• Annual Conference on Human and Language Technology
• /
• 2023.10a
• /
• pp.245-250
• /
• 2023

RLHF(Reinforcement Learning from Human Feedback, 인간 피드백 기반 강화학습) 방법론이 최근 고성능 언어 모델에 많이 적용되고 있다. 이 방법은 보상 모델과 사람의 피드백을 활용하여 언어 모델로 하여금 사람이 선호할 가능성이 높은 응답을 생성하도록 한다. 하지만 상업용 언어 모델에 적용된 RLHF의 경우 구현 방법에 대하여 정확히 밝히고 있지 않다. 특히 강화학습에서 환경(environment)을 담당하는 보상 모델을 어떻게 설정하는지가 가장 중요하지만 그 부분에 대하여 오픈소스 모델들의 구현은 각각 다른 실정이다. 본 연구에서는 보상 모델을 훈련하는 큰 두 가지 갈래인 '순위 기반 훈련 방법'과 '분류 기반 훈련 방법'에 대하여 어떤 방법이 더 효율적인지 실험한다. 또한 실험 결과 분석을 근거로 효율성의 차이가 나는 이유에 대하여 추정한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.05a
• /
• pp.237-240
• /
• 2007

지식을 재사용하는 온톨로지 모델은 재사용 수준을 높여줄 수 있는 지식 모델이라 할 수 있다. 본 논문에서는 소프트웨어의 재사용 보다 지식을 재사용하기 위해 개발프로세스에서 지식과 소프트웨어모델 사이에 관련성 있는 매핑을 만들고자 한다. 또한 UML을 온톨로지 모델 언어로 사용하여 UML 기반 온톨로지 모델로부터 시스템 모델을 추출하기위해 온톨로지 도메인 시스템 방법을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2009.11a
• /
• pp.865-866
• /
• 2009

컴포넌트 기반 개발방법론의 이점은 공통의 인터페이스를 가지는 모델의 재사용성과 확장성이다. 시스템은 컴포넌트의 조립을 통하여 점진적으로 개발이 가능하다. 컴포넌트의 행위를 검증하기 위한 기존의 시뮬레이션은 모델을 이용한 검증만 가능했다. 하지만 모든 컴포넌트의 모델링 및 구현이 동시에 완료되지 않기 때문에 점진적인 컴포넌트 기반의 개발을 지원하기 위해서는 모델과 코드를 연계한 시뮬레이션이 필요하다. 본 논문에서는 모델과 코드를 연계한 점진적인 시뮬레이션 기법을 제안한다.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.15 no.7
• /
• pp.1598-1603
• /
• 2011

This paper describes an enhancement method for a computational pickup model. The conventional computational pickup model utilizes the ray-trace model and the pinhole model. The conventional model is very useful, however, it suffers from quality degradation of reconstructed images at long distances. To overcome the problem, we propose an accurate pickup model. The proposed model includes integration of the rays incoming to a sensor that generates a pixel, resulting in robustness on the Aliasing artifact. To show the effectiveness of the proposed method, experimental results are carried out. The results indicated that the proposed method is superior to the conventional method.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2019.07a
• /
• pp.111-112
• /
• 2019

Edge computing 환경에서는 노드끼리 직접 또는 간접적으로 전송되는 많은 수의 데이터가 Computing 노드에 의해 수집된다. Computing 노드에 실시간 적으로 전송되어지는 데이터의 저장 및 처리를 위해 기계학습(Machine learning) 기법이 사용된다. 기존의 기계학습 모델의 학습방법의 경우 Edge computing 노드의 지능화에 다소 맞지 않는 방법이며 노드들 간의 협업 시스템을 기계학습 모델에 구축하는 것 또한 중요개선사항 중 하나이다. 본 논문에서는 Edge computing 환경에서 적용 가능한 기계학습 모델을 조사하였다. 본 조사를 통하여 향후 edge computing 환경에서의 제약사항에 대해 더 구체적이며 다양한 연구방향을 제시할 수 있으며 효율적인 모델 적용을 목표로 한다.

