• Analyses & Alternatives
• /
• v.8 no.3
• /
• pp.125-150
• /
• 2024

This paper explores the integration of artificial intelligence and causal inference in social science research, focusing on causal deep learning. We examine key theories including Pearl's Structural Causal Model, Rubin's Potential Outcomes Framework, and Schölkopf's Causal Representation Learning. Methodologies such as structural causal models with deep learning, counterfactual reasoning, and causal discovery algorithms are discussed. The paper presents applications in social media analysis, economic policy, public health, and education, demonstrating how causal deep learning enables nuanced understanding of complex social phenomena. Key challenges addressed include model complexity, causal identification, interpretability, and ethical considerations like fairness and privacy. Future research directions include developing new AI architectures, real-time causal inference, and multi-domain generalization. While limitations exist, causal deep learning shows significant potential for enhancing social science research and informing evidence-based policy-making, contributing to addressing complex social challenges globally.

• Review of KIISC
• /
• v.30 no.1
• /
• pp.43-53
• /
• 2020

딥러닝 기술의 발달로 인해 다양한 응용 분야에서 해당 기술 활용 시 좋은 성능을 보임에 따라 부채널 분석 분야에서도 딥러닝 기술을 적용하는 연구들이 활발히 진행되고 있다. 초기 딥러닝 기술은 데이터 분류 문제를 해결해야 하는 템플릿 공격과 같은 프로파일링 기반의 부채널 공격에 집중되어 적용되었지만 최근에는 프로파일링 기반의 부채널 분석 뿐만 아니라 상관 전력 분석 등과 같은 논프로파일링 기반 부채널 공격, 파형 인코딩 및 전처리, 부채널 누출신호 탐색 등으로 연구범위가 확대되어지고 있다. 본 논문에서는 딥러닝을 이용한 부채널 분석 기술의 최신 연구 동향을 분야별로 체계적으로 정리 및 분석하고자 한다.

• Electronics and Telecommunications Trends
• /
• v.31 no.3
• /
• pp.131-141
• /
• 2016

최근 알파고를 통해 인공지능 기술이 전 세계인의 이목을 집중시켰던 반면, 인공지능 연구자들은 인공지능 부활에 결정적 역할을 한 딥러닝 기술에 주목하고 있다. 딥러닝은 다계층 인공신경망 기반의 기계학습 기술로서 최근 컴퓨터 비전, 음성인식, 자연어 처리 분야에서 인식 성능을 높이는 데 중요한 역할을 하고 있다. 딥러닝 기술을 이용하여 기계가 수천만장의 이미지를 학습하여 객체를 인식하게 하고, 수천 시간의 음성 데이터를 학습하여 사람의 말을 알아듣게 처리하는 데에는 다수의 고성능 컴퓨터가 필요하다. 따라서 딥러닝에는 다수의 컴퓨터를 효율적으로 이용하기 위한 분산처리 기술이 필수적이며 관련 연구들이 활발히 진행되고 있다. 이에 본고는 다중 컴퓨터 노드들에서 딥러닝 모델을 분산처리할 수 있는 기존의 프레임워크들을 비교 분석하고 딥러닝 분산처리 기술에 대한 발전 방향을 전망한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.360-360
• /
• 2023

