'Network' 태그의 모든 글
이 논문은 소매 판매 예측 분야에서 LSTM 네트워크의 효율성과 정확성을 극대화하는 방법에 대해 깊이 있게 탐구하고 있다. 특히, 이 연구는 자원 제약을 가진 소규모 및 중소 규모 매장에서도 효과적인 AI 기반 예측 시스템을 구축할 수 있도록 하는 모델 압축 기법의 중요성을 강조한다. 기술적 혁신성 이 논문은 LSTM 네트워크를 압축하는 다양한 방법론을 체계적으로 평가하고, 특히 64개 은닉 유닛을 가진 모델이 가장 높은 예측 정확도를 보이는 것을 발견했다. 이는 표준 LSTM(128개 은닉 유닛)보다 메모리 사용량을 줄이고 추론
본 논문은 복잡한 네트워크에서 관찰되는 만델브로트 법칙에 대한 엄밀한 수학적 증명을 제공하며, 이를 통해 선형 선호 부착 모델이 어떻게 이러한 특성을 생성하는지 깊게 분석한다. 논문은 주요 세 가지 근사법을 사용하여 차수 분포의 극한 형태를 유도하고, 각 방법의 결과를 비교한다. 1. 연구 배경 및 중요성 복잡 네트워크는 다양한 학문 분야에서 중요한 관심 대상이다. 특히, 이러한 네트워크의 규모 자유 특성은 그 보편성과 중요성을 강조하며, 이는 네트워크 내 노드들의 차수 분포가 전력법칙에 따라 결정된다는 것을 의미한다. 바바라시와
본 논문은 그레이 스케일 디지털 이미지를 표현하고 클러스터링하는 방법에 대해 심도 있게 다루고 있다. 특히, 코호넨 네트워크 (Self Organizing Map, SOM)과 혼합 소스 코호넨 네트워크 (Self Organizing Mixture Network, SOMN)를 사용하여 이미지를 효과적으로 표현하고 클러스터링하는 방법을 제안한다. 1. 그레이 스케일 이미지의 표현 그레이 스케일 이미지는 픽셀 그리드로 정의되며, 각 픽셀은 밝기 강도 값을 가진다. 이 값들은 일반적으로 0에서 255 사이의 정수로 디크레티화되어 컴퓨터 메
본 논문은 소셜 네트워크에서 정보와 의견이 어떻게 확산되는지에 대한 심도 있는 분석을 제공한다. 특히, 기존 모델들이 논쟁 가능한 정보의 확산 과정을 정확히 설명하지 못하는 한계를 지적하고, 이를 극복하기 위한 새로운 접근법을 제시한다. 1. 기존 연구와의 차별화 전염병 확산 모델 : 이 모델은 정보나 의견이 확산되는 과정을 질병 전염과 유사하게 설명한다. 그러나, 논쟁 가능한 정보는 단순히 노출에 의한 감염만으로 설명하기 어렵다. 기준 모델 (복잡한 전염) : 이 모델은 개인의 의견 형성이 그의 주변 네트워크 구성원들의 영향을 받
: 본 논문은 디지털 세상에서 개인정보와 비밀정보가 어떻게 퍼져나가는지를 수학적으로 모델링하고 분석하는 데 초점을 맞추고 있다. 이는 정보 기술의 발전으로 인해 언제 어디서든 정보를 공유할 수 있게 되면서, 민감한 콘텐츠의 보안 유지가 더욱 중요하게 된 상황을 반영한다. 네트워크 구조와 개인정보 확산 본 논문은 네트워크 이론을 기반으로 다양한 유형의 네트워크에서 정보의 확산 패턴을 분석하고 있다. 네트워크는 점(노드)과 선(엣지)으로 구성되며, 노드와 엣지의 연결 방식에 따라 여러 가지 형태로 구분된다. 1. 완전한 네트워크 : 모
본 연구는 그래프 신경망(GNN) 학습을 대규모 실세계 그래프에 적용하기 위해 외부 스토리지를 활용하는 ‘스토리지 기반’ 접근법의 근본적인 한계를 짚어낸다. 기존 연구들은 주로 메모리 한계를 극복하기 위해 NVMe SSD와 같은 고속 저장소를 이용했지만, 그래프 구조가 매우 불규칙하고 엣지와 노드가 수백만~수십억 수준으로 분산돼 있기 때문에 학습 과정에서 발생하는 수십만~수백만 개의 작은 I/O 요청을 효율적으로 병합하거나 스케줄링하지 못한다. 이러한 ‘소형 I/O 폭주’는 스토리지의 순차 전송 대역폭을 활용하지 못하게 만들고, 결
