1. 소식
  2. arrow_forward_ios

새 소식

태그
검색
전체

제 73회 후기 컴퓨터공학부 졸업 기념 행사 개최

제 73회 후기 컴퓨터공학부 졸업기념행사를 2019년 8월 29일(목) 오후 2시 반, 43-1동 201호에서 개최하였습니다. 이번 졸업기념행사는 총 졸업생 52명 중 42명(학사 19명, 석사 18명, 박사 5명)이 참석하였으며, 최우등상 시상도 진행되었습니다. 컴퓨터공학부 우수학위논문상은 박지성 박사(지도교수: 김지홍), 김지석 석사(지도교수: 유승주), 쿠안춘 석사(지도교수: 강 유), 신안재 학사(논문지도교수: 전병곤)에게 수여되었습니다. 이날 행사에는 졸업생 및 가족.친지, 교수 및 재학생 150여명이 참석하여 졸업생들의 밝은 앞날을 축원해주었습니다. https://cse.snu.ac.kr/sites/default/files/node--notice/20190829%20bak.JPG https://cse.snu.ac.kr/sites/default/files/node--notice/20190829%20suk.JPG https://cse.snu.ac.kr/sites/default/files/node--notice/20190829%20%20hak.JPG https://cse.snu.ac.kr/sites/default/files/node--notice/20190829%20all.JPG...
과거 미분류
포스트 대표 이미지

김석준 박사, 미국 시러큐스대학교 교수로 임용

서울대 컴퓨터공학부 김석준 박사, 미국 시러큐스 대학교 전기전자컴퓨터공학(EECS) 조교수로 임용 서울대학교 컴퓨터공학부 김석준 박사는 2018년 2월 박사학위를 받고(지도교수: 민상렬), 미국의 명문 사립대학인 시러큐스 대학교(Syracuse University)의 전기전자컴퓨터공학(EECS) 조교수로 2019년 8월부로 임용되었다. 김 박사의 주 연구분야는 데이터 저장 시스템과 장치들의 성능 보장성으로, 저하되는 하드웨어의 신뢰성과 증가하는 데이터 요구 사이에서 어떻게 성능 편차가 적은 시스템 및 장치들을 구성하는지를 꾀한다. 이에 따라 아래로는 플래시 메모리와 같은 저장 매체에 대한 특성과 위로는 파일 시스템, 데이터베이스, 그리고 데이터 접근이 많은 응용에 걸치는 연구를 한다. 그의 연구결과들은 FAST, ATC, RTAS, SIGMETRICS등과 같은 시스템 분야 학회에 논문이 게재되었다. 2019년 가을학기에 시러큐스 대학교에서 대학원생을 위한 데이터 저장 기술 특강을 강의하고, 2020년 봄학기에는 학부 2학년을 위한 컴퓨터 조직론을 강의하게 된다. [문의사항] 시러큐스 대학교 EECS학과 김석준 (Bryan S. Kim) 조교수 / https://eecs.syr.edu / bkim01@syr.edu...
과거 미분류
포스트 대표 이미지

제 45회 DLS 세미나 개최 - MIT Saman Amarasinghe 교수

2019년 7월 31일(수) 오전 11시, 302동 105호에서 제 45회 Distinguished Lecture Series가 진행되었습니다. Distinguished Lecture Series는 세계적인 석학 및 해외 유명 연사들의 강연을 직접 들을 수 있는 기회로, 이날 강연은 MIT EECS 의 Saman Amarasinghe 교수님께서 ‘How to Make Sparse Fast’라는 주제로 강연을 진행하셨습니다. 약 75분간 진행된 강연은 많은 학생들과 교수님들이 참석한 가운데 성공적으로 개최되었습니다....
과거 미분류
포스트 대표 이미지

