김종국 연구실
고려대학교 전기전자공학부
김종국 교수
GPU 메모리 관리
자원 할당
분산 컴퓨팅
홈
김종국 연구실
고려대학교 전기전자공학부 김종국 교수
김종국 연구실은 GPU 메모리와 자원 제약 하에서 DNN 학습과 모델 서빙의 효율을 높이기 위한 시스템·알고리즘을 중심으로 연구합니다. 마이크로배치 처리와 그라디언트 누적 기반 정규화로 학습 상한을 완화하고, GPU 메모리 관리 기반 캐싱과 데이터로더 파라미터 튜닝으로 추론 처리량과 파이프라인 병목을 개선합니다. 동시에 오디오-비주얼 생성 및 멀티모달 분류를 위한 GAN, 대조학습, Tri-Transformer, Metric Learning을 적용하며, 포인트클라우드 핵심 샘플링과 반도체 클러스터툴 멀티로봇 스케줄링을 강화학습으로 다룹니다. 이벤트 기반 실종 위험 예측 프로젝트를 통해 실제 데이터 기반 모델링도 병행합니다.
GPU 메모리 관리자원 할당분산 컴퓨팅DNN 모델 서빙마이크로배치 학습
대표 연구 분야
연구 영역 전체보기
GPU 메모리·자원 제약 하 DNN 학습/서빙 최적화
DNN Training/Serving Optimization Under GPU Memory and Resource Constraints
연구 분야 상세보기
GPU 메모리·자원 제약 하 DNN 학습/서빙 최적화
DNN Training/Serving Optimization Under GPU Memory and Resource Constraints
연구 분야 상세보기
오디오-비주얼 생성 및 멀티모달 신뢰성 학습
Audio-to-Visual Generation and Multimodal Reliability Learning
연구 분야 상세보기
포인트클라우드 핵심 샘플링과 멀티로봇 스케줄링
Key Sampling for Point Clouds and Multi-Robot Scheduling
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
주요 논문
5
논문 전체보기
1
Article
|
인용수 0
·
2026Retraction Note: Stabilized Performance Maximization for GAN-based Real-Time Authentication Image Generation over Internet
Joo Yong Shim, Soyi Jung, Joongheon Kim, Jong‐Kook Kim
IF 3 (2026)
Multimedia Tools and Applications
https://doi.org/10.1007/s11042-026-21504-2
Maximization
The Internet
Authentication (law)
Image (mathematics)
2
Article
|
인용수 4
·
2025CroMe: Multimodal Fake News Detection Using Cross-Modal Tri-Transformer and Metric Learning
Eunjee Choi, Junhyun Ahn, XinYu Piao, Jong‐Kook Kim
IF 3.6 (2025)
IEEE Access
멀티모달 가짜 뉴스 탐지는 최근 들어 점차 더 많은 관심을 받고 있다. 기존 방법들은 단일 모달 데이터를 각각 독립적으로 인코딩하는 데 의존하며, 고급 기법을 통해 모달 내 관계를 포착하고 모달 간 유사성을 통합하는 이점을 간과한다. 이러한 문제를 해결하기 위해, 멀티모달 가짜 뉴스 탐지를 위한 크로스-모달 트라이-트랜스포머(Cross-Modal Tri-Transformer)와 메트릭 러닝(Metric Learning, CroMe)을 제안한다. CroMe는 고정된 이미지 인코더와 대형 언어 모델을 인코더로 사용하여 Bootstrapping Language-Image Pre-training(BLIP2-OPT)을 활용함으로써 상세한 텍스트, 이미지 및 결합된 이미지-텍스트 표현을 포착한다. 메트릭 러닝 모듈은 프록시 앵커(proxy anchor) 방법을 사용하여 모달 내 관계를 포착하고, 특징 융합 모듈은 Cross-Modal 및 Tri-Transformer를 사용하여 효과적인 통합을 수행한다. 최종 가짜 뉴스 탐지기는 융합된 특징을 분류기에 입력하여 콘텐츠의 진위 여부를 예측한다. 데이터셋에 대한 실험 결과, CroMe는 멀티모달 가짜 뉴스 탐지에서 뛰어난 성능을 보였다.
