최근 수년간 모바일 기기의 급격한 유입과 사용 증가로 인해 네트워크에서 액세스 포인트(AP)의 과잉 배치가 발생하였다. 주거 환경과 달리, 기업 및 대학의 네트워크 관리자는 네트워크 동역학(예: 트래픽 부하 및 사용자 이동성)이 대체로 예측하기 어려운 WiFi 네트워크의 사용자 경험(UX)을 향상시키기 위해 모든 노력을 기울인다. 이를 위해 기존의 WiFi 연동(association) 메커니즘은 클라이언트 주도 방식, 즉 사용자가 더 높은 신호 세기의 AP에 스스로 연결하도록 한다. 그러나 사용자는 이용 가능한 대역폭이 충분하지 못해 여전히 불만을 겪는다. 이러한 문제를 중앙집중 방식으로 해결하기 위해, 본 연구는 연동 규제를 위한 SDN(Software-Defined Network) 기반 WiFi 프레임워크인 DARCAS를 제안한다. DARCAS는 UX와 밀접하게 연관된 대역폭 만족도 비율(BSR, bandwidth satisfaction ratio) 개념을 채택한다. DARCAS는 각 사용자의 BSR을 충분한 airtime(즉, 채널 점유 시간)으로 만족시키면서, 집계된 네트워크 처리량을 최대화한다. 우리는 이 아이디어를 DARCAS-GA라는 메타휴리스틱 유전 알고리즘에 적용하였으며, 이는 다항 시간 내에 최대 BSR에 해당하는 준최적 연동 분포를 효과적으로 도출한다. 또한 DARCAS 시스템을 상용(on-the-shelf) 무선 라우터와 SDN 컨트롤러에 구현하였다. 본 연구는 고려된 시나리오에서 실제 환경 기반의 실험 결과를 보고하고, NS-3 시뮬레이터에서 성능의 확장성을 검토하기 위한 광범위한 시뮬레이션을 수행한다. 세부적으로 튜닝된 설정에서 DARCAS는 기존 솔루션 대비 최대 80%의 BSR 향상을 보인다.

최근 수년간 모바일 기기의 급격한 유입과 사용 증가로 인해 네트워크에서 액세스 포인트(AP)의 과잉 배치가 발생하였다. 주거 환경과 달리, 기업 및 대학의 네트워크 관리자는 네트워크 동역학(예: 트래픽 부하 및 사용자 이동성)이 대체로 예측하기 어려운 WiFi 네트워크의 사용자 경험(UX)을 향상시키기 위해 모든 노력을 기울인다. 이를 위해 기존의 WiFi 연동(association) 메커니즘은 클라이언트 주도 방식, 즉 사용자가 더 높은 신호 세기의 AP에 스스로 연결하도록 한다. 그러나 사용자는 이용 가능한 대역폭이 충분하지 못해 여전히 불만을 겪는다. 이러한 문제를 중앙집중 방식으로 해결하기 위해, 본 연구는 연동 규제를 위한 SDN(Software-Defined Network) 기반 WiFi 프레임워크인 DARCAS를 제안한다. DARCAS는 UX와 밀접하게 연관된 대역폭 만족도 비율(BSR, bandwidth satisfaction ratio) 개념을 채택한다. DARCAS는 각 사용자의 BSR을 충분한 airtime(즉, 채널 점유 시간)으로 만족시키면서, 집계된 네트워크 처리량을 최대화한다. 우리는 이 아이디어를 DARCAS-GA라는 메타휴리스틱 유전 알고리즘에 적용하였으며, 이는 다항 시간 내에 최대 BSR에 해당하는 준최적 연동 분포를 효과적으로 도출한다. 또한 DARCAS 시스템을 상용(on-the-shelf) 무선 라우터와 SDN 컨트롤러에 구현하였다. 본 연구는 고려된 시나리오에서 실제 환경 기반의 실험 결과를 보고하고, NS-3 시뮬레이터에서 성능의 확장성을 검토하기 위한 광범위한 시뮬레이션을 수행한다. 세부적으로 튜닝된 설정에서 DARCAS는 기존 솔루션 대비 최대 80%의 BSR 향상을 보인다.

BERT와 같은 대규모 사전학습 언어 모델은 방대한 크기 때문에 추론 속도가 느리고 메모리 사용량이 높다. 최근의 BERT 압축 기법들은 반복적 가지치기와 지식 증류에 의존하는 경우가 많지만, 이는 종종 지나치게 복잡하고 계산 비용이 크다. 본 논문에서는 BERT를 위한 새로운 반(半)구조화 일괄(one-shot) 가지치기 방법인 Permutation and Grouping for BERT(PGB)를 제안하며, 이는 정확도를 보존하면서 높은 압축 효율과 희소성을 달성한다. 이를 위해 PGB는 순열(permutation)을 통해 개별 가중치의 중요한 그룹을 식별하고, 다중 헤드 어텐션 및 피드포워드 층 모두에서 다른 모든 가중치를 구조로서 가지치기한다. 또한 특정 층에서 중요한 그룹이 형성되지 않으면, PGB는 해당 층 전체를 제거하여 더 한층 더 압축된 모델을 생성한다. BERTBASE에 대한 실험 결과, PGB는 계산 비용과 정확도 보존 측면에서 최첨단의 구조화 가지치기 방법들을 능가함을 보여주었다.

