최근 GPS와 카메라 및 컴퓨터 비전 기술의 발달로 인해 여러 객체의 실시간 이동 정보를 취득하는 것이 가능해짐에 따라 다중 객체의 이동 정보를 활용하는 여러가지 응용 및 데이터 분석 서비스들이 활발히 논의되고 있다. 그러나 여전히 기술적 또는 물리적 한계로 인해 취득된 데이터는 오차 또는 결측값을 포함하고 있을 수 있으며 이는 응용 시스템 및 분석 결과의 품질을 저하시키는 요인이 된다. 본 연구에서는 GPS 또는 컴퓨터 비전의 객체 추적 시스템으로부터 부분적으로 얻어진 축구 선수들의 이동궤적에서 결측된 구간의 궤적을 정확하게 보간할 수 있는 트랜스포머 구조 기반 보간 모델을 제안한다. 특히 다중 객체의 이동 궤적이 순열 불변성(permutation invariance)을 갖는 2차원 좌표 집합 형태로 주어지기 때문에 이를 고려하여 집합 트랜스포머(Set Transformer) 기반의 심층 신경망 모델을 설계한다. 제안된 기술의 우수성을 평가하기 위해 다양한 결측 비율을 가진 22명 축구 선수의 이동 궤적 좌표 정보를 입력으로 받아 결측 구간에 대해 얼마나 정확한 궤적을 예측하는지 평가한다. 또한, 보간된 궤적이 실제로 예측 연구 성능 저하 문제를 완화할 수 있는지 검증하기 위해 축구 이벤트 예측 모델을 제안하고 보간된 궤적을 입력으로 하였을 때의 성능을 평가한다.

그래프는 개체 간의 관계성을 중요하게 여기는 데이터를 표현하기 위해 사용된다. 이들 그래프 데이터는 응용 분야에 따라 서로 다른 특성을 가지므로 인공지능 모델을 개발할 때 이러한 특성들을 잘 고려해야 할 것이다. 본 논문에서는 분자 특성 예측을 위한 모델 개발에 사용되는 분자 그래프 데이터 셋의 특징을 타 분야 그래프 데이터 셋과의 비교를 통해 파악하고자 하였다. 또한 수소 정보 사용에 따른 성능 비교와 원자 간 결합 정보 사용 여부에 따른 성능 비교를 통하여 분자 특성 예측에 효과적인 특성 구성을 찾고자 하였다. 그 결과, 분자 데이터 셋은 그래프를 구성하는 노드의 수, 노드의 평균 차수, 최대 차수 그리고 노드 중복 여부에서 타 분야의 그래프와는 뚜렷하게 구별되는 특징을 가지고 있었다. 수소 정보의 경우 원자와 결합한 수소의 수를 노드의 특성으로 사용하는 것이 효과적이었으며 원자 간 결합 정보를 엣지 특성을 통해 반영할 때 성능이 향상됨을 확인하였다.

본 연구에서는 지식 그래프 임베딩을 활용한 한국어 외부 지식기반 시각정보 질의응답 시스템을 제안한다. 외부 지식기반 시각정보 질의응답은 외부 지식의 표현방법 및 외부 지식을 활용하는 방법에 따라 성능차이가 발생한다. 본 연구에서는 (1) ConvKB를 통해 지식 그래프의 임베딩 사전학습 방법을 소개하고 (2) 지식 그래프 임베딩을 통해 효율적으로 시각 질의응답 모델에 외부 지식과 질의응답을 합성하여 질의응답 성능을 향상시키는 방법을 제안한다.

