최근 추천 시스템 연구에서는 사전 학습된 거대 언어 모델을 활용하여 추천 항목의 자연어 정보를 효과적으로 이해하는 거대 언어 모델 기반 추천 시스템이 주목받고 있다. 이러한 추천 시스템은 높은 정확도를 보이지만, 각 추천 도메인마다 별개의 추천 모델을 학습해야 하는 한계가 있다. 이는 여러 개의 모델을 저장하고 추론하는 비용을 증가시키며, 도메인 간 지식 공유를 어렵게 만든다. 본 연구에서는 다양한 추천 도메인에서 효과적으로 작동할 수 있는 거대 언어 모델 기반 추천 모델을 제안하기 위해, 과업 벡터(task vector) 기반 모델 병합(model merging)을 적용한다. 모델 병합 과정에서는 도메인 별로 학습된 추천 모델로부터 지식 증류(knowledge distillation)를 활용하여 모델 병합을 위한 최적의 가중치를 학습한다. 실험 결과, 제안 방법을 통해 생성한 추천 모델은 8개의 도메인에서 기존의 모델 병합 방법론을 활용한 추천 모델보다 평균 2.75% 개선된 추천 정확도를 보였으며, 학습하지 않은 새로운 도메인에서도 우수한 일반화 성능을 보임을 확인하였다.

오늘날 강화학습은 자율주행, 로봇, 게임 등 다양한 분야에서 연구 및 활용되고 있다. 강화학습은 에이전트가 환경과 상호작용하며 최적의 행동 정책을 찾는 것을 목표로 하며, 환경과 문제에 따라 정책 기반 알고리즘과 가치 기반 알고리즘 중 더 적절한 알고리즘이 선택되어 사용된다. 정책 기반 알고리즘은 연속적이고 고차원적인 행동 공간에서 효과적인 학습이 가능하지만, 학습률 파라미터가 학습에 미치는 영향이 크고, 복잡한 환경일수록 최적화된 정책의 수렴 난도가 상승하는 문제점이 존재한다. 본 논문에서는 이러한 문제점을 해결하고자 어닐링 알고리즘을 기반한 행동 선택 기법 및 동적 밀집 보상 설계를 제안한다. 제안된 방식을 두 가지 대표적인 정책 기반 알고리즘인 A2C 알고리즘과 PPO 알고리즘에 적용하여 실험을 진행하였고, 실험 결과, 제안된 방식을 적용한 두 강화학습 알고리즘이 기존 강화학습 알고리즘 대비, 더 높은 성능을 보였다.

서버리스 컴퓨팅은 오토스케일링을 통해 서버 관리 부담을 줄여, 개발자가 서비스 개발에 집중할 수 있게 하여 현대 IT 인프라의 필수 기술로 자리 잡고 있다. 최근 서버리스 환경에서 하나의 인스턴스가 여러 요청을 처리하게 되면서, 기존 수평적 오토스케일링의 한계가 드러났다. 이에 인스턴스 자원을 동적으로 조정하는 수직적 오토스케일링의 필요성이 커지고 있다. 기존 장기 실행 중점의 기법은 짧은 실행 시간과 빠른 반응성이 중요한 서버리스 환경에 적합하지 않다. 본 논문은 테일러 급수를 활용한 경량화된 수직적 오토스케일링 기법을 제안하며, FunctionBench 실험 결과 VPA와 Tiny Autoscaler 대비 자원 효율성과 성능 면에서 모두 뛰어난 것을 확인하였다. 특히 VPA 대비 자원 예약량과 슬랙을 각각 18.6%, 45.0% 줄이고, 평균 및 99% 꼬리 지연 시간을 각각 31.5%, 53.8% 개선했다. 또한, 오버헤드가 가장 적어 경량화된 기법으로서의 효율성도 입증하였다.

