딥러닝 경량화와 강화학습-최적화 결합 의사결정

Deep learning compression and reinforcement learning with optimization

연구 내용

전역 가중치 프루닝으로 딥러닝 연산을 줄이고, 강화학습과 최적화를 결합해 경로 의사결정을 수행하는 연구

딥러닝 모델의 연산량과 메모리 요구를 줄이기 위해 전역 제거 비율 기반 weight pruning을 수행합니다. 기존의 layer-by-layer 튜닝 의존성을 줄이기 위해 모델 전체에 대한 제거 제약을 설정하고, ADMM을 활용한 최적화 절차로 프루닝을 적용하여 성능 변화가 과도하게 발생하지 않도록 설계합니다. 또한 경로 탐색 문제에서는 DRL이 해결 과정에서 최적화 기반 휴리스틱과의 격차를 갖는 문제를 고려하여, MCTS를 라우팅 문제에 맞게 선택적으로 결합한 AlphaRouter를 제안합니다. 이러한 연구 흐름은 엣지컴퓨팅에서의 고신뢰 딥러닝 배치 방향과 연결됩니다.

관련 프로젝트

1건

연구 흐름

초기에는 모델 압축 관점에서 전역 weight pruning을 통해 학습·튜닝 부담을 줄이면서도 모델 성능을 유지하는 절차를 정립했습니다. 이후 압축된 모델을 활용할 수 있는 실제 의사결정 문제로 확장하여, 강화학습만으로는 최적화 휴리스틱과의 해 품질 차이가 생길 수 있다는 전제를 바탕으로 DRL과 Monte Carlo tree search를 결합한 라우팅 해결 구조를 제안했습니다. 동시에 엣지컴퓨팅에서의 실시간·고신뢰 운영을 목표로 하는 프로젝트 수행을 통해, 효율성과 안정성을 함께 고려하는 연구로 이어졌습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

엣지컴퓨팅 딥러닝 배치
모델 경량화 및 저장 절감
실시간 추론 가속
전역 프루닝 기반 학습 자동화
조합 최적화 라우팅 해법
강화학습-최적화 하이브리드 솔버
물류·운송 경로 최적화
고신뢰 의사결정 모델 운영
오브젝트 디텍션 경량화
분산 최적화 기반 온라인 학습