strategy Nash equilibria)을 구한다. PNE(순수 전략 내쉬 균형)를 실현하기 위한 알고리즘으로서, 탐색과 활용(Exploration and Exploitation)을 위한 지수 가중(Exponential-weight) 알고리즘 기반의 다중 에이전트(MA) 학습 알고리즘을 제안하며, 그 계산 복잡도는 $O(N N_{ max }^{2} T)$ 이다. EXP3는 다중 팔 밴딧(MAB) 문제에서, 사용자들이 각 전략의 기대 보상을 알지 못하는 상황에서 최적 전략을 찾도록 설계된 밴딧 알고리즘이다. 시뮬레이션 결과는 제안된 알고리즘이 PNE를 달성할 수 있음을 보여준다. 또한 플레이어의 수가 시간에 따라 변하는 시간 가변 환경(time-varying environments)에 적응할 수 있다.

본 연구에서는 무손실 데이터 전송을 위한 새로운 전달 방식, 즉 압축전송(compressive transmission)의 가능성을 탐색한다. 이는 송신자와 수신자 사이에서 공유되는 맞춤형 정보를 활용함으로써 실행 시 전송 데이터의 용량을 최소화하는 것을 목표로 한다. 공유 정보를 압축에 활용하기 위한 두 가지 접근법으로는 1) 공유 정보의 대리(proxy)로서 DNN 기반 코덱을 사용하는 방법과 2) 중복 제거(deduplication)를 통한 중복성 제거(redundancy elimination) 방법이 있다. 그러나 이러한 접근법들은 압축률과 공유 정보의 양 사이의 상충관계를 활용하기 위해 깊이 있게 연구되지 않았다. 이들 접근법에 비해 압축전송은 양측에서 이용 가능한 정보의 풍부함을 전적으로 활용하며, 이는 의도적으로 선택되고 배치된다. 이러한 개념을 현실화하기 위해, 우리는 생성 모델(generative model)과 매칭 블록(matching blocks)을 적응적으로 활용하는 신경망 기반 압축전송 시스템인 nCTX를 제안한다. nCTX는 입력 데이터로부터 최적의 의미론적 데이터를 추출하고, 공유 정보를 활용하여 원본을 보다 가깝게 모사한 뒤 오프셋(즉, 차이)으로 이를 보완한다. 모바일 플랫폼에서의 광범위한 평가는 nCTX가, 계산 시간이 비교 가능하거나 더 짧은 조건에서 각각 FLIF 및 RC(최첨단 이미지 코덱) 대비 전송 용량을 유의하게 25.8% 및 23.3% 감소시킴을 확인하였다.

최근 증강현실(augmented reality)과 같은 모바일 장치에서 인공지능(AI) 기법을 활용하는 응용이 광범위하게 확산되고 있다. 이러한 응용의 품질경험(QoE)은 모바일 장치의 하드웨어 사양, 동적 서비스 요구, 확률적 네트워크 상태, 그리고 DNN(Deep Neural Network) 모델의 특성에 의해 영향을 받는다. 본 논문에서는 모바일 장치와 모바일 엣지 컴퓨팅(MEC) 서버 사이의 DNN 모델 분할과, 모바일 장치에서 내부/외부 시스템 동역학에 대해 처리 및 네트워킹 자원을 공동 최적화하기 위해 가상 대기열 기반 Lyapunov 최적화 프레임워크를 활용하는 CutEdge를 제안한다. 구체적으로, CutEdge는 (i) 모바일 장치와 MEC 서버 간 DNN 모델의 분할 지점, (ii) GPU 클록 주파수, 그리고 (iii) 모바일 장치에서의 전송률을 동시에 결정한다. 이어서, QoE 지표가 이전 연구에서 공동으로 다루어지지 않았던 CutEdge가 제공하는 에너지 소비, 처리량(throughput), 종단 간(end-to-end) 지연(latency) 간의 최적 트레이드오프 곡선을 이론적으로 제시한다. 또한 실제 트레이스 기반 시뮬레이션을 통해 세 가지 제어 파라미터의 공동 최적화가 성능에 미치는 영향을 보인다. 마지막으로, 임베디드 AI 장치와 MEC 서버를 활용하여 구현한 테스트베드에서의 실험을 통해 기존 알고리즘에 비해 CutEdge의 우수성을 보인다.

초신뢰 및 저지연 통신(URLLC)은 낮은 지연과 에너지 효율이 모두 중요한 산업 자동화 및 자율주행 분야에서, 최근 상당한 주목을 받고 있다. 유한 블록길이 코딩(finite blocklength coding)은 지연 문제를 해결하기 위한 유망한 기법으로 부상하였다. 그러나 에너지 효율을 보장하면서 URLLC 시스템에 유한 블록길이 코딩을 적용하는 일은 여전히 도전적이다. 이러한 문제를 해결하기 위해 우리는 단시간 패킷 전송(short-packet transmission) 시스템에 초점을 맞추고, Lyapunov 드리프트 기반 스케줄링 기법을 제안한다. 이 기법은 에너지 효율을 달성하기 위해 시스템 처리율(system throughput)을 최대화하도록 전송률을 최적화하도록 설계되었다. 가상 전력 큐(virtual power queue) 방법을 사용하여 평균 전력을 제한한다. Lyapunov 이론을 통해, URLLC 시스템의 스케줄링 문제는 비볼록(non-convex) 문제로 정식화되며, 우리는 이를 여러 개의 하위 문제로 분리하고 고차 항을 테일러 급수 전개(Taylor series expansion)로 근사함으로써 해결한다. 시뮬레이션을 통해, 제안한 알고리즘의 성능이 완전 탐색(exhaustive search) 방법으로부터 도출된 최적 정책(optimal policy)과 매우 밀접하게 일치함을 보인다.

