[조민수 교수] 합성곱 호프 매칭 신경망

[합성곱 호프 매칭 신경망/Convolutional Hough Matching Networks] 본 연구에서는 4차원 유사도 텐서에 행해지는 4차원 합성곱 신경망은 사실상 패턴 인식을 위한 함수가 아닌 지역적 유사도 투표를 위한 호프 매칭 알고리즘임을 보여준다. 호프 변환 관점에서 해석된 4차원 합성곱 매칭은 다양한 기하적 변형 공간을 고려함으로써 4차원 이상의 고차원 기하 공간으로 일반화 될 수 있음을 보여주며, 고차원 커널 수가 대폭 줄어 학습된 커널의 해석을 용이하게 하고, 호프 공간에서 효과적인 매개변수 공유을 통해서 메모리 복잡도를 덜어준다. 합성곱 호프 매칭 알고리즘을 기반으로 의미론적 이미지 정합을 위한 네트워크인 합성곱 호프 매칭 신경망(convolutional Hough matching networks)을 제안한다. 제안한 네트워크는 기존 합성곱 매칭 방법들에 비해 매우 적은 수의 매개변수 만으로도 실시간 이미지 매칭에 우수한 성능을 낼 수 있음을 보여준다. 해당 논문은 2021 IEEE Conference on Computer Vision and Pattern Recognition 에 게재 됨. ※ IEEE Conference on Computer Vision and Pattern Recognition (CVPR)은 구글 scholar기준 h5-index 299로, 공학 전 분야의 SCI 학술지 및 학술 대회를 통틀어 1위에 해당하는 컴퓨터 비전 분야 최고 수준의 국제 학술대회입니다.

[유환조 교수] 추천 시스템을 위한 토폴로지 증류 기법

[추천 시스템을 위한 토폴로지 증류 기법/Topology Distillation for Recommender System] [연구내용 요약] 최근 추천시스템 모델의 크기와 복잡도가 증가함에 따라, 예측을 위해 소모되는 연산량 및 메모리 요구량 역시 계속해서 증가하고 있다. 본 연구에서는 기존 추천 모델의 정확도를 유지하면서 크기와 연산량을 줄이는 새로운 토폴로지 증류기법을 제안한다. 제안하는 기법은 기존 추천 모델이 학습한 유저/아이템 관계 정보를 그래프 토폴로지로 정의하고, 이 토폴로지를 새로운 모델 학습에 활용한다. 특히, 새로운 모델과 기존 모델의 수용력 (capacity) 차이를 고려, 그래프 토폴로지를 압축하여 핵심적인 관계 정보들을 작은 수용력을 갖는 새로운 모델이 효과적으로 학습할 수 있도록 한다. 제안하는 기법은 행렬 분해, 다층 퍼셉트론, 그래프 합성곱 신경망 등의 다양한 모델 구조를 갖는 추천시스템 모델에 대해서 검증되었으며, 기존의 기법들에 비해 모델 예측에 소모되는 연산량을 더 효과적으로 감소시킬 수 있음을 보였다. 제안하는 기법은 추천시스템의 정확도와 효율성을 모두 높여, 웹 서비스에서 실시간으로 다수의 유저에게 개인화된 경험을 제공하는데 기여할 수 있다. [연구성과의 의의] 제안하는 토폴로지 증류 기법은 추천시스템의 정확도와 효율성을 모두 높여, 웹 서비스에서 실시간으로 다수의 유저에게 개인화된 경험을 제공하는데 기여할 수 있다. 해당 논문은 데이터 사이언스, 빅데이터 및 인공지능 분야의 국제 최우수 학회인 ACM Conf. Knowledge Discovery and Data Mining (KDD)에 게재 됨.