본 연구는 현재 인공지능 추론 분야에서 가장 논쟁이 되는 세 가지 접근법을 체계적으로 비교함으로써, “신뢰성”이라는 관점에서 중요한 통찰을 제공한다. 첫 번째 범주인 대규모 언어 모델(LLM) 기반 추론은 방대한 텍스트 코퍼스를 사전 학습함으로써 언어적 유연성을 얻지만, 논리적 일관성 유지와 같은 엄격한 판단에서는 여전히 불안정한 결과를 보인다. 이는 LLM이 통계적 패턴에 기반한 예측을 수행하기 때문에, 명시적인 논리 규칙을 내재화하지 못한다는 근본적인 한계와 연결된다. 두 번째인 감독 학습 기반 추론은 특정 논리 과제에 대해 라
이 논문은 신호 SGN++라는 새로운 프레임워크를 제안하여 그래프 컨볼루션 네트워크(GCNs)와 스팽킹 신경망(SNNs)의 장점을 결합하고자 합니다. GCNs는 관절 구조를 효과적으로 모델링할 수 있지만, 실수 계산에 따른 에너지 소비가 높은 반면, SNNs는 에너지 효율적이지만 인간 동작의 복잡한 시간 주파수 및 위상 의존성을 포착하는 데 한계가 있습니다. 신호 SGN++은 이러한 문제를 해결하기 위해 1D Spiking Graph Convolution(1D SGC)과 Frequency Spiking Convolution(FSC)
이 논문은 인간의 추상적 사고와 문제 해결 능력에 초점을 맞추며, 이를 가능하게 하는 귀납적 편향성의 계산적 구조와 신경학적 구현을 탐구하고 있습니다. 연구진은 그래프 이론과 GNN을 결합한 프레임워크를 제시하여 이러한 편향성을 명확히 정식화하고, 이를 통해 인간의 추론 과정을 더 잘 이해할 수 있는 방법을 제공합니다. 특히, 본 논문에서 사용된 데이터셋은 Abstraction and Reasoning Corpus (ARC)에서 적응된 것으로, 이는 인간 행동 데이터를 기반으로 하여 실제 인간의 문제 해결 능력을 반영하고 있습니다.
본 논문은 차세대 6G 통신망에서 핵심적인 보안 과제를 두 단계로 명확히 구분하고, 각각에 대한 혁신적인 해결책을 제시한다는 점에서 학술적·실용적 의의가 크다. 첫 번째 과제는 “보안 전략의 전주기 자동화”이다. 기존 연구들은 주로 침입 탐지·차단과 같은 개별 기능에 초점을 맞추었으며, 전략 수립부터 검증, 업데이트까지의 연속적인 흐름을 자동화하는 체계는 부재했다. 여기서 저자들은 대형 언어 모델(LLM)을 활용해 인간 전문가가 수행하던 전략 생성 과정을 자동화하고, 이를 네트워크 오케스트레이션 엔진과 연동시켜 실시간 대응까지 확장
본 논문은 전통적인 심층 강화학습이 직면한 표현력 한계를 양자 컴퓨팅의 고유 특성을 이용해 극복하고자 하는 시도이다. 기존 Rainbow DQN은 Double DQN, Prioritized Experience Replay, Dueling Network, Multi‑step Learning, Distributional RL 등 여섯 가지 개선 기법을 통합해 성능을 끌어올렸다. 그러나 이들 모두는 고전적인 뉴럴 네트워크를 기반으로 하며, 파라미터 수가 급격히 증가하면 학습이 불안정해지고 메모리 요구량이 커지는 문제가 있다. 변분 양자
스파이킹 신경망(SNN)이 최근 엣지 디바이스와 저전력 AI 솔루션에서 각광받는 이유는, 뉴런이 스파이크(이산적인 전기 펄스) 형태로 정보를 전달함으로써 연산량과 에너지 소비를 최소화할 수 있기 때문이다. 이러한 구조적 특성은 기존의 연속적인 활성값을 사용하는 인공신경망(ANN)과 근본적으로 다르며, 특히 학습 과정에서도 차별점을 만든다. ANN은 역전파를 통해 정확한 미분값을 계산해 가중치를 업데이트하지만, SNN은 스파이크 발생 자체가 비미분 가능하기 때문에 대리 그래디언트(surrogate gradient)라는 근사 방법을 도
본 연구는 6G 시대에 급증하는 초연결 IoT 환경과 자율항공기(AAV)의 협업을 위한 핵심 기술적 과제를 체계적으로 해결하고자 한다. 첫 번째 과제는 사용자 의도를 정확히 파악하는 것이다. 기존의 의도 추론 모델은 주로 텍스트 기반의 명시적 표현에 의존하는데, 실제 현장에서는 음성, 센서 데이터, 비정형 신호 등 다양한 형태의 모호하고 불완전한 입력이 존재한다. 이러한 상황에서 암시적 의도 모델링을 도입함으로써, 입력의 불확실성을 확률적 표현으로 전환하고, 하이퍼차원(Hyperdimensional) 공간에 매핑함으로써 고차원 특성