https://doi.org/10.1109/access.2025.3633841
Encoder
Metric (unit)
Bootstrapping (finance)
Classifier (UML)
Multimodal learning
Feature (linguistics)
Feature extraction
Fake news
3
Article
|
인용수 9
·
2023Audio-to-Visual Cross-Modal Generation of Birds
Joo Yong Shim, Joongheon Kim, Jong‐Kook Kim
IF 3.4 (2023)
IEEE Access
음성 및 시각 양식 데이터는 많은 분야에서 정밀한 조사를 수행하는 데 필수적인 요소이다. 때로는 시각 데이터를 얻기 어려운 반면 청각 데이터는 쉽게 이용 가능하다. 이 경우, 음성 데이터를 이용해 시각 데이터를 생성하는 것은 매우 유용할 수 있다. 본 논문은 새로운 오디오-투-비주얼 크로스모달 생성 접근법을 제안한다. 제안하는 사운드 인코더는 청각 데이터의 특징을 추출하고, 생성 모델은 그 음성 특징을 사용하여 이미지를 생성한다. 이 모델은 (i) 타당한 특징 표현과 (ii) 생성된 이미지와 음성 입력 간의 연관성을 학습하여 사실적이며 잘 분류된 이미지를 생성할 것으로 기대된다. 본 연구를 위해 10종의 서로 다른 조류 종의 소리와 이에 대응하는 이미지를 포함하는 새로운 데이터셋인 Audio-Visual Corresponding Bird(AVC-B) 데이터셋을 수집하였다. 실험 결과, 제안된 방법은 분류에 적합한 이미지를 생성할 수 있으며 최신 기술(state-of-the-art) 방법보다 더 나은 분류 성능을 달성함을 보여준다.
https://doi.org/10.1109/access.2023.3257565
Computer science
Audio visual
Modal
Artificial intelligence
Encoder
Feature (linguistics)
Pattern recognition (psychology)
Representation (politics)
Visualization
Speech recognition
최신 정부 과제
18
과제 전체보기
1
2024년 9월-2025년 9월
|20,000,000원거대 모델을 위한 서버리스 컴퓨팅을 이용한 리소스 효율적인 모델 서빙 연구
수많은 거대 인공지능 추론 서비스 제공을 위한, 서버리스 컴퓨팅을 활용한 컴퓨팅 리소스 효율적인 모델 서빙 시스템 연구 - 단일 노드의 한정된 컴퓨팅 자원(CPU-GPU)의 활용(Utilization)을 극대화여 한정된 GPU 자원에서 기존 시스템보다 동시에 더 많은 거대 인공지능 모델들을 할당할 수 있는 효율적인 모델 할당 시스템 연구. - 클라우드 서버...
모델 서빙
서버리스
컴퓨팅 자원 효율
2
주관|
2021년 3월-2025년 12월
|2,000,000,000원신경망 응용 자동생성 및 실행환경 최적화 배포를 지원하는 통합개발 프레임워크 기술개발
□ 주관연구개발기관 (한국전자통신연구원)
[신경망 자동생성 서브시스템]
ㅇ 신경망 분류 및 모듈화 기반 신경망 모델링 정의 기술
- 딥러닝 프레임워크 특성을 고려한 코드 레벨 신경망 모델링 정의
- 신경망 단위 모듈 및 모듈 간 토폴로지 특성을 고려한 구조 레벨 신경망 모델링 정의
- 신경망 모듈화의 시각화 및 소스 편집 기능 고려
ㅇ HW/SW 개발환경 구축 및 데이터 확보
- 프레임워크 개발을 위한 머신러닝/딥러닝 처리 시스템(HW/SW) 구성
- Open Stack, Kubernetes를 이용한 서비스 응용 개발이 용이한 스택 제공
- 타겟 응용 선정 및 시험 데이터 확보
