1. Community
  2. arrow_forward_ios
  3. News

News

Tags
Search
all
포스트 대표 이미지
포스트 대표 이미지
포스트 대표 이미지
포스트 대표 이미지

2019년 2월 우수학위논문상 수상자 안내

서울대학교 컴퓨터공학부에서는 매 학기 졸업생을 대상으로 우수학위논문상을 수여합니다. 석박사 과정 졸업논문의 경우 논문 심사 위원들이, 학부 졸업 논문의 경우 지도교수가 뛰어난 논문을 선별하여 우수학위논문상 후보로 추천하고, 논문상 심사위원회에서 엄격한 심사를 거쳐 수상자를 선정하고 있습니다. 2019년 봄학기에는 박사 논문상 수상자 2명, 석사 논문상 수상자 1명, 학사 논문상 수상자 2명을 최종 선발하였습니다. o 박사 논문상 수상자: 강지훈 (지도교수: 허충길) 제목: Reconciling Low-Level Features of C with Compiler Optimizations 강지훈 학생은 low-level 기능(예로, 포인터-정수간 변환 및 멀티코어 환경에서 동시성 경쟁)을 사용하는 프로그램과 compiler 최적화 사이의 충돌을 해결하는 모델을 개발하고 이를 실제로 적용하는 연구를 수행했습니다. 이 결과로 프로그래밍언어 분야 최우수 학회인 POPL과 PLDI에 여러편의 연구 논문을 제1저자로 발표하였습니다. o 박사 논문상 수상자: 김영호 (지도교수: 서진욱) 제목: Designing Flexible Self-Tracking Technologies for Enhancing In Situ Data Collection Capability 김영호 학생은 박사과정 연구를 통해, 프로그래밍 없이도 레고처럼 모듈을 조합하여 거의 모든 유형의 데이터 수집 앱을 만들어 사용할 수 있는 옴니트랙이라는 개인용 모바일 서비스를 디자인하고 개발하였고, 해당 연구를 확장하여, 프로그래밍 역량이 부족한 연구자들도 옴니트랙을 실험 참가자들에게 배포하여 건강/행동 데이터를 수집하는 데에 활용할 수 있도록 하는 연구 플랫폼도 개발하였습니다. 연구결과는HCI분야 최우수학술대회인 ACM CHI에 두편의 논문 및 ACM UbiComp에 1편의 논문으로 발표되었습니다. o 석사 논문상 수상자: 박유군 (지도교수: 김건희) 제목: Variational Learning for A Hierarchical Model of Conversations 박유군 학생은 석사 기간 동안 기계학습 분야에 다양한 연구를 수행하였습니다. 매우 많은 클래스를 효율적으로 분류하기 위한 CNN 모델을 개발하였고 일관성과 다양성이 높은 대화 인공지능을 위한 잠재 생성 모델 개발에 참여하여 기계학습/자연어 처리 최우수 학회인 ICML, NAACL 등에 1저자로 2편 출판, 1편 제출하였습니다. o 학사 논문상 수상자: 강민지 (지도교수: 김지홍) 제목: Apriori 알고리즘 기반의 N-그램 선정과 이를 이용한 파일 조각 타입 결정 강민지 학생은 컴퓨터시스템의 다양한 문제 해결을 위한 기초 과정인 파일 조각 타입 결정 문제를 높은 정확도를 유지하며 빠르게 해결할 수 있는 기법을 제시하였으며 이를 바탕으로 국내학술대회에서 발표하였으며 총 3편의 국내외 논문에 공저자로 참여하였습니다. o 학사 논문상 수상자: 원종훈 (지도교수: 김지홍) 제목: 랜섬웨어 방어를 위한 딥러닝 기반의 데이터 암호화 탐지 기법 원종훈 학생은 랜섬웨어 공격을 실시간으로 감지하고 방어하기 위한 저장장치 기술에 활용 가능한 딥러닝 기반의 데이터 암호화 탐지 기법을 개발하였으며 이를 바탕으로 국내저널에 1편 게재 등 총 3편의 국내외 논문에 공저자로 참여하였습니다....
포스트 대표 이미지
포스트 대표 이미지

