1. Community
  2. arrow_forward_ios
  3. News

News

Tags
Search
all
포스트 대표 이미지

최종덕 교수·이재진 교수, IEEE Fellow 선정

서울대 컴퓨터공학부 최종덕·이재진 교수, 국제전기전자공학회(IEEE) 석학회원(Fellow) 선정 서울대 컴퓨터공학부 최종덕 교수와 이재진 교수가 국제전기전자공학회(Institute of Electrical and Electronics Engineers, IEEE) 석학회원(Fellow)으로 선정됐다. 최종덕 교수는 컴퓨터시스템의 병렬처리(parallel computing)를 위한 디버깅과 컴파일러 기술 개발에 기여한 공로를 인정받았다. 병렬처리는 컴퓨터시스템의 성능을 높여주는 기술로, 디버깅과 컴파일러는 각각 응용소프트웨어의 개발 효율과 실행 속도를 높이는 기술이다. 최 교수는 서울대 전자공학과를 졸업하고, KAIST에서 전기전자공학 석사를, 미국 위스컨신대에서 컴퓨터공학 박사학위를 받았다. 미국 IBM T. J. Watson 연구소에서 연구원과 매니저를 했으며, 삼성전자에서 소프트웨어 부문 임원 (부사장) 역임 후, 서울대 컴퓨터공학부 교수로 재직하고 있다. 현대 컴파일러에서 사용하고있는 SSA, JAVA 시스템에서 사용하고있는 Escape Analysis 등이 최교수가 IBM에서 주도적으로 개발한 기술이며, 삼성전자 재직시에는 삼성전자 독자 OS인 타이젠의 개발 및 전략 책임자였다. 이재진 교수는 범용 CPU와 GPU와 같은 가속기를 혼용하는 이종(heterogeneous) 컴퓨터시스템을 위한 프로그래밍 시스템 개발에 기여한 공로를 인정받았다. 이종 컴퓨터시스템은 딥 러닝 응용 등을 실행시키기 위해 현재 널리 사용되고 있다. 이 교수는 서울대 물리학과를 졸업하고 미국 스탠포드대에서 컴퓨터공학 석사를, 미국 어바나-샴페인에 있는 일리노이대에서 컴퓨터공학 박사학위를 받았다. 미국 미시간 주립대 컴퓨터공학과 조교수를 거쳐 2002년 9월부터 서울대 컴퓨터공학부 교수로 재직하고 있다. 개발한 대표적 이종 컴퓨터 프로그래밍 시스템으로 SnuCL이 있는데, SnuCL의 테스트를 위해 세계 최초의 저비용, 고효율 수냉 이종 슈퍼컴퓨터인 ‘천둥’을 개발하여 2012년 11월에 성능으로 세계 277위, 전력효율로 세계 32위를 기록한 바 있다. https://cse.snu.ac.kr/sites/default/files/node--notice/2018ieee%20.png IEEE는 세계에서 가장 권위있는 전기∙전자∙컴퓨터∙통신 분야 학회로 160여 개국 40만여 명의 회원을 보유하고 있다. IEEE 회원 최고 등급인 Fellow는 탁월한 개인 업적, 기술 성취 실적, 전문 분야 총괄 경력 등 7개의 평가 기준을 거쳐 회원의 최상위 0.1% 내에서 선정한다....
포스트 대표 이미지
포스트 대표 이미지
포스트 대표 이미지