바이오 지능 연구실 학생들, 2019 국제 로보컵 준우승

서울대-고려대-부산대-한양대 연합로봇팀 Tidyboy ... 2019 로보컵 준우승 서울대 공대(학장 차국헌)는 서울대-고려대-부산대-한양대 연합로봇팀 Tidyboy가 지난 7일 호주 시드니에서 개최된 2019 로보컵(RoboCup) 실내 서비스 로봇 부문에서 준우승을 차지했다고 밝혔다. 과학기술정보통신부의 AI 로봇 과제 공동연구팀이기도 한 연합 로보컵팀에는 서울대인공지능센터(센터장 장병탁 공대 컴퓨터공학부 교수) 학생들이 소속되어 있다. 국제 로보컵은 1997년 시작됐으며, 세계에서 가장 오래되고 규모가 큰 AI 로봇대회다. 올해에는 세계 40여개 국에서 온 약 3,500명이 참가자들이 로봇 축구, 실내 서비스, 산업 자동화, 재난 구조 등의 다양한 부문에서 경쟁했다. 그 중에서도 Tidyboy팀은 실내 서비스 로봇 부문에 참가하여 로봇이 가정 환경에서 사람과 사물, 환경을 지능적으로 인식하고 인간과 음성으로 대화하며 다양한 서비스 임무를 수행하는 능력을 겨루었다. Tidyboy팀은 우수한 물체인식, 정교한 로봇팔 조작 및 이동 능력을 바탕으로 한 사용자의 음성 명령에 따라 실내를 이동하며 찬장을 여닫고 사용자가 원하는 물건들을 집어 전달하는 등의 실내 서비스 작업 등을 선보였다. Tidyboy 팀은 다른 팀들이 기권하거나 수행에 실패한 고난이도 조작 작업들을 유일하게 성공적으로 수행하여 현장에서 뜨거운 반응을 얻었다. 현장에서 팀을 지휘한 이승준 교수는 “한국 팀이 영국 옥스포드 대학, 미국 텍사스 오스틴 대학, 3년 연속 우승팀인 일본 규슈 공대 등 쟁쟁한 경쟁자들을 큰 점수 차로 제치며 준우승을 하게 돼서 매우 기쁘다”고 전했다. 한편, 팀을 이끌며 준우승 수상에 큰 기여를 한 서울대 인공지능센터 이충연 연구원(서울대 공대 컴퓨터공학부)은 2017 로보컵에서도 우승한 경험이 있다....
과거 미분류
포스트 대표 이미지

강유 교수 연구진, 세계 최고 수준의 그래프 뉴럴 네트워크 기술 개발

서울대 컴퓨터공학부 강유 교수 연구진,세계 최고 수준의 그래프 뉴럴 네트워크 기술 개발 컴퓨터공학부 강유 교수 연구진(유재민 박사과정 학생, 전현식 박사과정 학생)이 세계 최고 수준의 그래프 뉴럴 네트워크 기술을 개발하였다. 연구진은 소셜 네트워크, 웹과 같은 그래프에서의 노드 분류를 수행하기 위한 최신 그래프 뉴럴 네트워크 기술인 Belief Propagation Network (BPN)을 개발하였으며, BPN 기법은 추론 단계에서의 그래프 정보를 학습 시점에 필요로 하던 기존 연구의 문제점을 해결하여, 학습 시점의 그래프 구조와 관계 없는 추론 시점의 노드에 대해서도 효과적인 분류를 할 수 있도록 하였다. 제안한 BPN 기법은 기존의 대표적인 그래프 뉴럴 네트워크인 Graph Convolutional Network (GCN)과 Graph Attention Network (GAT)를 뛰어넘는 우수한 정확도를 보여주었다. https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_method.png 연구 내용은 세계 최고의 인공지능 학회 중 하나인 IJCAI 2019 (International Joint Conference on Artificial Intelligence 2019)에 "Belief Propagation Network for Hard Inductive Semi-supervised Learning" 논문으로 2019년 8월 발표될 예정이다....
과거 미분류
포스트 대표 이미지