이 논문은 M/M/2 큐 시스템을 활용하여 네트워크 지연 문제를 분석하고 있습니다. 이 모델은 두 개의 서버로 구성되며, 각 서버는 서로 다른 처리 능력을 가지고 있어 작업 스케줄링 방식은 FCFS(First Come First Served)입니다. 1. M/M/2 큐 시스템 M/M/2 큐 시스템은 네트워크 지연 문제를 효과적으로 모델링하기 위한 도구로, 이 시스템의 주요 특징 중 하나는 두 개의 서버가 서로 다른 처리 능력을 가지고 있다는 점입니다. 작업 스케줄링 방식은 FCFS로, 작업이 도착한 순서대로 처리됩니다. 2. 상태
본 논문은 웹 사용자 패턴 분석을 위한 전처리 및 클러스터링 방법론에 중점을 두고 있다. 주요 내용과 그 중요성, 그리고 제안된 접근 방식의 효과를 심도 있게 분석해보자. 1. 전처리의 필요성 웹 로그 데이터는 웹사이트 방문자의 행동을 기록한 대량의 정보로 구성되어 있으며, 이 데이터에서 유의미한 패턴을 발견하기 위해서는 정교한 전처리 과정이 필수적이다. 본 논문에서는 전처리를 통해 초기 로그 파일 크기를 73 82%까지 줄이는 동시에 풍부하고 구조화된 데이터를 제공하는 방법론을 제시한다. 전처리의 주요 목표는 분석 대상 데이터의
: 본 논문은 골 재구성 과정을 시뮬레이션하기 위한 새로운 다중 규모 접근 방식, 즉 하이브리드 FENN(Finite Element and Neural Network) 방법을 제안한다. 이 방법의 핵심은 유한 요소 분석과 인공 신경망 계산을 결합하여 골 재구성 과정에서 발생하는 복잡한 현상을 효과적으로 모델링하고 시뮬레이션할 수 있도록 하는 것이다. 1. 다중 규모 접근 방식의 필요성 골 재구성은 뼈의 미세 구조부터 거시적 행동까지 다양한 규모에서 발생하는 복잡한 과정이다. 이 과정을 정확하게 모델링하기 위해서는 각 수준에서의 상호
HISTOGRAPH는 그래프 신경망(GNN) 분야의 중요한 발전을 이끌어내며, 특히 노드 임베딩의 진화와 공간적 상호작용을 동시에 모델링하는 데 중점을 두고 있습니다. 이러한 접근법은 기존 GNN 아키텍처를 개선하고, 다양한 그래프 관련 작업에서 우수한 성능을 달성할 수 있는 새로운 방향성을 제시합니다. 기술적 혁신성: HISTOGRAPH의 핵심 혁신 중 하나는 역사적 활성화 추적 입니다. 이 접근법은 GNN이 메시지 전달과 집계를 통해 노드 임베딩을 생성하는 과정에서 발생한 시간적 경로를 고려합니다. 각 노드의 층별 표현을 시퀀스
SASNet은 의료 영상 분야에서 흔히 마주치는 라벨링 비용의 제약을 극복하고자 설계된 반지도 학습 프레임워크이다. 기존의 반지도 세그멘테이션 방법들은 주로 단일 스케일의 특징을 활용하거나, 라벨이 없는 데이터에 대해 단순히 일관성 손실을 적용하는 데 그쳤다. 이러한 접근법은 복잡한 해부학적 구조를 다양한 해상도에서 포착하기 어려워, 특히 작은 병변이나 경계가 흐릿한 영역에서 성능 저하를 보인다. SASNet은 두 개의 병렬 브랜치를 갖는다. 하나는 라벨이 충분히 제공된 소량의 데이터에 대해 전통적인 지도 학습을 수행하고, 다른 하
본 논문은 안과 영상 진단 분야에서 ‘병리학적 맥락’과 ‘전문가 경험’이라는 두 가지 인간 중심의 사전 정보를 딥러닝 모델에 체계적으로 통합하려는 시도를 제시한다. 먼저 제안된 Pathology Recalibration Module(PRM)은 두 단계로 구성된다. 첫 번째 단계인 픽셀‑단위 맥락 압축 연산자는 고해상도 안구 이미지에서 지역적 특징을 저차원 표현으로 압축함으로써 연산 효율성을 높이고, 동시에 병변이 나타나는 영역의 전반적인 구조적 정보를 보존한다. 두 번째 단계인 병리학적 분포 집중 연산자는 압축된 특징 맵을 기반으로
본 연구는 베이지안 신경망(BNN)에서 라플라스 근사의 한계를 정확히 짚어낸 뒤, 리만 기하학을 도입해 이를 극복하려는 시도를 보여준다. 전통적인 라플라스 근사는 MAP(최대 사후 확률) 추정점 주변을 유클리드 거리 기반의 다변량 정규분포로 근사한다. 그러나 딥러닝 모델은 수백만 차원의 파라미터 공간에 복잡한 비선형 구조와 다중 대칭(예: 레이어 순열, 스케일 변환 등)를 가지고 있어, 손실 표면은 극도로 얇고 긴 골짜기 형태를 띤다. 이런 상황에서 유클리드 메트릭은 실제 곡률을 무시하고, 결과적으로 과도하게 축소된 혹은 과도하게