이상구 교수의 인텔리시스, 삼성전자 ‘C-Lab’에 선정

국내 기술로 개발한 인공지능(AI) 기반 개인 맞춤형 패션 스타일리스트 서비스가 글로벌 시장에 도전장을 내민다. 주인공은 서울대학교 지능형 데이터 연구실에서 스핀오프해 2017년 12월 설립된 인텔리시스(IntelliSys). 인텔리시스는 최근 삼성전자의 스타트업 인큐베이션 프로그램인 ‘C랩'에서 발굴해 육성하는 사외 스타트업으로도 선정되면서 혁신 기술로의 발전 잠재력과 시장에서의 성장 가능성을 인정받았다. 인텔리시스는 지금까지의 AI 스타일리스트 서비스와의 차별화를 위해 2년간 1000만건이 넘는 패션 빅데이터를 수집하고, 이를 딥러닝으로 학습해 패션 이미지로부터 스타일 요소를 추출해내는 독자적인 기술을 개발했다. 이 기술의 핵심은 컬러나 옷감, 룩 등 2000가지가 넘는 패션 이미지의 스타일 요소를 추출하고, 이를 벡터 공간에서 분석해 각 요소 간 거리를 바탕으로 최적의 연관성을 찾아내는 것이다. 이를 통해 패션 상품 간 유사성은 물론, 어울리는 정도까지 판별할 수 있다. 이상구 교수는 "AI 스타일리스트 서비스 외에도 향후 웹, SNS 등의 빅데이터 분석을 통해 실시간 패션 트렌드 감지 및 예측 서비스를 제공하고, 이를 발전시킨 AI 패션 디자인 서비스도 계획 중이다"라며 "서울대 연구실의 첨단 연구 역량을 기반으로 차세대 디지털 패션 테크를 선도하고, 혁신적인 글로벌 비즈니스를 개척해 나가겠다"고 말했다....
포스트 대표 이미지

이상구 교수 연구진, AAAI 2019 논문 두 편 동시 게재

이상구 교수 연구진(지능형 데이터 시스템 연구실, http://ids.snu.ac.kr )이 AAAI (컴퓨터공학부 지정 최고 국제 학회)에 논문 두 편을 발표하게 되었습니다. 이상구 교수 연구진은 작년 동일 학회(AAAI 2018)에도 논문 한 편을 게재한 바 있어, 2년 연속 인공지능 분야 최고 권위 학회에 논문 게재하는 성과를 달성했습니다. 1. Kang Min Yoo, Youhyun Shin, and Sang-goo Lee. "Data Augmentation for Spoken Language Understanding via Joint Variational Generation." (arXiv:1809.02305). Abstract: Data scarcity is one of the main obstacles of domain adaptation in spoken language understanding (SLU) due to the high cost of creating manually tagged SLU datasets. Recent works in neural text generative models, particularly latent variable models such as variational autoencoder (VAE), have shown promising results in regards to generating plausible and natural sentences. In this paper, we propose a novel generative architecture which leverages the generative power of latent variable models to jointly synthesize fully annotated utterances. Our experiments show that existing SLU models trained on the additional synthetic examples achieve performance gains. Our approach not only helps alleviate the data scarcity issue in the SLU task for many datasets but also indiscriminately improves language understanding performances for various SLU models, supported by extensive experiments and rigorous statistical testing. 2. Taeuk Kim, Jihun Choi, Daniel Edmiston, Sanghwan Bae, Sang-goo Lee. "Dynamic Compositionality in Recursive Neural Networks with Structure-aware Tag Representations." (arXiv:1809.02286). Abstract: Most existing recursive neural network (RvNN) architectures utilize only the structure of parse trees, ignoring syntactic tags which are provided as by-products of parsing. We present a novel RvNN architecture that can provide dynamic compositionality by considering comprehensive syntactic information derived from both the structure and linguistic tags. Specifically, we introduce a structure-aware tag representation constructed by a separate tag-level tree-LSTM. With this, we can control the composition function of the existing word-level tree-LSTM by augmenting the representation as a supplementary input to the gate functions of the tree-LSTM. We show that models built upon the proposed architecture obtain superior performance on several sentence-level tasks such as sentiment analysis and natural language inference when compared against previous tree-structured models and other sophisticated neural models. In particular, our models achieve new state-of-the-art results on Stanford Sentiment Treebank, Movie Review, and Text Retrieval Conference datasets. https://cse.snu.ac.kr/sites/default/files/node--notice/figure1.PNG...
포스트 대표 이미지