송현오교수 연구진 논문2편, ICML19에 Long talk 선정

서울대 컴퓨터공학부 송현오 교수 연구진,머신러닝최우수학회 ICML2019 논문 2편 Long talk (4.6%) 선정 송현오교수 연구진(머신러닝 연구실, http://mllab.snu.ac.kr) 은 오는 6월 머신러닝 분야 최우수 학회인 ICML 2019에 3편의 논문을 그리고 CVPR 2019에도 1편을 게재할 예정이라고 밝혔다. 특히 ICML 논문 중 두 편은 Long talk (156/3424 = 4.6%) 로 선정되는 성과를 거두었다. 1. Parsimonious Black-Box Adversarial Attacks via Efficient Combinatorial Optimization (Seungyong Moon*, Gaon An*, Hyun Oh Song) (Long talk) 딥러닝 모델을 속이는 데에 있어서 모델 내부의 gradient 정보를 이용한 경사 하강법이 아주 효과적인 방법임이 잘 알려져 있지만 black-box attack 환경에서는 공격자가 gradient 정보에 접근할 수 없다고 가정하기 때문에 위와 같은 방법을 사용할 수 없다. 이에 따라 최근의 연구에서는 추가적인 모델 액세스를 통해 gradient를 추정하려는 시도를 하고 있으나, 이 방법은 모델 액세스 비용이 많이 들고 하이퍼파라미터에 민감하다는 단점이 있다. 이러한 문제를 해결하기 위해 송 교수 연구팀은 연속적인 기존의 목적함수를discrete optimization로 바꾸어 푸는 새로운 시도를 하였고 [식 1], submodular function maximization에서 주로 사용되는 기법인 local search algorithm을 응용하는 최적화 알고리즘을 설계하였다. [그림 1]. 연구팀은 이러한 최적화된 black-box adversarial attack 알고리즘을 이용하여 머신러닝 벤치마크 데이터셋인 ImageNet에서 공격에 필요한 쿼리의 수를 2배 이상 감소시킬 수 있었으며 동시에 공격 성공률도 향상시키는 성과를 거두었다. https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_sik1.jpg https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_img1.jpg 논문 preprint 링크: https://arxiv.org/abs/1905.06635 Github source code 링크: https://github.com/snu-mllab/parsimonious-blackbox-attack [문의사항] 송현오 서울대학교 컴퓨터공학부 교수 / hyunoh@snu.ac.kr 문승용 서울대학교 자유전공학부 학사과정 / symoon11@snu.ac.kr 안가온 서울대학교 경제학부 학사과정 / white0234@snu.ac.kr 2. EMI: Exploration with Mutual Information (Hyoungseok Kim*, Jaekyeom Kim*, Yeonwoo Jeong, Sergey Levine, Hyun Oh Song) (Long talk) 강화학습이란 어떤 환경을 탐색하는 에이전트가 주어진 상태에서 보상의 총합을 최대화하는 행동을 택하도록 하는 최적의 정책을 학습하는 알고리즘이다. 하지만, 보상이 희소한 환경에서는 에이전트가 아직 가보지 못한 상태들을 탐색할 유인이 사라지게 되어, 최적의 행동 정책을 학습하는 데 큰 어려움이 존재한다. 이를 보완하기 위해 최근 일련의 연구에서 내재적 보상 (intrinsic reward)을 통해 에이전트의 탐색을 돕는 방안을 제시하였지만, 상태를 복원하는 과정을 거치기 때문에 Atari game와 같이 상태의 차원이 높은 경우에 상당히 비효율적이라는 단점이 존재하였다. 이러한 문제를 해결하기 위해 송 교수 연구팀은 고차원의 상태와 행동을 저차원의 공간으로 embedding 하는 딥러닝 네트워크를 설계하였다. 위의 과정에서 정보의 손실을 막기 위해 embedding space위의 trajectory상에서 상태와 행동 간 mutual information의 lower bound을 최대화하도록 네트워크를 학습하였다 [식 2]. 