AI 기반 개인정보 침해평가 시스템은 개체명인식, 인텐트분류, 문서분류, 문서요약 등 다양한 자연어처리 기법을 사용하여 정부입법 제·개정령안과 의원입법안에 대하여 평가인력의 침해평가 업무를 지원하도록 개발되었다. 기존 한 단락으로 작성되었던 침해평가안은 신규 개인정보 침해평가 양식에서 제·개정내용, 검토내용, 검토의견으로 세분화하여 더 구체적으로 변경되었다. 신규 양식의 제·개정내용은 4종의 개인정보(일반개인정보, 고유식별정보, 민감정보, 영상정보), 정보주체, 개인정보처리자, 개인정보처리 목적으로 나누어지며 모두 학습된 개체명 인식기를 통해서 추출되었다. 개체명 인식기는 xlm-roberta-large 사전언어 모델로 부터 Fine-tuning되었으며 8종 개체명에 대하여 micro F1-score는 0.707였으며 4종의 개인정보의 micro F1-score는 0.737였다. 신규 양식의 검토내용(법적합성, 개인정보처리 필요성, 업무처리 불가피성, 정보관리 안정성)은 챗봇에서 널리 사용되고 있는 인텐트분류 기법을 활용하고 슬롯 태깅기법으 로 140여개의 검토의견을 생성하여 제공한다. 신규 양식의 검토의견은 개인정보별 침해여부를 판단하는 것으로 시작된다. 침해여부 분류기는 CNN + Fasttext 분류 모델로 학습되었으며 모델의 micro F1-score는 0.91였다. 이러한 AI 시스템의 도입을 통해 새로 세분화되어 양식이 변경되었음에도 불구하고 업무 효율성을 크게 향상시킬 수 있었으며 신속하게 침해평가를 진행할 수 있도록 평가업무를 지원할 수 있었다.

장면 그래프 생성(Scene Graph Generation)은 이미지를 의미론적 구조 장면 그래프로 자동 매핑하는 작업이며, 이때 독립 개체 뿐만 아니라 개체, 개체의 속성, 개체 사이의 관계에 대해 올바른 레이블링이 필요하다. 본 논문에서는 일반적인 장면 그래프 생성 방법과는 다르게 이미지 영역 서술을 구문 분석하여 장면 그래프를 생성하는 방법을 제안한다. 본 논문에서는 이미지 영역 서술을 구문 분석하기 위해 추상적 의미 표현(Abstract Meaning Representation, AMR) 기법을 사용하고, 장면 그래프 생성을 위해 사전 훈련된 언어 모델(Pre-trained Language Model)을 사용한다. 제안한 접근 방식은 이미지 영역 서술에서 개체, 개체 속성 및 개체 간의 관계와 같은 높은 수준의 의미를 명시적으로 잡아내는 것을 보여주고, 기존 이미지 영역 서술을 활용한 장면 그래프 생성 모델과 비교했을 때 정량적으로 우수한 성능을 보인다.

최근의 dense retrieval 연구에서는 기존의 2단계 프레임워크의 ranker 모델에서 retriever 모델로 지식을 증류함으로써 더욱 효과적인 retriever 모델을 얻을 수 있다는 것을 보여주었다. 하지만 이러한 지식 증류 기법은 별도로 사전에 교사 모델(teacher model)을 학습시켜야 하고, 학생 모델(student model)에게 지식을 증류하기에 가장 적합한 교사 모델을 찾는 데에 많은 시간과 노력이 필요하다는 한계점이 존재한다. 본 논문에서는 학생 모델 자기 자신을 교사 모델로 사용하여 지식을 증류하는 방법인 teacher-free self-training 지식 증류 기법을 사용한 dense retriever 모델을 제안한다. 초기 학습 단계에서는 손실 함수로 negative log likelihood를 사용하고, 후반 학습 단계에서는 teacher-free 증류 기법을 이용한 손실 함수를 사용한다. 이는 교사 모델을 사용하지 않는 다른 teacher-free 지식 증류 기법인 self-regularization이나, label smoothing regularization에서 실제 정답을 기반으로 정답이 아닌 문서를 모두 동일한 값으로 두어 soft label을 만드는 것과 달리, 학습된 모델의 예측을 기반으로 정답인 문서와 유사하다고 판단되는 문서는 그렇지 않은 문서보다 더 높은 값을 가질 수 있도록 한다. 실험에서, 기존의 dense passage retrieval 모델에 대해 향상된 성능을 보여 제안 방법의 효과를 입증한다.