전병곤 교수 연구진, 화이트박스 ("white box") 방식의 고성능 머신러닝 추론 시스템 PRETZEL 개발

- 학습된 머신러닝 모델의 구조를 활용하여 추론을 최적화하여 수행하는 화이트박스 (“white box”) 방식의 시스템 개발 - 기존 블랙박스 (“black box”) 방식 대비 제99백분위수 응답시간 5.5배, 메모리 사용량 25배 감소, 처리량 4.7배 증가 - 시스템 분야 최고 학회 OSDI 논문 게재 전병곤 교수 연구진은 마이크로소프트 (Microsoft), 밀라노 공과대학 (Politecnico di Milano)과의 공동 연구를 통해 백엔드(back-end)에서 머신러닝 추론 (inference)을 최적화하여 수행하는 시스템 PRETZEL을 개발했다고 밝혔다. 머신러닝 분야는 연구 경쟁이 지속적으로 치열해지고 있고, 실생활 많은 분야에 빠르게 적용되어 가장 중요한 핵심 기술 중 하나로 자리잡았다. 머신러닝 추론은 학습 (training)이 완료된 모델을 가지고 새로운 사용자 입력이 주어졌을 때 그에 대한 답을 제공하는 것이다. 머신러닝에 기반한 서비스를 제공하고자 할 때 1차적으로 정교한 모델을 만들어 내는 것도 중요하지만, 시스템 측면에서 지연시간, 처리량, 자원 사용량을 최적화하는 것이 실제 사용자가 경험하게 되는 서비스의 수준을 높이는 데 필수적이라고 할 수 있다. 해당 분야에서 널리 사용되는 블랙박스 방식은 학습된 모델을 컨테이너 기술 등을 통해 별도의 수정없이 서버에 배포한다. 사용자는 모델을 쉽게 배포할 수 있지만, 모델의 내부 수행과정을 최적화 할 수 없고 여러 모델을 동시에 수행할 경우 중복된 부분으로 인한 자원의 낭비가 발생하게 된다. PRETZEL은 기존과 달리 모델의 구조를 분석하고 이를 활용해서 추론 성능을 최적화하는 화이트박스 방식의 시스템을 제안했다. 마이크로소프트의 머신러닝 모델 500개에 대한 성능을 비교한 결과 기존 Black-box 방식 대비 평균적으로 제99백분위수 응답시간이 5.5배, 메모리 사용량이 25배 감소하였고, 처리량은 4.7배 증가하였다. 전 교수 연구팀의 이번 연구 PRETZEL은 2018년 10월 미국 캘리포니아 칼즈배드에서 개최된 시스템 분야 최고 학회 중 하나인 OSDI (USENIX Symposium on Operating Systems Design and Implementation)에서 발표되었다. OSDI에서 한국 대학교 논문이 실린 것은 2000년에 처음 게재된 이후 18년 만의 성과이다. 논문 페이지: https://www.usenix.org/conference/osdi18/presentation/lee...
포스트 대표 이미지

2018년 8월 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. 2018년 8월에는 '컴퓨터공학부 SCSC 운영위원회'의 심사를 거쳐 박사 논문상 수상자 2명, 학사 논문상 수상자 2명을 최종 선발하였습니다. o 박사 논문상 수상자: 최준철 (지도교수: 하순회) 제목: Worst-case Performance Analysis Techniques for Distributed Real-Time Embedded Systems 최준철 학생은 자율주행 차량과 같은 분산 임베디드 시스템에서 수행되는 태스크 그래프 응용의 최악응답시간을 보수적으로 예측하는 새로운 알고리즘을 개발하여 기존 알고리즘보다 2배 이상 정확도를 향상시켰고, 그 결과를 실시간시스템 분야의 대표적인 국제학술지인 Real-Time Systems에 발표하였습니다. o 박사 논문상 수상자: 한상욱 (지도교수: 김지홍) 제목: I/O Performance Analysis and Optimizations for Smart phones 한상욱 학생은 스마트폰의 사용자 경험, 성능, 수명을 크게 개선하는 다수의 수직 통합적인 I/O 최적화 기법들을 개발하였으며, 시스템분야의 최우수학술대회인 USENIX ATC 2017, ATC 2018을 포함한 최우수학술대회에 여러 편의 연구 논문을 제1저자로 발표하였습니다. o 학사 논문상 수상자: 민세원 (지도교수: 김건희) 제목: Improving Effectiveness and Scalability in Reading Text for Question Answering 민세원 학생은 자연어처리 분야의 중요한 문제인 질의응답, 대화 시스템, 기계 이해 등의 성능을 높이는 딥러닝 모델들을 제안하였고, 이를 통해 기계학습 및 자연어 처리 최우수 학회인 ICLR, ACL 등에 공저자 포함 3편을 출판하였습니다. o 학사 논문상 수상자: 오세준 (지도교수: 강 유) 제목: Scalable Tucker Factorization for Sparse Tensors - Algorithms and Discoveries 오세준 학생은 대용량 다차원 데이터를 효율적으로 분석할 수 있는 데이터 마이닝 알고리즘을 개발하였습니다. 그 결과를 데이터마이닝 분야 최우수국제학술대회인 icde에 논문으로 발표하는 우수한 성과를 이뤘습니다....
포스트 대표 이미지
포스트 대표 이미지