연구진은 이러한 최적화된 강화학습 탐색 기법을 이용하여 보상이 희소한 Atari games 나 robotic locomotion tasks 환경에서, 최적의 행동 정책을 효율적으로 학습하는데 성공하는 성과를 거두었다 [그림2]. https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_sik2.jpg https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_img2.jpg 논문 preprint 링크: https://arxiv.org/abs/1810.01176 Github source code 링크: https://github.com/snu-mllab/EMI [문의사항] 송현오 서울대학교 컴퓨터공학부 교수 / hyunoh@snu.ac.kr 김형석 서울대학교 컴퓨터공학부 석박통합과정 / harry2636@snu.ac.kr 김재겸 서울대학교 컴퓨터공학부 석박통합과정 / jaekyeom@snu.ac.kr 3. Learning Discrete and Continuous Factors of Data via Alternating Disentanglement (Yeonwoo Jeong, Hyun Oh Song) Disentanglement는 비지도 학습에서 데이터를 잘 표현하는 섞이지 않는 정보들로 분리시키는 문제이다. 데이터를 표현하는 정보가 섞이지 않게 하기 위해 정보들의 total correlation을 최소화하는 다양한 연구들이 있었으나, 별도의 추가적인 계산이 필요하다는 단점이 있다. 송 교수 연구팀은 별도의 추가적인 계산없이 total correlation을 최소화하는 알고리즘을 제안했다. 또한, [식 3]에서처럼 데이터의 연속 정보가 주어져 있을 때 연속 정보와 함께 데이터를 가장 잘 표현하는 최적의 이산 정보를 먼저 찾고 여기서 구한 이산 정보를 바탕으로 연속 정보를 최적화 하는 딥러닝 네트워크를 학습시키는 알고리즘을 설계했다. Disentanglement 벤치마크 데이터 셋인 dSprites에서 이전 연구에서 제시한 방법들보다 높은 성능을 냈으며, MNIST, Fashion MNIST, Chair dataset에서 알고리즘의 우수성을 입증했다 [그림 3]. https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_sik3.jpg https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_img3.jpg 논문 preprint 링크: https://arxiv.org/abs/1905.09432 Github source code 링크: https://github.com/snu-mllab/DisentanglementICML19 [문의사항] 송현오 서울대학교 컴퓨터공학부 교수 / hyunoh@snu.ac.kr 정연우 서울대학교 컴퓨터공학부 석박통합과정 / yeonwoo@mllab.snu.ac.kr 4. End-to-End Efficient Representation Learning via Cascading Combinatorial Optimization (Yeonwoo Jeong, Yoonsung Kim, Hyun Oh Song) 빠르고 정확한 데이터 검색을 위해서 딥러닝 네트워크를 통해 데이터를 binary hash code 변환하여 해시 테이블을 생성한다. 하지만, 데이터 검색의 속도는 sparse 한 binary hash code의 크기와 직접적인 연관이 있으며, binary hash code의 크기가 증가함에 따라 binary hash code를 학습하는 알고리즘의 공간과 시간 복잡도도 함께 증가하여 실용성이 떨어진다. 이를 해결하기 위해 송 교수 연구진은 계층 구조를 가지는 binary hash code을 학습하는 딥러닝 알고리즘을 고안했다. 또한, 유사도 정보가 주어진 데이터의 계층 구조를 가지는 최적의 binary hash code를 찾는 combinatorial optimization 문제는 [그림4] 그래프에서의 minimum-cost flow 문제와 동치관계에 있음을 증명하였고, polynomial time 내에 최적해를 찾을 수 있음을 증명했다. (논문의 정리1 참조). 계층 구조를 통해 binary hash code를 학습하는 알고리즘은 머신러닝 벤치마크 데이터 셋인 Cifar-100 과 ImageNet에서 데이터 검색 속도를 끌어 올림과 동시에 검색 정확도 역시 증가시켰다. https://cse.snu.ac.kr/sites/default/files/node--notice/20190528_img4.jpg [문의사항] 송현오 서울대학교 컴퓨터공학부 교수 / hyunoh@snu.ac.kr 정연우 서울대학교 컴퓨터공학부 석박통합과정 / yeonwoo@mllab.snu.ac.kr...
과거 미분류
포스트 대표 이미지