자발적 DR(Demand Response)은 하루 전 시장에 NBTP(Net Benefit Test Price)와 전력감축용량으로 한국전력거래소에 입찰하고, 전력시장의 SMP(System Marginal Price)와 경쟁하여 수요반응 자원이 낙찰받은 경우 전력사용량을 감축하는 전력 수요반응 서비스이다. 본 연구에서는 수요반응참여고객의 과거 데이터를 활용하여 다음 거래일에 대한 자발적 DR 입찰가능량을 예측한다. 그리고 예측된 입찰가능량을 수요관리사업자의 DRMS(Demand Response Management System) 입찰량 추천 시스템에 제공하고 자발적 DR 입찰에 활용함으로써, 수요반응참여고객의 경제적 편익을 도모하고 전력계통 효율화 및 전력가격 안정화에 기여하고자 한다.

최근 확대되는 대학의 온라인 수업 트렌드 속에서 본 연구는 온라인 프로그래밍 강의에서 학생들의 참여를 유도하고 자동화된 평가를 수행할 수 있는 평가 시스템을 제안한다. 평가 시스템은 실세계의 데이터를 활용할 수 있으면서 학생들에게 일정 부분 자유도를 제공하는 알고리즘 트레이딩 문제를 선정하고 이에 적합하도록 구현되었다. 약 600명의 학생을 대상으로 개설되는 온라인 교양 프로그래밍 수업에서 구현된 시스템을 평가에 활용하고, 이를 통해 학생들의 학습 참여도와 반응을 분석한 결과, 제안된 시스템은 학생들의 흥미와 도전 의식을 자극하며 참여를 격려하는데 효과적인 평가 도구임을 확인할 수 있었다.

COVID-19와 같이 새롭게 등장한 질병에 신속히 효과적으로 대처하기 위하여 컴퓨터 알고리즘을 사용한 약물 재배치 기법이 주목받고 있다. 본 연구에서는 약물의 다양한 특성을 멀티모달 자동 인코더를 통해 통합하여 약물의 분류 체계인 ATC 코드를 예측하는 방법을 제안한다. 약물 간의 유사도는 약물의 화학 구조, 질병 또는 단백질과의 상관관계, 약물 간 상호작용, 약물 부작용 정보를 활용하여 계산하였고, 멀티모달 자동 인코더를 통해 이를 통합하여 하나의 약물 유사도 네트워크를 구성하였다. 또한, 약물-ATC 코드 이기종 네트워크를 구성하여 ATC 코드 예측을 진행하였다. 교차검증을 통해 실험 결과를 평가했을 때, 단일 유사도를 사용하는 경우 0.847의 AUC 값에서 병합된 유사도를 사용했을 때 0.914의 AUC 값으로 예측 정확도가 8.5% 향상되었다.

본 논문은 대학생의 자기주도적 케어를 위한 서비스모델을 설계하고 이를 위한 라이프로그 관리 시스템을 개발하는 것을 목표로 한다. 자기주도적 케어 서비스모델은 심리학 이론인 정보-동기-행동기술 모델을 바탕으로 설계되었다. 정보-동기-행동기술 모델은 행동변화의 핵심 요인을 제시한 심리학 이론이며 본 연구에서 개발한 서비스모델은 해당 이론을 적용하여 라이프로그 데이터 기반으로 건강한 생활습관 증진을 위한 중재를 제공한다. 라이프로그 관리 시스템은 신체적, 정신적 건강 상태와 일상생활의 활동데이터를 수집, 저장 및 분석하는 서비스를 제공한다. 구체적으로 시스템은 웨어러블 기기, 모바일 앱, 서비스 애플리케이션 및 IoT 플랫폼으로 구성되고 생체 데이터, 감정 데이터, 활동 데이터로 구성된 라이프로그를 관리한다. 연구팀은 2022년 가을학기부터 해당 시스템을 사용하여 건국대학교 학생들이 자기주도적 케어를 실습하는 실험을 수행하여 라이프로그 관리 시스템의 개인 맞춤형 개입 서비스를 검증하였다.