송현오 교수 연구진, 빠르고 정확한 데이터 검색을 위한 deep binary representation learning 알고리즘 고안

- 최적의 sparse binary hash code 를 찾는 combinatorial optimization 문제와 minimum-cost flow 문제와의 동치관계 증명 - 정확도 손실없이 478배의 retrieval 검색 속도 향상 - 머신러닝 분야 최고 학회 ICML 논문 게재 송현오 교수 연구진은 빠르고 정확한 데이터 검색을 가능하게 하는 binary representation 을 딥러닝 네트워크를 이용해 얻는 최적화 알고리즘을 고안했다고 밝혔다. 실제 산업에서는 (예: 구글 이미지 검색) 데이터 검색을 위해 딥러닝 네트워크로 representation 을 먼저 얻은 다음 vector quantization 같은 미분 불가능한 이진화 (binarization) 후처리 과정을 통해 더 검색 속도 효율이 높은 binary representation 을 계산해 사용한다. 이 과정에서 딥러닝 네트워크로 얻은 representation 의 정확도 손실이 발생하게 된다. 이러한 문제를 해결하기 위해 송 교수 연구팀(정연우 석박통합과정)은 [그림1]에서의 수식처럼 데이터 유사도 정보를 잘 표현하며 동시에 sparse 한 binary hash code 를 학습할 수 있는 최적화 알고리즘을 고안했다. 이 알고리즘은 최적의 sparse binary hash code 를 찾는 단계와 그 코드를 바탕으로 딥러닝 기반 거리 학습을 통한 거리 학습 단계로 나누어 단계적으로 최적화 한다. 또한 최적의 sparse binary hash code 를 찾는 combinatorial optimization 문제는 [그림2] 에서처럼 그래프 문제 중 하나인 minimum-cost flow 문제와의 동치관계에 있고 polynomial time 내에 최적해를 찾을 수 있음을 증명했다 (논문의 정리1 참조). 연구진은 이러한 최적화된 sparse binary hash code 를 이용해 해시테이블을 생성할 수 있고 머신러닝 벤치마크 데이터셋인 Cifar-100 와 ImageNet 에서 각각 98 배와 478 배의 검색 속도의 향상이 있었으며 정확도 또한 상승함을 보였다. 송 교수 연구팀의 이번 연구(Efficient end-to-end learning for quantizable representation)는 머신러닝 분야 최고 학회 중 하나인 ICML18 에 7월에 게재되었고 selected long oral presentation paper 로 선정되었다. 그리고 송 교수의 머신러닝 연구실 (https://mllab.snu.ac.kr) 에서는 수학 및 알고리즘적 사고력이 우수하고 머신러닝 연구에 관심이 있는 학생들을 석박통합과정으로 모집 중이다. 논문 preprint 링크: https://arxiv.org/abs/1805.05809 Github source code 링크: https://github.com/maestrojeong/Deep-Hash-Table-ICML18 https://cse.snu.ac.kr/sites/default/files/node--notice/1.%EA%B7%B8%EB%A6%BC_1.png ▲ [그림1] 이미지 유사도 정보를 나타내며 동시에 sparse한 해시 코드를 학습할 수 있는 최적화 문제 https://cse.snu.ac.kr/sites/default/files/node--notice/2.%EA%B7%B8%EB%A6%BC_2.png ▲ [그림 2] 최적의 sparse한 이진 해시 코드 구하는 문제와 동치인 min-cost flow 문제의 그래프...
포스트 대표 이미지