김건희·송현오 교수 연구진, ICML 2019 논문 5편 게재

서울대 컴퓨터공학부 김건희 교수·송현오 교수 연구진,ICML 2019 논문 5편 게재 김건희 교수 연구진과 송현오 교수 연구진이 기계학습 분야 최고 우수 학회 중 하나인 International Conference on Machine Learning (ICML) 2019에 5편의 논문을 게재하였다고 밝혔다. 올해는 총 3424 유효 제출 논문 중 773편이 채택되어 22.6%의 게재율을 보였다. 특히 이 중 2편은 4.6% 게재율의 Long Talk (20분 발표)로 선택되었다. 학회 논문 페이지: https://icml.cc/Conferences/2019/Schedule 김건희 교수 연구진은 다음 두 편의 연구결과를 발표하였다. ● 추론 신경망과 독립성 가정에 의존하던 Variational Autencoder (VAE)의 부정확하고 제한된 추론 능력을 라플라스 근사를 이용해 개선하는 Variational Laplace Autoencoders라는 새로운 생성 모델 개발 논문: http://proceedings.mlr.press/v97/park19a.html 코드: http://vision.snu.ac.kr/projects/VLAE ● 정보 병목기법을 활용하여 강화학습에서 새로운 정보들 중 목표와 밀접한 정보만을 선별하여 탐험하는 Curiosity-Bottleneck 방법을 제시 논문: http://proceedings.mlr.press/v97/kim19c.html 코드: https://github.com/whyjay/curiosity-bottleneck 송현오 교수 연구진은 다음 세 편의 연구결과를 발표하였다. ● 조합 최적화 기법을 이용하여 보다 효율적이고 하이퍼파라미터에 자유로운 블랙박스 방식 신경망 적대적 공격 기법 고안 (Long Talk, top 4.6%) 논문: https://arxiv.org/abs/1905.06635 코드: https://github.com/snu-mllab/parsimonious-blackbox-attack ● 보상이 희소한 환경에서도 저차원 임베딩을 통해 최적의 행동 정책을 효율적으로 학습하는 강화학습 탐색 알고리즘 개발 (Long Talk, top 4.6%) 논문: https://arxiv.org/abs/1810.01176 코드: https://github.com/snu-mllab/EMI ● 데이터의 연속 정보와 이산 정보를 동시에 효율적으로 분리하는 VAE 기반 비지도 학습 알고리즘 개발 논문: https://arxiv.org/abs/1902.10990 코드: https://github.com/snu-mllab/DisentanglementICML19 ICML 2019는 6월 미국 캘리포니아주 롱비치에서 개최될 예정이다. [문의사항] 김건희 서울대학교 컴퓨터공학부 교수 / gunhee@snu.ac.kr 송현오 서울대학교 컴퓨터공학부 교수 / hyunoh@snu.ac.kr 노준혁 서울대학교 컴퓨터공학부 박사과정 / jh.noh@vision.snu.ac.kr 정연우 서울대학교 컴퓨터공학부 석박통합과정 / yeonwoo@mllab.snu.ac.kr...
과거 미분류
포스트 대표 이미지

박근수 교수 연구진, SIGMOD 2019에 논문 게재

서울대 컴퓨터공학부 박근수 교수 연구진,SIGMOD 2019에 논문 게재 박근수 교수 연구진의 부분그래프 매칭 (subgraph matching) 알고리즘에 관한 최신 연구 논문이 SIGMOD 2019에 게재되었다. SIGMOD는 데이터베이스와 빅데이터 분야에서 세계 최고로 인정받고 있는 학회이다. 본 논문은 소셜 네트워크 등에서 특정한 패턴을 찾아내는 알고리즘을 제시한 것으로서 현재까지 알려진 알고리즘 중에서 가장 빠른 성능을 보인다. 논문에서 제안한 알고리즘은 benchmark 그래프들에서 이전 최고 성능 알고리즘보다 최대 10,000배 빠르게 패턴을 찾아내며, 크기가 큰 패턴도 빠르게 찾을 수 있다. 확장성(scalability)에 있어서도 획기적인 개선이 있어서, 이전 알고리즘이 최대 million-scale 그래프에 대해 실험을 했던 것에 비해 본 알고리즘은 billion-scale 그래프 Twitter에서도 뛰어난 성능을 보여준다. 본 논문은 2019년 7월에 열리는 SIGMOD 2019에서 발표될 예정이다. M. Han, H. Kim, G. Gu, K. Park, and W.S. Han, Efficient subgraph matching: harmonizing dynamic programming, adaptive matching order, and failing set together, ACM International Conference on Management of Data (SIGMOD) 2019, Amsterdam, Netherlands....
과거 미분류
포스트 대표 이미지