본 논문은 최신 마인크래프트 버전(1.21)을 기반으로 한 새로운 강화학습 환경 CraftGround를 소개한다. CraftGround는 유연한 실험 설정을 제공하며, 복잡한 3D 환경에서의 강화학습을 지원한다. 시각적 데이터, 소리 신호, 생물 군계 정보, 게임 내 통계와 같은 다양한 관측 정보를 제공하여 에이전트의 성능을 다각도로 평가할 수 있다. 본 연구는 나무 채취, 적대적 몬스터 회피, 낚시와 같은 여러 태스크에서 VPT, PPO, RecurrentPPO, DQN 에이전트를 평가하였다. VPT는 사전 학습 덕분에 높은 성능과 효율성을 보였으며, PPO 및 RecurrentPPO와 같은 온라인 학습 알고리즘은 환경 변화에 적응하며 시간이 지남에 따라 성능이 향상되었다. 이 결과는 CraftGround가 동적 3D 시뮬레이션에서 적응적 에이전트 행동 연구를 촉진할 가능성을 보여준다.

모바일 에지 컴퓨팅(Mobile Edge Computing, MEC)은 데이터 처리 및 클라우드 컴퓨팅 서비스를 중앙 집중이 아닌 네트워크의 가장자리(Edge)에서 행해 성능을 향상시키고 지연을 감소시키는 기술이다. 이때 이동성은 MEC의 주요 특징이자 사용자의 QoS(Quality of Service) 수준을 결정짓는 중요한 요소이다. 본 연구의 목적은 이동성을 고려해 MEC 환경에서 QoS를 예측해 최적의 서비스를 제공하기 위해 진행된 관련 연구의 현황 및 미래 연구 방향성을 파악하는 것이다. 본 연구는 이동성을 고려해 사용자에게 최적의 서비스 제공을 위한 MEC 관련 연구 분야를 확인하고, 해결하고자 하는 문제 유형에 따라 어떤 기법이 사용되었는지 분석한다. 또한 유형별 특징과 개선 사항을 확인한다. 분석 결과, 연구는 크게 보안, QoS 모니터링, 에지 서버 위치 선정 3가지로 구분된다. 보안 분야에서는 보안 기법을 데이터 전처리에 적용하였고, QoS 모니터링 분야는 데이터 종속성을 고려한 협업 필터링 기법이 적용되었다. 에지 서버 위치 선정 분야는 다중 목적 최적화 문제 해결 기법이 활용되었다. 본 연구를 통해 후속 연구자들이 MEC 환경에서 이동성을 고려한 QoS 연구를 파악하여 QoS 개선 연구가 활성화될 것으로 기대한다.

최근 위성 기반 감시정찰 시스템은 주요 국가에서 군사적으로 중요한 기술로 주목받고 있다. 그러나 군 표적탐지를 위한 대규모의 훈련용 위성영상 확보는 높은 수집 비용과 보안 문제로 인해 현실적으로 어려움을 겪고 있다. 본 논문에서는 이를 극복하기 위해, 유명한 군사 시뮬레이션 게임 중 하나인 Arma 3을 활용한 가상의 군 표적탐지용 위성영상 및 레이블 생성 알고리즘을 제안한다. Arma 3은 현실적인 군사 장비와 환경을 제공하므로, 군 표적탐지 연구에 필요한 고품질의 가상 데이터를 생성할 수 있다. 특히 본 논문은 제안하는 알고리즘으로 구축한 데이터셋이 실세계 데이터를 보완하는 데 효과적임을 DOTA 데이터셋 및 웹 스크래핑으로 얻은 군사 이미지를 활용하여 검증하였다.

본 연구에서는 CCTV 영상을 활용한 실시간 교통사고 탐지 및 인근 병원 정보 제공을 위한 새로운 접근법을 제시한다. 제안된 시스템은 Densenet121과 YOLOv8 모델을 결합하여 교통사고 발생 여부와 사고 유형을 효과적으로 식별할 수 있다. 사고 발생 위치를 기반으로 가장 가까운 응급실을 검색하고, 해당 병원의 수용 가능 여부를 실시간으로 확인한다. 이를 통해 사용자에게 신속하게 사고 정보와 인근 병원 정보를 제공함으로써 신고 지연 문제를 해결하고, 응급실 자원의 비효율적인 배분을 방지하여 보다 많은 생명을 구하는 것을 목표로 한다. 본 연구의 접근법은 교통사고 발생 시 초기 대응 시간을 단축시켜, 응급의료 서비스의 효율성을 극대화하고, 궁극적으로는 사고 피해를 최소화하는 데 기여할 수 있다.