디지털 헬스케어의 일환으로, 기존의 물체의 중량에 의존하는 재래식 웨이트 기구의 한계를 극복하기 위해 웨이트 기구에 전기 모터를 이용한 모터 구동 방식을 적용하였다. 그러나 이러한 적용은 케이블 및 근력 기계로 제한되어 왔으며, 안전성과 사용 용이성이 부족한 가장 대중적인 프리 웨이트는 아직 전동화되지 않았다. 이에 본 연구에서는 프리 웨이트 트레이닝을 위한 전동 웨이트 기구로 SEGYM을 개발하였다. SEGYM은 일관된 인간-로봇 상호작용을 달성하면서도 전통적인 프리 웨이트의 하중 및 동작 특성을 모사하는 것을 목표로 하였다. SEGYM의 양측에 위치한 구동 모듈은 벨트 구동 메커니즘을 통해 사용자의 동작과 무관하게, 중력 하중과 유사한 방식으로 하중을 생성한다. 또한 구동 모듈과 결합된 바벨 모듈은 하중을 전달하는 동시에 3차원 공간에서 자연스러운 인체 움직임이 가능하도록 인체공학적 설계를 적용한다. 재래식 프리 웨이트와 동일한 저항 감각을 구현하기 위해, 로버스트 제어를 기반으로 한 다층 교란 억제 제어기(MDRC)를 구동 모듈에 적용하였다. 이 제어기는 SEGYM의 동적 특성을 전통적인 프리 웨이트와 일치하도록 변화시킨다. 엘리트 역도 선수들을 대상으로 SEGYM과 기존 프리 웨이트 간의 유사성을 검증하기 위한 실험을 수행하였으며, 결과는 이들의 유사성을 확인하였다.

온라인 클래스-증분 학습(Online class-incremental learning, OCIL)은 단일 패스(single-pass)로 데이터 스트림으로부터 점진적으로 새로운 클래스(소위 plasticity)를 학습하는 동시에, 이전에 학습한 클래스의 지식(소위 stability)을 보존하는 데 초점을 둔다. OCIL에서의 주요 과제는 지속적으로 갱신되는 모델 안에서 기존 클래스와 새로운 클래스 간 지식의 균형을 양호하게 유지하는 데 있다. 대부분의 기존 방법은 경험 리플레이(experience replay)를 통한 명시적 지식 상호작용에 의존하며, 편향(bias) 문제를 해결하기 위해 배타적 학습 분리(exclusive training separation)를 자주 사용한다. 그럼에도 불구하고, 이러한 방법들은 OCIL 환경에서 지식을 연속적으로 통합하는 데 어려움이 있어, 대개 plasticity가 감소하거나 stability가 제한되는 양상을 보이기 때문에, 잘 균형 잡힌 학습자(learner)를 달성하는 일은 여전히 큰 도전으로 남아 있다. 본 논문에서는 높은 plasticity와 stability를 모두 달성하여 OCIL에서 보다 균형 잡힌 성능을 보장할 수 있는 새로운 리플레이 기반 방법인 Balanced Inclusive Separation for Online iNcremental learning(BISON)을 제안한다. BISON은 이중 분류기를 사용하는 포괄적 학습 분리(inclusive training separation) 전략을 제안하여 기존 및 신규 클래스의 지식을 모델에 효과적으로 통합하는 한편, 두 분류기 간 지식 전달을 위한 암묵적(implicit) 접근을 도입한다. 널리 사용되는 세 가지 OCIL 벤치마크 데이터셋에 대한 광범위한 실험적 평가 결과, BISON은 최신 리플레이 기반 OCIL 방법들과 비교하여 보다 균형 잡힌 성능을 보이면서도 더 나은 성능을 나타내며 우수함이 입증되었다.

