클라우드 환경에서 그래픽 처리 장치(GPU)는 고성능 연산을 위해 사용되는 주요 장치이다. 이들은 클라우드 환경의 핵심 장점인 유연한 자원 활용을 활용한다. 여러 사용자가 G... | Tech Science Press에서 필요로 하는 모든 연구를 찾아 읽고 인용하라

클라우드 환경에서 그래픽 처리 장치(GPU)는 고성능 연산을 위해 사용되는 주요 장치이다. 이들은 클라우드 환경의 핵심 장점인 유연한 자원 활용을 활용한다. 여러 사용자가 G... | Tech Science Press에서 필요로 하는 모든 연구를 찾아 읽고 인용하라

딥러닝 기법은 자연어 처리에서 기본적이고 필수적인 기술로 사용된다. 딥러닝 기법은 복잡한 데이터 내의 비선형 관계를 모델링하는 데 의존한다. 본 연구에서는 연구 논문 분류를 위해 ‘Long Short-Term Memory’(LSTM)와 ‘Gated Recurrent Units’(GRU) 딥러닝 기법을 적용하였다. 우리는 연구 논문 추천 시스템에서 분류 성능을 향상시키기 위해 ‘Bidirectional LSTM’과 GRU를 ‘Convolutional Neural Networks’(CNN)와 결합하였다. 또한 본 방법에서는 연구 논문을 분류하고 추천하기 위해 워드 임베딩도 사용한다. 따라서 본 연구에서는 LSTM, GRU, LSTM과 CNN의 결합, GRU와 CNN의 결합, BiLSTM과 CNN의 결합, BiGRU와 CNN의 결합의 총 6가지 유형의 모델을 평가한다. 이들 모델은 Word2Vec(CBOW 및 Sg) 사전학습 방법을 사용하여 FGCS 데이터셋에서의 성능을 비교하였다. 성능 결과는 CNN 아키텍처를 결합한 모델이 기본 LSTM 및 GRU 모델보다 더 높은 정확도와 F1-Score를 달성함을 보여준다. 보다 심층적인 분석을 위해, CNN과 BiLSTM 및 CNN과 BiGRU의 결합 모델은 CNN과 LSTM, CNN과 GRU 결합 모델에 비해 우수한 성능을 나타낸다. 또한 결합된 CNN 모델에 대한 CBOW Word2Vec 임베딩 방식은 Sg Word2Vec 임베딩 방식보다 일관되게 더 나은 성능을 보인다.

마이크로서비스 아키텍처는 확장성과 유연성으로 인해 널리 채택되고 있다. 이러한 애플리케이션은 흔히 에지-클라우드 환경에 배포된다. 그러나 이러한 환경에서는 마이크로서비스에 대한 예상치 못한 피크 부하가 종종 제한된 연산 자원과 대역폭으로 인해 서비스 수준 목표(SLO) 위반으로 이어진다. 또한 노드의 자원 활용도와 네트워크 상태가 지속적으로 변하기 때문에, SLO 준수를 보장하기 위해 마이크로서비스의 재스케줄링이 필수적이다. 재스케줄링 동안 다운타임을 최소화하기 위해 마이크로서비스는 프로세스 완료까지 임시로 추가 자원을 점유한다. 따라서 잦은 재스케줄링은 비효율적인 자원 활용을 초래할 수 있다. 본 논문에서는 에지-클라우드 환경에서 예상치 못한 피크 부하를 처리하기 위해 컨테이너 기반 마이크로서비스를 최적으로 스케줄링하고 재스케줄 횟수를 최소화하는 새로운 스케줄링 기법 SUPLEC를 제안한다. SUPLEC는 Placer와 Rescheduler의 두 구성 요소로 이루어진다. Placer는 자주 상호작용하는 마이크로서비스를 식별하고 이를 그룹으로 클러스터링한 뒤, worst-fit 방식으로 노드에 배치한다. Rescheduler는 최근 요청들의 응답 시간을 분석하여 재스케줄링을 수행해야 하는지를 판단하고, 필요하다면 더 나은 노드로 마이크로서비스를 재스케줄링한다. 실험 결과, 제안한 전략은 동적 클러스터 조건과 부하에서 평균 응답 시간을 최대 68.5% 감소시키며, 재스케줄 횟수는 최대 80% 감소시키는 것으로 나타났다.

개방 세계 객체 탐지(open-world object detection, OWOD)는 모델이 확장되는 알려진 범주 집합을 인식하는 동시에 이전에 보지 못한 객체를 새로 발견해야 하는 동적 환경으로 전통적 탐지를 확장한다. 기존 OWOD 방법들은 클래스 비구분(class-agnostic) 제안에서 객체성 점수를 임계값 처리하여 미지의 대상을 채굴하지만, 이는 라벨 편향을 유발한다. 즉, 알려진 범주의 외형에서 벗어난 새로운 객체는 배경으로 억제되는 반면, 복잡한 배경은 미지의 탐지를 허위로 유발할 수 있다. 이러한 한계를 극복하기 위해, 제안된 REConstruction-Error Density + Contrastive Quality Architecture(RcCOnQA)는 재구성 오차 밀도(reconstruction-error density, RED) 모델링을 통해 객체성으로부터 의사 라벨 생성을 분리한다. 경량 Transformer 오토인코더가 고정된 백본+특징 피라미드 네트워크(Feature Pyramid Network, FPN) 특징을 재구성하고, 앵커(anchor)별 잔차 맵(residual maps)을 생성한다. 이어서 조밀도(density) 헤드는 정규화된 잔차를 연속적인 ‘unknownness(미지성)’ 점수로 변환한다. 이러한 점수는 객체 위치 추정 네트워크(object-localization network, OLN) 분기와 대조적 Quality Head를 강화한 자기학습(self-training) 탐지기에 지침을 제공하며, 정밀한 의사 라벨 정제와 재앙적 망각(catastrophic forgetting) 없이 태스크-증분 학습(task-incremental learning)을 가능하게 한다. Open-World Object Detection Benchmarks(OWODB)에서의 실험—상위 클래스가 분리된 분할(superclass-separated split; S-OWODB)과 상위 클래스가 혼합된 분할(superclass-mixed split; M-OWODB)—에서는, 최첨단 OWOD 접근법에 비해 알려지지 않은 객체의 리콜(unknown recall)은 크게 향상되면서 알려진 클래스의 평균 정밀도(mean Average Precision, mAP)는 보존됨을 보여준다. Large Vocabulary Instance Segmentation(LVIS) 및 Objects365에 대한 교차 데이터셋 평가와 의미적 관련성 연구는, 진정으로 분포 밖(out-of-distribution) 객체에 대한 강건한 일반화를 확인한다.