• Journal of Korea Game Society
• /
• v.2 no.2
• /
• pp.3-9
• /
• 2002

게임을 실제 이용하는 게임 플레이어와 게임을 이용한다는 의미에서의 게임 플레이는 그 동안 컴퓨터 게임을 개발하는 과정에서 중요하게 고려되어온 컴퓨터 게임의 요소들이다. 하지만 현재 게임 플레이어와 게임 플레이에 대한 학문적 의미와 게임 시스템 구축을 위한 개념 모델은 어떻게 되는가를 질문 했을 때, 많은 사람들이 다양한 관점에서 대답을 하고 있다. 따라서 본 논문에서는 기존의 게임 플레이어와 게임 플레이에 대한 개념들을 학문적으로 재조명하고, 컴퓨터 게임 시스템 구현에서 참조할 수 있는 개념 모델을 제안하였다. 먼저 본 논문에서는 게임 플레이어란 게임 시스템이 제공하는 각 종 정보를 처리하는 정보 시스템 관점에서 재해석할 수 있으며, 따라서 정보처리시스템에서 제안한 지각시스템, 인지시스템, 운동시스템을 바탕으로 게임 플레이어에 대한 개념 모델을 제안하였다. 한편 게임 플레이에 대해서는 상호작용과 문제해결과정이라는 이론을 바탕으로 게임 플레이에 대한 학문적 의미를 재조명하였고, 이를 바탕으로 개념 모델을 제안하였다. 본 논문의 결과는 차후에 진행될 컴퓨터 게임에 대한 학문적 연구의 기본 개념을 제공해 줄 수 있을 것이다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.01a
• /
• pp.33-36
• /
• 2021

본 논문에서는 인간의 표정과 목소리를 기반으로 한 감정 분석기를 제안한다. 제안하는 분석기들은 수많은 인간의 표정 중 뚜렷한 특징을 가진 표정 7가지를 별도의 클래스로 구성하며, DNN 모델을 수정하여 사용하였다. 또한, 음성 데이터는 학습 데이터 증식을 위한 Data Augmentation을 하였으며, 학습 도중 과적합을 방지하기 위해 콜백 함수를 사용하여 가장 최적의 성능에 도달했을 때, Early-stop 되도록 설정했다. 제안하는 표정 감정 분석 모델의 학습 결과는 val loss값이 0.94, val accuracy 값은 0.66이고, 음성 감정 분석 모델의 학습 결과는 val loss 결과값이 0.89, val accuracy 값은 0.65로, OpenCV 라이브러리를 사용한 모델 테스트는 안정적인 결과를 도출하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.01a
• /
• pp.231-232
• /
• 2021

본 논문에서는 딥러닝 모델 중 Keras 기반 LSTM 모델과 KoGPT-2 모델을 이용하여 학습한 결과를 바탕으로 카테고리 별 키워드 기반의 배달 음식점 리뷰를 생성하는 방법을 제안한다. 데이터는 주로 맛, 양, 배달, 가격으로 구성되어 있으며 이를 카테고리 별로 구분하였다. 또한 새롭게 생성된 텍스트는 의미와 문맥을 판단하여 기존 리뷰 데이터와 비슷하게 구현하였다. 모델마다 성능을 비교하기 위해 정량적, 정성적 평가를 진행하였다.

• Annual Conference on Human and Language Technology
• /
• 2019.10a
• /
• pp.8-11
• /
• 2019

앙상블 기법은 여러 모델을 종합하여 최종 판단을 산출하는 기계 학습 기법으로서 딥러닝 모델의 성능 향상을 보장한다. 하지만 대부분의 기법은 앙상블만을 위한 추가적인 모델 또는 별도의 연산을 요구한다. 이에 우리는 앙상블 기법을 교차 검증 방법과 결합하여 앙상블 연산을 위한 비용을 줄이며 일반화 성능을 높이는 교차 검증 앙상블 기법을 제안한다. 본 기법의 효과를 입증하기 위해 MRPC, RTE 데이터셋과 BiLSTM, CNN, BERT 모델을 이용하여 기존 앙상블 기법보다 향상된 성능을 보인다. 추가로 교차 검증에서 비롯한 일반화 원리와 교차 검증 변수에 따른 성능 변화에 대하여 논의한다.

• Annual Conference on Human and Language Technology
• /
• 2021.10a
• /
• pp.247-250
• /
• 2021

관계추출(Relation Extraction)이란 주어진 문장에서 엔터티간의 관계를 예측하는 것을 목표로 하는 태스크이다. 이를 위해 문장 구조에 대한 이해와 더불어 두 엔터티간의 관계성 파악이 핵심이다. 기존의 관계추출 연구는 영어 데이터를 기반으로 발전되어 왔으며 그에 반해 한국어 관계 추출에 대한 연구는 부족하다. 이에 본 논문은 한국어 문장내의 엔터티 정보에 대한 위치 정보를 활용하여 관계를 예측할 수 있는 방법론을 제안하였으며 이를 다양한 한국어 사전학습 모델(KoBERT, HanBERT, KorBERT, KoELECTRA, KcELECTRA)과 mBERT를 적용하여 전반적인 성능 비교 및 분석 연구를 진행하였다. 실험 결과 본 논문에서 제안한 엔터티 위치 토큰을 사용하였을때의 모델이 기존 연구들에 비해 좋은 성능을 보였다.