비전 트랜스포머(Vision Transformers, ViTs)가 컴퓨터 비전의 표준 아키텍처로 자리 잡았음에도 불구하고, 이들의 대규모 구조는 상당한 계산 오버헤드를 초래한다. 토큰 압축(token compression) 기법은 이러한 문제를 해결하기 위해 주목받아 왔으나, 대개 심각한 정보 손실을 야기하여 실용적인 성능을 달성하기 위해 광범위한 추가 학습이 필요하다. 본 논문에서는 손실 없는 토큰 병합(lossless token merging)을 보장하여 미세조정(fine-tuning)의 필요성을 제거하면서도 경쟁력 있는 성능을 유지하는 새로운 방법인 적응형 토큰 병합(Adaptive Token Merging, ATM)을 제안한다. ATM은 각 계층(layer)과 배치(batch)에 걸쳐 토큰을 적응적으로 감소시키되, 계층별 유사도 유사도 임계값(layer-specific similarity thresholds)을 신중하게 조정함으로써 각 계층에 대해 유사도가 낮은 토큰들이 병합되는 바람직하지 않은 상황을 방지한다. 또한 ATM은 단순히 유사도뿐 아니라 병합 크기(merging sizes)까지 고려하는 새로운 토큰 매칭(token matching) 기법을 도입하며, 특히 최종 계층들에서 각 병합 연산으로 인해 발생하는 정보 손실을 최소화한다. 우리는 다양한 사전학습(pretrained) 모델 전반에 걸쳐 본 방법을 실험적으로 검증하였고, 그 결과 ATM이 기존의 모든 학습 없이 수행하는(training-free) 방법을 능가할 뿐만 아니라, 추가 학습이 없음에도 불구하고 대부분의 학습을 수반하는 접근법(training-intensive approaches)보다 우수함을 확인하였다. 특히 학습 없이 수행하는 ATM은 DeiT-T 및 DeiT-S 모델에서 원래 정확도 저하 없이 FLOPs를 30% 이상 감소시킨다.

모델 역추정(model inversion)은 데이터가 없는 학습(data-free learning)에서 널리 채택되는 기법으로, 원래의 학습 데이터에 대한 접근 없이 미리 학습된 모델로부터 반복적 최적화를 통해 합성 입력을 재구성한다. 그러나 최신 Vision Transformer(ViT)에 이를 적용하는 일은 비싼 자기-어텐션(self-attention) 메커니즘으로 인해 중대한 계산상의 어려움을 야기한다. 이를 해결하기 위해, Sparse Model Inversion(SMI)에서는 중요하지 않아 보이는 패치를 가지치기(pruning)하고 폐기함으로써 효율성을 개선하는 방법이 제안되었으며, 해당 패치가 지식 전이에 장애물이 된다고까지 주장되었다. 하지만 우리의 실증적 결과는 그 반대임을 시사한다. 즉, 무작위로 선택된 패치라도 역추정을 계속하는 동안 결국에는 전이 가능한 지식을 획득할 수 있다. 이는 조기(先期)에 역추정된 패치를 어떤 것이든 폐기하는 것이 비효율적이라는 점을 드러내는데, 그 경우 클래스 비의존적(class-agnostic) 특징뿐 아니라 클래스-특이적(class-specific) 특징의 추출이 함께 억제되기 때문이다. 본 논문에서는 역추정 과정 동안 가장 중요한 패치를 점진적으로 분리(detach)하여 희소한 합성 이미지를 구성하되, 나머지 패치가 향후 선택을 위해 계속 진화하도록 하는 새로운 접근인 Patch Rebirth Inversion(PRI)을 제안한다. 이러한 점진적 전략은 효율을 향상시킬 뿐 아니라, 처음에는 덜 유익한 패치가 점차 더 많은 클래스-관련 지식을 축적하도록 유도한다. 우리는 이 현상을 Re-Birth 효과라고 지칭하며, 이를 통해 클래스 비의존적 지식과 클래스-특이적 지식의 균형을 효과적으로 맞춘다. 실험 결과 PRI는 표준 Dense Model Inversion(DMI)보다 최대 10배 더 빠른 역추정을 달성하고, SMI보다 2배 더 빠르면서도 정확도에서는 일관되게 SMI를 능가하며 DMI의 성능과도 일치함을 보인다.

본 연구는 지속적인 그래프 임베딩에서 개체 중요도 평가의 정확성을 개선하기 위해 관계의 매개 중심성을 가중치 기반 페이지랭크 알고리즘의 가중치로 적용하는 새로운 방법론을 제안한다. 간선 매개 중심성을 정규화해 모델에 통합함으로써, 제안 기법은 간선을 통한 정보 흐름의 중요성을 반영하면서 개체 중요도를 효과적으로 전파해 네트워크 전반의 학습 성능을 향상시킨다. 실험 결과, 다양한 데이터셋에서 MRR 및 Hit@N 지표에서 기존 기법 대비 유의미한 성능 향상을 보였다. 특히, 새로운 개체와 관계가 지속적으로 추가되는 환경에서 제안 방법은 첫 번째 스냅샷 이후 높은 성능 개선을 나타냈다. 이러한 결과는 관계의 중심성을 활용한 개체 중요도 전파가 지속적인 지식 그래프 임베딩의 학습 효율성을 크게 증대시킬 수 있음을 시사한다.