6G 통신 기술이 발전함에 따라 네트워크 인프라의 복잡성은 가격 및 자원 관리에 있어 새로운 과제를 야기한다. 본 조사는 네트워크 경제에서 게임이론의 적용을 검토하며, 동적 가격, (엣지) 클라우드 컴퓨팅 가격, 양면 가격(two-sided pricing) 모델과 같은 핵심 영역에 초점을 맞춘다. 먼저 동적 가격 전략을 탐색하여, 네트워크 수요 및 사용자 행위에 기반한 실시간 조정이 자원 배분을 최적화하고 수익을 극대화하는 방식을 분석한다. 다음으로 (엣지) 클라우드 컴퓨팅 가격에 관한 연구를 검토하고, 서비스 효율을 향상시키기 위해 엣지 컴퓨팅의 특정 요구 사항을 반영하는 모델을 논의한다. 마지막으로 양면 가격 전략을 살펴보며, 서로 다른 사용자 집단 간 상호작용을 효과적으로 가격 책정함으로써 플랫폼이 공급과 수요의 균형을 어떻게 맞출 수 있는지에 주목한다. 본 조사는 네트워크가 6G 시대에 점점 더 복잡해짐에 따라 가격 전략에 대한 향후 연구의 통찰과 방향을 제공하는 것을 목표로 한다. 게임이론을 적용함으로써 차세대 네트워크에 적합한 적응형 및 지능형 가격 메커니즘을 개발하기 위한 잠재적 접근 방안을 개괄하고자 한다.

본 연구에서는 U개의 채널과 N명의 사용자를 갖는 다중 사용자 분산 채널 접속을 게임으로 모델링하고, Multi-Agent Thompson Sampling(MA-TS) 알고리즘을 제안한다. 이 알고리즘은 베이즈 정리를 활용하여 행동 선택을 동적으로 최적화한다. 이러한 최적화의 목적은 처리율(throughput)을 최대화하는 것이다. 알고리즘의 계산 복잡도를 O(T N U N max 2)로 도출한다. 시뮬레이션 결과, MA-TS는 순수 전략 내쉬 균형(PNE)으로 수렴하며 평균 처리율 측면에서 기존 방법보다 우수함을 보여준다.

본 연구의 목표는 블록 페이딩 채널을 갖는 단일 대기열 및 단일 서버 무선 통신 시스템에서, 평균 에너지 소비 제약 하에 평균 지연을 최소화하는 것이다. 이를 위해 본 연구는 이 문제를 무한 기간 제약 마르코프 결정 과정(CMDP)으로 정식화한다. 본 CMDP에서는 대기열 길이와 채널 상태를 상태로서 함께 고려한다. 라그랑주 승수 방법을 적용하여 제약 최적화 문제를 무제약 최적화 문제로 변환한다. 이어서 최적 스케줄링 전략이 대기열 길이 및 채널 상태에 관해 단조증가함을 증명한다. 최적 스케줄링 정책을 얻기 위해 효율적인 강화학습 알고리즘인 Structural-Optimistic $Q$ -learning 알고리즘(SOQ)을 제안하며, 정책 투영을 사용하여 최적 정책의 단조증가 성질을 활용한다. 마지막으로 주어진 에너지 소비 제약을 만족하도록 평균 에너지 소비를 제어하는 방법을 분석한다. 시뮬레이션 결과, 학습 단계 동안의 평균 비용 측면에서 SOQ의 성능이 전통적인 $Q$ -learning 알고리즘보다 우수함을 보여준다.

심뇌혈관질환(CVD)의 유병률은 지속적으로 증가하고 있으며, 인류 사망의 주요 원인이다. 의료진이 수천 명을 대상으로 선별검사를 수행하기는 어렵기 때문에, 높은 정확도와 해석 가능성을 갖춘 방법을 제시할 필요가 있다. 본 연구에서는 한국 국민건강영양조사 자료(KNHANES)를 기반으로 4가지 기계학습 기반 CVD 분류기(즉, 다층 퍼셉트론, 서포트 벡터 머신, 랜덤 포레스트, light gradient boosting)를 개발하였다. 복잡한 표본추출 가중치를 사용하여 KNHANES 데이터를 재표본화하고 재균형화함으로써, 재균형화된 데이터셋이 전체 모집단으로부터 균일하게 표본 추출된 데이터셋을 모사하도록 하였다. 명확한 위험요인 분석을 위해 VIF 기반 필터링과 Boruta 알고리즘을 이용하여 다중공선성과 CVD-무관 변수를 제거하였다. ML 학습 전 합성 소수자 오버샘플링 기법과 무작위 언더샘플링을 적용하였다. 제안된 분류기들은 AUC가 0.853을 초과하는 등 우수한 성능을 달성함을 확인하였다. Shapley 값 기반 위험요인 분석을 통해 CVD의 가장 중요한 위험요인은 연령, 성별, 그리고 고혈압 유병률임을 확인하였다. 또한 연령, 고혈압 및 BMI는 CVD 유병률과 양의 상관관계를 보인 반면, 성별(여성), 음주 및 월 소득은 음의 상관관계를 보였다. 결과는 특징 선택과 클래스 균형화 기법이 모델의 해석 가능성을 효과적으로 향상시킨다는 것을 보여주었다.