2018년 학부생 연구지원 사업에서 1등 상 수상

이창건 교수 지도 학생 (실시간 유비쿼터스 시스템 연구실 인턴 학생), 2018년도 학부생 연구지원사업에서 우수한 성적 거둬 이창건 교수님 지도하에 김영인(17학번), 신동민(13학번), 장태준(17학번) 학생이 2018년도 학부생 연구지원사업에서 1등 상을 수상하였습니다. 위 학생들은 4차 산업혁명이 진행되는 시점에서, 많은 서비스가 사용자를 직접 찾아오는 것에 반해 대중교통은 여전히 사용자가 서비스를 찾아가야 하는 현 시스템에 문제를 제기하였습니다. 이에 ‘시흥 스마트캠퍼스 자율주행셔틀 공유 서비스를 위한 최적 차량 배정, 라우팅, 스케줄링 알고리즘 개발 및 검증’이라는 주제로 2018년 6월부터 2018년 11월까지 총 6개월간 연구를 진행하였습니다. CPU 스케줄링 알고리즘을 활용하여, 자율주행셔틀에 적용할 수 있는 시스템과 알고리즘을 개발하였고, 나아가 위 시스템을 전체 대중교통으로 확대 적용하여 대중교통의 패러다임을 전환할 가능성을 제시하였습니다. 학부생 연구지원사업은 학생들이 도전적이고 창의적인 연구과제를 수행하여 미래를 선도하는 연구인력으로 성장할 수 있는 기회를 제공하고자 마련되었습니다. 2018년에는 총 134개 신청과제 중 45개 과제에 대해 연구비 지원을 하였으며, 이 중 11개 과제를 우수과제로 최종 선정하였습니다. 이 중 두 개의 과제가 최우수상을 공동 수상하였습니다. 시상식은 2019년 1월 2일 서울대학교 60동 본관에서 진행되었습니다. ▼사진: 좌로부터 신동민(12학번), 총장직무대리 교육부총장 박찬욱, 장태준(17학번), 김영인(17학번) https://cse.snu.ac.kr/sites/default/files/node--news/20190110.png...
포스트 대표 이미지
포스트 대표 이미지

전병곤 교수 연구진, 딥러닝 모델을 자동으로 빠르게 분산 학습하는 시스템 Parallax 개발

전병곤 교수 연구진은 딥러닝 모델을 자동으로 빠르게 분산 학습 하는 시스템인 Parallax를 개발했다고 밝혔다. 딥러닝 기술은 이미지 처리, 음성 인식, 자율주행 등 다양한 분야에서 활용되고 있으며 딥러닝 모델의 학습시간을 단축시키기 위해서 많은 GPU를 사용하는 분산 학습에 관한 연구도 활발하다. 기존 딥러닝 모델의 분산 학습에 관한 연구는 대부분 밀집 텐서를 사용하는 이미지 처리를 위한 모델에 대한 연구로 희소 텐서를 사용하는 모델에 대한 연구는 적었다. 예를 들어 자연어 처리를 위한 모델은 이미지 처리를 위한 모델과는 다르게 사용되는 파라미터의 희소성이 큰데, 이는 문장에 있는 단어들을 벡터 형태로 변환해 주기 위해 활용되는 파라미터들이 처리하는 문장에 속한 단어의 종류에 따라 전체 파라미터 중 일부만 활용되기 때문이다. 하지만 기존 분산 학습 시스템들은 이런 파라미터의 희소성을 잘 활용하지 않아 희소 파라미터가 포함된 모델의 분산 학습 성능이 밀집 파라미터만 사용하는 모델에 비해 상대적으로 낮은 편이었다. 전병곤 교수 연구팀에서 제안한 Parallax는 파라미터 희소성을 고려한 최적화 기술을 통하여 빠르게 분산학습이 가능한 시스템이다. 분산 학습 방법은 크게 서버와 워커로 구성된 파라미터 서버 방식과 AllReduce 방식으로 구분되는데, Parallax는 파라미터의 희소성에 따라 밀집 파라미터는 AllReduce 방식을 적용하고 희소 파라미터는 파라미터 서버 방식을 적용하여 두가지 방식이 혼용된 하이브리드 분산 학습 아키텍쳐를 사용한다. 또한, 머신 별로 미리 데이터를 처리하여 그 크기를 줄인 후에 다른 머신에 전송함으로써 머신간의 통신양을 줄이는 최적화와 크기가 큰 희소 파라미터를 몇 개의 서버에 나누어 처리하는 것이 효율적인지를 자동으로 찾아주는 기능을 제공한다. 그 결과 이미지 처리 모델의 성능은 기존 분산 시스템과 동일하게 유지하면서 자연어 처리 모델의 성능은 기존 시스템 대비 최대 6배로 향상시켰다. Parallax는 자동으로 하나의 GPU에서 개발한 모델을 많은 GPU에서 학습할 수 있도록 해주어 사용성도 크게 증가시켰다. 해당 연구 결과는 2019년 3월 독일 드레스덴에서 개최될 시스템 분야 최고 우수 학회 중 하나인 EuroSys(European Conference on Computer Systems)에서 발표될 예정이다. 출판 전 논문 페이지: https://arxiv.org/abs/1808.02621 (최종 출판본은 2019년 3월 공개 예정) https://cse.snu.ac.kr/sites/default/files/node--notice/20181226%20%20%EC%A0%84%EB%B3%91%EA%B3%A4%EA%B5%90%EC%88%98%EB%8B%98.png [그림1] Parallax의 하이브리드 분산 학습 아키텍쳐의 적용 예시. 하나의 모델을 분산 학습 할 때 밀집 파라미터(Dense Variable)는 AllReduce를 이용하는 분산 아키텍쳐를 활용하고, 희소 파라미터(Sparse Variable)는 파라미터 서버 아키텍쳐를 적용한다. [문의사항] 전병곤 서울대학교 컴퓨터공학부 교수 / bgchun@snu.ac.kr 김수정 서울대학교 컴퓨터공학부 박사과정 / soojeong_kim@snu.ac.kr 유경인 서울대학교 컴퓨터공학부 박사과정 / gyeongin@snu.ac.kr...
포스트 대표 이미지