이재욱·전병곤 교수 연구진, ATC 2019 논문 3편 게재

서울대 컴퓨터공학부 이재욱 교수·전병곤 교수 연구진,ATC 2019 논문 3편 게재 ● SSD기반 빅데이터 어플리케이션의 응답시간을 크게 단축시킬 수 있는 NAND 플래시 블록 지우기 선점/지연 기술 및 비동기식 OS 커널 I/O 스택 개발 ● 빅데이터 애플리케이션의 분산 수행 방식을 다양한 자원환경 및 데이터셋에 맞추어 최적화하는 시스템 Apache Nemo 개발 ● 시스템 분야 최우수 학회 중 하나인 ATC 2019에 논문 3편 게재 출판 전 논문페이지: https://www.usenix.org/conference/atc19/technical-sessions (최종 출판본은 2019년 7월 공개 예정) 이재욱 교수 연구진과 전병곤 교수 연구진이 시스템 분야 최고 우수 학회 중 하나인 USENIX Annual Technical Conference (ATC) 2019에 3편의 논문을 게재하였다고 밝혔다. 이재욱 교수 연구진은 데이터센터 등에서 구동되는 SSD기반 빅데이터 어플리케이션의 응답시간을 크게 단축시킬 수 있는 두 편의 연구결과를 발표하였다. 먼저 NAND 플래시 메모리 기반 SSD의 꼬리 응답 시간(tail latency)을 획기적으로 낮추는, 저비용/고신뢰성의 NAND 블록 지우기 선점/재개 기술을 개발하였다([그림 1](a)). 본 기술을 적용하면 SSD의 최대 읽기 응답 시간을 기존 약 10ms 수준에서 수백 us 이내로 오십배 이상 단축할 수 있다. 또한, 성균관대 연구팀과 공동으로 초저지연 SSD의 I/O 지연시간을 최대 1/3가량 단축할 수 있는 비동기식 OS 커널 I/O 스택을 발표하였다([그림 1](b)). 본 연구결과를 적용하면 데이터센터 사용자 서비스 품질을 좌우하는 저장장치의 읽기 지연 시간이 극적으로 감소되어, 많은 사용자들의 이용경험 개선에 크게 기여할 것으로 기대된다. https://cse.snu.ac.kr/sites/default/files/node--notice/20190523_img1.jpg 전병곤 교수 연구팀에서 제안한 Apache Nemo는 빅데이터 애플리케이션의 분산 수행 방식을 다양한 자원환경 및 데이터 특성에 맞추어 최적화하는 시스템이다. Apache Nemo는 분산 수행 최적화 정책을 애플리케이션의 중간 표현을 변형하는 함수로서 개발할 수 있는 프로그래밍 인터페이스를 제공한다. Apache Nemo를 사용하여 쉽고 간결하게 개발한 최적화 정책들은 특정 환경에 특화된 복잡한 기존 시스템들과 같은 수준의 성능 개선을 달성한다. 더불어, 여러 정책들을 조합하여 여러 자원환경 및 데이터셋 특성이 동시에 발생하는 환경에서 보다 더 높은 성능 개선을 달성한다. 이런 쉬운 최적화 표현 및 수행으로 Nemo는 현재 가장 많이 사용되는 Apache Spark 보다 월등하게 높은 성능을 보인다. 아파치 Apache Nemo는 현재 아파치 소프트웨어 재단(Apache Software Foundation, ASF) 공식 오픈소스 인큐베이션 프로젝트이다. https://cse.snu.ac.kr/sites/default/files/node--notice/20190523_img2.jpg ATC 2019는 7월 미국 워싱턴주 렌턴시에서 개최될 예정이다. [문의사항] 이재욱 서울대학교 컴퓨터공학부 교수 / jaewlee@snu.ac.kr 전병곤 서울대학교 컴퓨터공학부 교수 / bgchun@snu.ac.kr 김신 서울대학교 컴퓨터공학부 박사과정 / postshine@snu.ac.kr 양영석 서울대학교 컴퓨터공학부 박사과정 / yyang@snu.ac.kr...
과거 미분류
포스트 대표 이미지

특별세미나 개최 - 오준혁 박사, Google DeepMind

2019년 5월 20일(월) 오전 10시 30분, 302동 105호에서 학부 특별 세미나가 진행되었습니다. 이 날 강연은 Google DeepMind 의 오준혁 박사님께서 'Learning Complex Behaviors via Deep Reinforcement Learning' 이라는 주제로 진행하였습니다. 많은 학생들과 교수님들이 참석한 가운데 성공적으로 개최되었습니다....
과거 미분류
포스트 대표 이미지