자원 제약이 있는 다양한 대상에 합성곱 신경망(CNN)을 적용하기 위해서는, 정밀도 표현을 더 낮은 비트 표현으로 변환하는 양자화(quantization)를 수행하여 CNN 모델을 압축할 필요가 있다. 학습 데이터셋의 민감성, 높은 계산 요구량, 큰 시간 소모와 같은 문제를 극복하기 위해, 재학습을 필요로 하지 않는 후(後)학습 양자화(post-training quantization) 방법들이 제안되어 왔다. 또한 재학습 없이 정확도 저하를 보상하기 위해, 기존의 후학습 양자화 연구에서는 보정(calibration), 스킴(schemes), 클리핑(clipping), 과립도(granularity), 혼합정밀도(mixed-precision) 등 여러 보완적 방법을 제안하였다. 최소한의 오차를 갖는 양자화 모델을 생성하기 위해서는, 각 방법이 상호 보완적이며 CNN 모델이 서로 다른 특성을 가지므로 모든 가능한 방법 조합을 연구할 필요가 있다. 그러나 완전 탐색 또는 휴리스틱 탐색은 지나치게 많은 시간이 소요되거나 성능이 최적이 아니기 쉽다. 이러한 도전을 해결하기 위해, 양자화 설정(configuration)의 탐색을 가속하고 양자화 오차를 감소시키는 Quantune으로 알려진 자동 튜너(auto-tuner)를 제안한다. Quantune은 그라디언트 트리 부스팅(gradient tree boosting) 모델을 구축하여 양자화 구성의 탐색을 가속한다. 우리는 Quantune을 무작위(random), 격자(grid), 유전 알고리즘(genetic algorithms)과 비교·평가하였다. 실험 결과는 Quantune이 여섯 개의 CNN 모델(취약한 모델들인 MobileNet, SqueezeNet, ShuffleNet 포함)에서 정확도 손실 0.07–0.65%를 유지하면서 양자화 탐색 시간을 약 36.5배 감소시킴을 보여준다. 또한 여러 대상에 대응하고 지속적으로 발전하는 양자화 작업을 수용하기 위해, Quantune은 공개 소스 프로젝트로서 딥러닝을 위한 완전한 컴파일러(full-fledged compiler)에 구현되어 있다.

스마트폰과 웨어러블 기기에서 발생하는 일일 알림의 수가 증가함에 따라 정신적 부담이 커지고 생산성이 저하되며 에너지 낭비가 발생한다. 이러한 현상은 스마트폰, 스마트워치, AirPods, 태블릿과 같은 개인용 모바일 기기들을 점점 더 많이 착용하고 사용하는 신종 사용 사례가 등장하면서 더욱 악화된다. 모든 기기에서 동시에 중복 알림이 생성될 수 있기 때문이다. 따라서 주의 분산뿐 아니라 여러 기기에서 동시에 유발된 중복 알림은 에너지 낭비를 초래한다. 선행 연구에서는 개인화된 모델에 기반하여 알림의 발생을 자동으로 조작하는 알림 관리 시스템 PASS를 제안하였다. 그러나 선행 연구는 시간이 지남에 따른 사용자 행태 변화에 대해 조사하지 않았기 때문에, 기계학습 기반 모델은 새로 유입되는 알림에 대해 성능이 좋지 않다. 모델이 장기간 사용될 때 모델링과 실제 배치 간의 격차를 줄이기 위해, 우리는 장기간 동안 데이터 수집을 수행한 종단 연구를 실시하였다. 우리는 추가로 11,258개의 알림을 수집하였고, 원래의 데이터셋을 포함하여 총 18,407개의 알림을 분석하였다. 본 연구의 전체 기간은 2년이다. 통계적 검정을 통해, 학습에 충분히 활용할 수 있는 시간 불변(time-invariant) 특성을 확인하였다. 새롭게 발생하는 데이터로 인해 발생하는 정확도 저하를 극복하기 위해, 우리는 창(window) 기반 시간 불변 온라인 학습(WTOL)을 설계하였다. 새롭게 수집된 데이터셋에서 WTOL은 시간 민감도에 따라 온라인 학습과 윈도잉 특성을 결합함으로써, 배치 학습에 기반한 기존 모델의 F-score를 44.3%에서 69.0%로 향상시킨다.