최근 태풍 및 집중호우로 인한 국내 홍수 피해 규모 및 빈도는 증가하고 있는 추세이며 이에 대한 대응과 수해 방지 대책 수립에 많은 어려움을 겪고 있다. 이와 같은 홍수 피해를 경감시키기 위해서는 유출 모의에 따른 유역 홍수 방어 대책 수립이 이루어져야 하나, 하천 상류 등과 같은 미계측유역이 존재하며 정확한 유출량 산정에 많은 어려움이 따른다. 통상, 미계측유역 유출량 산정은 비유량법, 지역회귀방법, 수문모형에 의한 모의 등이 있다. 그러나 기존의 통계적 방법은 기왕 자료간 관계의 선형성만을 고려한다는 한계가 있으며, 물리적 방법은 다양한 자료 활용에 대한 유연성이 낮다는 한계가 있다. 딥러닝 기반 방법은 자료 내 존재하는 비선형성과 입·출력간 인과관계를 반영하여 모의할 수 있다는 장점이 있다. 본 연구에서는 이러한 미계측유역 유출량 산정을 위해 국내 유역을 대상으로 딥러닝 모형에 대한 적용성을 평가하고자 한다. 알려진 미계측유역 유출량 산정 기법들과 물리적 요소를 고려한 개선된 딥러닝 구조를 활용한 기법에 대한 평가를 수행하였다. 미계측유역에 대한 첨두유출 모의 및 유출용적에 대한 평가를 수행하였으며, 홍수 유출이벤트에 대한 도시적 평가를 통해 딥러닝 기반 미계측유역 유출 모의 기법의 적용성을 평가하였다. 평가 결과, 물리적 요소를 고려한 딥러닝 기반 방법의 정확도가 상대적으로 높은 정확도를 보였으며 첨두 유출 모의를 잘 반영하는 것으로 나타났다. 향후, 유역의 다양한 특성을 활용하는 유출 모의 기법 개발 및 평가가 이루어져야 될 것으로 판단된다.

• The Journal of Korea Institute of Information, Electronics, and Communication Technology
• /
• v.12 no.6
• /
• pp.591-596
• /
• 2019

In this paper, we implemented a deep learning operation structure with less influence of local PC performance. In general, the deep learning model has a large amount of computation and is heavily influenced by the performance of the processing PC. In this paper, we implemented deep learning operation using AWS and streaming server to reduce this limitation. First, deep learning operations were performed on AWS so that deep learning operation would work even if the performance of the local PC decreased. However, with AWS, the output is less real-time relative to the input when computed. Second, we use streaming server to increase the real-time of deep learning model. If the streaming server is not used, the real-time performance is poor because the images must be processed one by one or by stacking the images. We used the YOLO v3 model as a deep learning model for performance comparison experiments, and compared the performance of local PCs with instances of AWS and GTX1080, a high-performance GPU. The simulation results show that the test time per image is 0.023444 seconds when using the p3 instance of AWS, which is similar to the test time per image of 0.027099 seconds on a local PC with the high-performance GPU GTX1080.

• Annual Conference of KIPS
• /
• 2023.11a
• /
• pp.514-517
• /
• 2023

본 연구는 인 컨택스트 러닝 (In-Context Learning)을 오디오-언어 작업에 적용하기 위한 멀티모달 (Multi-Modal) 딥러닝 모델을 다룬다. 해당 모델을 통해 학습 단계에서 오디오와 텍스트의 소통 가능한 형태의 표현 (Representation)을 학습하고 여러가지 오디오-텍스트 작업을 수행할 수 있는 멀티모달 딥러닝 모델을 개발하는 것이 본 연구의 목적이다. 모델은 오디오 인코더와 언어 인코더가 연결된 구조를 가지고 있으며, 언어 모델은 6.7B, 30B 의 파라미터 수를 가진 자동회귀 (Autoregressive) 대형 언어 모델 (Large Language Model)을 사용한다 오디오 인코더는 자기지도학습 (Self-Supervised Learning)을 기반으로 사전학습 된 오디오 특징 추출 모델이다. 언어모델이 상대적으로 대용량이기 언어모델의 파라미터를 고정하고 오디오 인코더의 파라미터만 업데이트하는 프로즌 (Frozen) 방법으로 학습한다. 학습을 위한 과제는 음성인식 (Automatic Speech Recognition)과 요약 (Abstractive Summarization) 이다. 학습을 마친 후 질의응답 (Question Answering) 작업으로 테스트를 진행했다. 그 결과, 정답 문장을 생성하기 위해서는 추가적인 학습이 필요한 것으로 보였으나, 음성인식으로 사전학습 한 모델의 경우 정답과 유사한 키워드를 사용하는 문법적으로 올바른 문장을 생성함을 확인했다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2020.11a
• /
• pp.143-144
• /
• 2020