전병곤 교수 연구진, 딥러닝 모델을 쉽고 빠르게 개발할 수 있는 시스템 JANUS 개발

서울대 컴퓨터공학부 전병곤 교수 연구진, 딥러닝 모델을 쉽고 빠르게 개발할 수 있는 시스템 JANUS 개발 서울대 컴퓨터공학부 전병곤 교수 연구진은 딥러닝 모델을 쉽고 빠르게 개발할 수 있는 시스템인 JANUS를 개발했다고 밝혔다. 딥러닝 기술은 최근 이미지 처리, 음성 인식, 자율주행 등 다양한 분야에서 비약적인 발전을 가져오며 4차 산업 혁명의 가장 중요한 핵심 기술 중 하나로 인식되고 있으며, 연구 경쟁도 매우 치열한 분야이다. 딥러닝 시스템은 개발자들이 원하는 대로 모델을 표현하고 학습 및 추론할 수 있게 해 주는데, 기존 딥러닝 시스템들은 모델을 쉽게 표현하는 일과 모델을 빠르게 학습시키는 일, 둘 중 한 쪽에만 더 특화되어 있었다. TensorFlow로 대표되는 심볼릭 그래프 (“symbolic graph”) 기반 시스템에서는 고정된 구조의 모델을 빠르게 학습시킬 수는 있었지만 다양한 구조의 모델을 쉽게 표현하기는 어려웠고, 반대로 PyTorch로 대표되는 명령형 (“imperative”) 시스템에서는 다양한 모델을 쉽게 만들 수는 있지만 이를 학습시키는 데는 시간이 더 오래 걸렸다. 전병곤 교수 연구팀에서 제안한 JANUS는 기존 시스템들의 한계를 극복하여, 새로운 모델을 쉽게 표현하고 빠르게 학습시킬 수 있는 시스템이다. JANUS는 기존 명령형 시스템에서와 같이 쉬운 프로그래밍 모델을 그대로 사용하면서도, 내부에서 명령형 프로그램을 심볼릭 그래프로 자동 변환 및 최적화를 수행한다. 그 결과 다양한 모델을 학습하는데 걸리는 시간은 명령형 시스템 대비 최대 48배까지 빨라지고 심볼릭 그래프 기반 시스템의 성능에 근접한다. 이번 연구 결과는 글로벌 기업인 구글, 페이스북, 아마존 보다 앞선 결과이다. 해당 연구 결과는 2019년 2월 미국 보스턴에서 개최될 시스템 분야 최우수 학회 중 하나인 NSDI (USENIX Symposium on Networked Systems Design and Implementation)에서 발표될 예정이다. 출판 전 논문 페이지: https://arxiv.org/abs/1812.01329 (최종 출판본은 2019년 2월 공개 예정) https://cse.snu.ac.kr/sites/default/files/node--notice/20181211%EC%A0%84%EB%B3%91%EA%B3%A4%EA%B5%90%EC%88%98%EB%8B%98.png [그림1] JANUS 전체 시스템 구조. 프로파일러(Profiler)에서 프로그램의 특성에 대한 정보를 모아서, 효율적인 심볼릭 그래프를 만들고 수행한다. 수행 중 프로그램의 특성이 달라지는 경우, 정확성을 보장하기 위해 원본 명령형 프로그램이 다시 수행된다. [문의사항] 전병곤 서울대학교 컴퓨터공학부 교수 / bgchun@snu.ac.kr 정은지 서울대학교 컴퓨터공학부 박사과정 / ejjeong@snu.ac.kr 이동하 서울대학교 공과대학 대외협력실 팀장 / lee496@snu.ac.kr...
포스트 대표 이미지