본 논문은 그래프 신경망(GNN)의 확장성 문제를 근본적으로 재고하는 접근법을 제시한다. 전통적인 GNN 학습에서는 각 노드가 자신의 1‑hop 이웃을 모두 집계하는 과정이 필수적이다. 이 과정은 그래프가 커질수록 인접 행렬의 희소성에도 불구하고 메모리 사용량과 연산 복잡도가 급격히 증가한다는 한계를 갖는다. 최근에는 GraphSAGE, FastGCN, LADIES와 같은 정적 혹은 확률적 샘플링 기법이 제안되었지만, 이들 방법은 사전에 정의된 샘플링 비율이나 확률 분포에 의존한다. 따라서 그래프 구조가 학습 진행 중에 변화하거나,
이 논문은 현대 의료 인공지능이 직면한 두 가지 핵심 문제—데이터 부족과 블랙박스 현상—에 대한 혁신적인 해결책을 제시한다. 먼저, ‘가짜 색채(pseudo‑colouring)’라는 개념은 원래 인간 전문가가 ECG를 시각적으로 해석할 때 중요한 시간적 특징, 예컨대 QT 간격을 색상으로 강조함으로써 인지 부하를 낮추는 방법으로 알려져 있다. 이를 디지털 이미지에 그대로 적용하면, 신경망이 원시 전압 파형 대신 색상 채널을 통해 의미 있는 정보를 직접 받아들일 수 있다. 색상은 3차원(RGB) 공간에서 서로 다른 시간 구간을 구분하
본 논문은 최근 인공지능 시스템에서 두드러지는 두 가지 요구, 즉 안전성(robustness) 과 효율성(efficiency) 을 동시에 만족시키기 위한 새로운 연구 방향을 제시한다. 전통적인 신경망 검증 연구는 주로 전체 네트워크가 단일 경로로 실행된다는 전제 하에, 입력 변동에 대한 출력 변동을 수학적으로 제한하는 방식으로 진행되어 왔다. 그러나 실제 서비스 환경에서는 지연 시간과 연산 비용을 절감하기 위해 조기 종료(early exit) 메커니즘을 도입하는 경우가 늘어나고 있다. 조기 종료는 중간 레이어에서 충분히 높은 신뢰도
이 논문은 이진신경망(BNN)을 활용한 손글씨 숫자 인식 가속기의 설계와 구현을 다룹니다. BNN는 부동소수점 연산 대신 비트 논리 연산을 사용함으로써, 저전력과 고속 추론이 가능한 특성을 가지고 있습니다. 특히 이 연구에서는 Xilinx Artix 7 FPGA를 타겟으로 하여 Verilog 언어로 수작업 설계를 수행하였습니다. 이는 고수준 합성 도구 없이도 실시간 분류 성능을 달성할 수 있음을 보여주며, 80 MHz에서 작동하면서 낮은 전력 소비와 예측 가능한 타이밍을 제공합니다. MNIST 데이터셋에 대한 시뮬레이션 결과에서는
이 논문은 급격히 확대되는 다중 에이전트 시스템(MAS)이 사회·경제적 인프라에 미치는 영향을 고려할 때, 기존의 중앙집중식 규제나 사후 감사만으로는 시스템 내부에서 발생하는 비정상적·비윤리적 행동을 억제하기 어렵다는 문제의식을 바탕으로 연구가 진행되었다. 저자들은 책임 흐름을 ‘라이프사이클‑인식 감사 원장(lifecycle‑aware audit ledger)’에 기록함으로써, 각 에이전트가 언제, 어떤 의사결정을 내렸는지를 투명하게 추적한다. 이 원장은 블록체인과 유사한 불변성을 갖추면서도, 에이전트 간 통신 지연이나 부분 관측성
이 논문은 양자 신경망(QNNs) 개발에서 중요한 역할을 하는 인코더 선택에 초점을 맞추고 있습니다. QNNs는 양자 컴퓨팅과 뉴럴 네트워크 아키텍처를 결합한 것으로, 고차원 데이터와 얽힘된 데이터의 처리 속도 향상 및 효율성을 제공합니다. 그러나 적절한 인코더 선택은 시스템적인 지침 부족과 실험적 접근 방식 때문에 어려움을 겪고 있습니다. 이 논문에서는 이러한 문제를 해결하기 위해 XQAI Eyes라는 새로운 시각화 도구를 제안하고 있습니다. XQAI Eyes는 QNN 개발자가 클래식 데이터 특징과 해당 양자 상태 사이의 비교를