VVC (Versatile Video Coding)는 HEVC이후 차세대 표준 비디오 코딩으로 JVET(Joint Video Exploration)에 의해 2018년 표준화를 시작하였다. VVC에는 복원픽쳐의 변환-양자화에러에 의해 발생한 블로어, 블로킹, 링잉 아티팩트를 감소시키기 위하여 deblocking filter (DF), sample adaptive offset (SAO), adaptive loop filter(ALF)와 같은 모듈을 사용한다. 한편 CNN (Convolutional Neural Network)은 최근 이미지와 비디오 복원에 높은 성능을 보이고 있다. VVC에서 픽쳐는 CTU (Coding Tree Unit)으로 분할되고 각 CTU는 다시 CU (Coding Unit)으로 분할된다. 그리고 인코딩을 위한 중요한 정보들이 Picture, CTU, CU단위로 디코더에 전송된다. 이 논문에서는 화면 간 예측으로 인코딩 된 픽처에서 블록과 픽처정보를 이용한 딥러닝 기반의 인루프 필터 모델을 제안한다. 제안하는 모델은 화면 간 예측에서 QP, 4×4 블록단위의 모션벡터, 참조블록과의 시간적거리, CU의 깊이를 모델에 추가적인 정보로 이용한다.

• Annual Conference of KIPS
• /
• 2023.11a
• /
• pp.311-313
• /
• 2023

딥러닝에 대한 관심이 증가함에 따라 다양한 분야의 연구자 사이에 딥러닝 모델의 적용 및 재현이 중요한 작업으로 자리잡았다. 하지만 모델을 재현하고 활용하는데 있어 다양한 환경과 자원의 한계가 발생하여 문제가 되고 있다. 이러한 문제를 해결하기 위해 본 논문에서는 국가연구데이터커먼즈체계인 KRDC 프레임워크를 활용하여 딥러닝 학습 모델의 재현 방안을 제안하였다. 이를 통해 딥러닝 연구에 익숙하지 않은 사용자도 학습 모델의 적용 및 활용을 용이하게 할 수 있음을 확인하였다. KRDC 프레임워크는 사용자가 원하는 데이터와 태스크를 정의하고, 워크플로우로 구성, 학습 모델의 재현 및 활용을 지원한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.07a
• /
• pp.477-478
• /
• 2022

최근 코로나19 팬데믹의 영향으로 온라인 소비가 늘면서 종이, 플라스틱 등 재활용품의 사용량이 증가하고 있다. 또한 1인 가구의 중가에 따라 분리수거 배출이 제대로 이루어지지 않는 추세이다. 대부분의 1인 가구가 거주하고 있는 원룸 밀집 지역의 분리수거 여건이 제대로 갖춰진 곳이 많지 않으며, 분리수거 기준이 모호한 종류들이 많다. 재활용품 분리수거가 제대로 이루어지지 않는다면 에너지 및 자원낭비와 쓰레기 소각으로 인한 환경오염이 초래된다. 본 논문에서는 딥러닝 객체 인식 및 검출을 통한 재활용품 분류 결과에 따른 모터제어 및 분리수거를 진행하는 재활용품 분리수거 장치를 개발하였다. 해당 장치는 객체인식 알고리즘 YOLOV4를 이용하여 객체를 인식 및 검출한 후 모터제어, LED를 통해 분리수거 및 피드백을 제공한다. 이를 활용하여 누구나 쉽게 분리수거를 할 수 있도록 편의성을 제공하며 재활용 쓰레기 수거율을 높여 소각으로 인한 환경오염 방지를 기대할 수 있다.

• Journal of the Korea Society of Computer and Information
• /
• v.27 no.5
• /
• pp.47-54
• /
• 2022

Recently, with the development of deep learning technology, research on recognizing human behavior is in progress. In this paper, a study was conducted to recognize risky behaviors that may occur in a single-person household environment using deep learning technology. Due to the nature of single-person households, personal privacy protection is necessary. In this paper, we recognize human dangerous behavior in privacy protection video with Gaussian blur filters for privacy protection of individuals. The dangerous behavior recognition method uses the YOLOv5 model to detect and preprocess human object from video, and then uses it as an input value for the behavior recognition model to recognize dangerous behavior. The experiments used ResNet3D, I3D, and SlowFast models, and the experimental results show that the SlowFast model achieved the highest accuracy of 95.7% in privacy-protected video. Through this, it is possible to recognize human dangerous behavior in a single-person household environment while protecting individual privacy.