[신경망 배포/탑재 서브시스템]
ㅇ 고속 추론 엔진 설계
- 국제 표준 신경망 모델(예 ONNX) 지원 추론 엔진 설계
- 국제 표준 신경망 모델 처리를 위한 파서 구현
- 비전 처리를 위한 기본 신경망 실행 함수 구현
ㅇ 신경망 경량화를 위한 최적화 기법 설계
-실행 속도 향상을 위한 quantization 기법 설계
- 신경망 경량화에 따른 성능 분석 모델 개발
ㅇ 신경망 고속 실행지원 배포/탑재 기술 설계
□ 공동연구개발기관 (래블업)
ㅇ 신경망 응용개발 파이프라인 프로세스 통합관리 기술 개발
- 데이터 전처리 – 데이터 검증 – 모델 학습 – 모델 검증 – 배포에 이르는 신경망 응용개발 파이프라인 통합 관리 인터페이스 구성
- 데이터 전처리 및 모델 개발과 최종 배포까지의 파이프라인 통합 관리 플랫폼 구축
ㅇ 온보드의 타겟 가속장치에 적응하는 실행 이미지 생성 기술 설계
- 타겟 장치의 아키텍처 및 지원하는 가속 SDK를 자동 파악할 수 있는 모듈 구현
- 타깃 장치의 아키텍처, 운영체제, 설치된 가속기 및 SDK 등의 정보를 수집하는 모듈 구현
□ 공동연구개발기관 (웨다)
ㅇ 응용의 기능 명세 및 실행환경 명세 기술
- 직관적인 UI의 응용 기능 및 실행환경 명세 개발
- 데이터 종류에 따른 학습 환경 명세
- 신경망이 배포될 HW 디바이스 환경 및 응용에 따른 추론환경 명세
□ 공동연구개발기관 (한국인공지능협회)
ㅇ 기업의 요구사항 수집 및 분석
ㅇ 통합개발 프레임워크 관련 생태계 활성화 지원
□ 위탁연구개발기관 (고려대산학협력단)
ㅇ 신경망 자동 구성 모듈의 구조 설계- 하이퍼 파라미터 최적화 모듈 설계- 신경망 검
배포탑재
분산 협업
신경망 자동생성
통합개발 프레임워크
3
주관|
2019년 9월-2022년 4월
|174,000,000원QAOA를 이용한 양자 심층 강화 학습 알고리즘 개발
1. 양자 심층 강화 학습(Q-DRL) 알고리즘에 대한 개발
◇ QAOA의 활용도 및 확장성 관련 심층 분석 연구
- low-depth QAOA의 고전 알고리즘 대비 성능 관점 NPO 문제별 비교 평가
- depth 증가에 따른 QAOA 매개변수 세팅 이슈에 대한 보완/해결책 연구
◇ QAOA와 DRL의 구성요소(CNN+RL)의 접목을 통한 Q-DRL 모델 연구
- CNN 및 QCNN과 QAOA를 활용할 수 있는 응용 양자 모델 연구
- QCNN을 활용한 양자 데이터 처리와 RL 프로세스를 이용한 모델 연구
◇ 새로운 관점에서의 확장 Q-DRL의 이론적 개선
- 역강화학습 및 모방학습 관점에서의 확장 Q-DRL 모델 개선
- 중앙집중형 다중 에이전트 강화학습과 접목하여 확장 Q-DRL 모델 개선
2. 양자 심층 강화 학습 알고리즘의 구현 및 소프트웨어 단계에서의 적용
◇ 양자 심층 강화 학습을 위한 선행 연구 조사 및 적절한 SW 플랫폼 비교 평가
- 양자 인공신경망 및 양자 강화 학습에 대한 R&D 현황조사 및 핵심 착안점
서베이
- 양자 SW 개발 관점에서의 양자 시뮬레이팅 프레임워크들에 대한 비교 평가
◇ 이동체 등 어플리케이션에 적용을 위한 SW 인프라 설계
- 이동체에 Q-DRL을 적용시키기 위한 무선통신환경 현황조사 및 접합성 검토
- 양자 자율주행 등의 응용에 필요한 소프트웨어적 기반 설계
◇ 이동체 등에 확장 Q-DRL을 적용한 모의실험 및 성능평가
- 고안된 확장 Q-DRL을 적용한 양자 자율주행 등의 어플리케이션 SW 설계
- 모의 실험 및 성능평가
양자 심층 강화 학습
양자 근사 최적화 알고리즘
양자 인공신경망
강화 학습
양자 인공지능
양자 자율 주행
양
최신 특허
특허 전체보기
전체 특허
통합 안전 분석 시스템 및 방법
상태
등록출원연도
2016출원번호
1020160086108