대규모 언어 모델(LLM)은 자연어 처리(NLP)와 생성형 AI 분야에서 중요한 발전을 이루었지만 복잡한 구조로 인해 해석과 신뢰성 확보에 어려움이 있다. 이를 해결하기 위해 본 연구에서는 LLM의 예측 과정을 시각적으로 설명하고 평가하는 도구인 LLMEE를 제안한다. LLMEE는 입력된 각 토큰이 출력에 미치는 영향을 시각적으로 표현하여 모델의 투명성을 높이며 Summarization, Question Answering, Text Generation과 같은 다양한 NLP 작업에 적용 가능하다. 또한 ROUGE, BLEU, BLEURTScore와 같은 평가 지표를 통합한 결과를 제공하여 LLM의 출력 품질을 정량적·정성적으로 평가할 수 있도록 설계하였다. LLMEE는 LLM의 복잡한 작동 원리를 이해할 수 있게 하고 품질에 대한 추가적인 평가를 제공하므로 신뢰성 있는 LLM 평가 및 개선에 기여할 수 있을 것으로 기대된다.

지식 그래프는 개체들과 개체 사이의 관계들로 이루어진 네트워크로 수많은 자연어처리 문제해결에 활용되고 있다. 불완전한 지식 그래프를 완성하기 위해 링크 예측과 관계 예측을 통한 그래프 완성 연구가 이루어지고 있다. 최근에는 개체와 관계에 대한 자연어 정보를 바탕으로 듀얼 인코더 구조를 활용하는 모델이 등장하여 많은 관심을 받았다. 하지만, 링크 예측 데이터셋에는 관계에 대한 자연어 설명문은 존재하지 않기 때문에 개체에 대한 자연어 설명문에 지나치게 의존적이라는 문제점이 존재한다. 본 논문에서는 이러한 문제 상황을 해결하기 위해서 거대 언어 모델인 GPT-3.5-turbo를 활용하여 관계에 대한 자연어 설명문을 생성하여 기존의 모델이 관계에 대한 정보를 풍부하게 학습할 수 있도록 하였다. 또한 제안방법을 통해 생성한 관계 설명문을 다른 언어 모델 기반 링크 예측 모델에 적용했을 때 성능 향상이 기대된다. 링크 예측을 통한 성능 평가 결과, 제안 방법은 베이스라인 모델과 비교했을 때 한국어 ConceptNet, WN18RR, FB15k-237, YAGO3-10 데이터셋에 대해 MRR에서 각각 0.34%p, 0.11%p, 0.12%p, 0.41%p의 성능향상을 보였다.

분리 메모리 시스템은 여러 서버의 메모리를 통합해 응용에 대규모 메모리를 제공하는 기술이다. 그런데 여러 서버의 메모리를 통합하기 때문에 한 서버의 보안 위협이 다른 서버로 쉽게 전파될 수 있다는 문제가 있다. 이를 해결하기 위한 기존 연구들은 특수 하드웨어를 기반으로 하기 때문에 추가 비용이 발생하며 상용 서버에 즉시 도입하기 어렵다. 본 논문은 소프트웨어만을 활용한 분리 메모리 시스템 보안 보장 기법을 제시한다. 제안 기법은 분리 메모리 시스템에서 발생할 수 있는 보안 위협을 방지하기 위해 시스템 내 서버 간 전송되는 데이터들에 대한 암호화와 무결성 검증을 소프트웨어로 수행한다. 소프트웨어 구현으로 인한 성능 부하를 줄이기 위해 데이터 전송과 복호화를 중첩시키고 민감 데이터만 선택적으로 암호화한다. 또, 암호화 메타데이터 크기를 최적화해 메모리 부하를 줄인다. 실험 결과, 분리 메모리로 인한 성능 부하가 적은 경우 보안 기법 적용에 따른 추가 성능 부하가 거의 없음을 확인하였다.