딥 뉴럴 네트워크는 복잡한 패턴을 학습하는 데 매우 효과적이지만, 이 과정에서 유해한 공적응이 발생하여 일반화 성능이 저하되는 문제를 안고 있습니다. 드롭아웃과 드롭커넥트와 같은 기존의 노이즈 기반 정규화 방법은 이러한 문제를 해결하기 위해 무작위 변동을 주입하지만, 이들 방법은 층이나 배치 단위로 균일한 노이즈를 적용하므로 유용한 공적응까지 억제하는 부작용이 있습니다. 본 연구에서는 PerNodeDrop이라는 새로운 정규화 방법을 제안합니다. PerNodeDrop은 샘플별, 노드별로 변동성을 주입함으로써 기존의 균일한 노이즈 적용
본 연구는 금융 시장에서 변동성 예측의 중요성을 강조하며, 이를 위해 확률적 변동성(SV) 모델과 장단기 메모리(LSTM) 신경망을 통합한 하이브리드 모델링 프레임워크를 제안한다. SV 모델은 통계적인 정확성과 잠재적인 변동성 동태를 포착하는 능력을 제공하며, 특히 예상치 못한 사건에 대한 반응에서 유용하다. 한편, LSTM 네트워크는 금융 시계열 데이터에서 복잡하고 비선형 패턴을 감지할 수 있는 능력이 있어, SV 모델의 통계적 정확성과 결합하여 더 우수한 예측 성능을 제공한다. 본 연구에서는 S&P 500 지수 일별 데이터를 사
This paper addresses the challenge of designing efficient deep learning (DL) solutions for Internet of Things (IoT) devices, which often have severe constraints on memory and computational power. These limitations can prevent IoT units from executing DL models that typically require significant reso
This paper delves into peer to peer trading in electricity networks, a cutting edge energy management technique that benefits proactive consumers (prosumers) by enabling them to trade energy as goods and services. The study addresses challenges related to modeling transactions both at the virtual la
This paper addresses the challenge of achieving global and semi global regulated state synchronization in homogeneous networks of non introspective agents, particularly under input saturation conditions. The key contribution is a scalable protocol design that does not require detailed knowledge abou
This paper introduces Shenjing, a novel architecture that aims to achieve energy efficient deep neural networks (DNNs). The primary focus is on addressing the high energy consumption of DNNs, especially in on device AI applications where both computation and communication consume significant amounts
본 논문은 랜덤 아폴로니 네트워크(RANs)의 정도 분포에 대한 깊이 있는 분석을 제공하며, 이는 그래프 이론에서 중요한 역할을 하는 모델 중 하나이다. RANs는 평면 그래프로서, 각 단계에서 무작위로 삼각형을 선택하고 그 내부에 새로운 정점을 추가하여 네트워크를 확장한다. 1. 서론 서론에서는 본 논문의 주요 목표와 연구 배경이 설명된다. RANs는
검색어를 입력하세요