http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
지능형 도시에서 미세먼지 예측을 위한 심층 학습 기법 적합성 평가
신익희,문용혁,이용주 한국정보과학회 2019 정보과학회 컴퓨팅의 실제 논문지 Vol.25 No.12
An increase of particulate matter (PM) concentration in the atmosphere and interest about the harmful effects of PM on the human body are attracting more attention. PM prediction takes center stage in reducing the body’s exposure to PM. Also, the demand of local fine dust prediction has increased but the number of PM observation stations are inadequateto satisfy the demand. In this paper, we solve this problem and predict PM value by using smart city data. The deep learning models, using time-series data such assmart city data, are affected by the number of features in data. For this reason, finding suitable models for PM prediction is crucial. We train the multilayer perceptron, LSTM, CNN-LSTM model about two kinds of smart city data which have a different number of features. After training, we compute RMSE and MAPE for each network and suggest the suitable deep learning model based on value of RMSE and MAPE. When we compare the suggested model to various models used in other studies, the suggested model is predicted more precisely 대기중 미세먼지 농도 증가와 미세먼지가 인체에 끼치는 해로움에 대한 관심이 커지면서 미세먼지에 대한 신체 노출을 줄이기 위한 방법으로 미세먼지 예측이 떠오르고 있다. 또한 지역별 미세먼지 수치 관측에 대한 요구가 증가하고 있지만 미세먼지 관측소가 부족해 요구를 만족하기 어렵다. 본 논문에서는 스마트 시티 데이터를 활용하여 미세먼지 관측소가 부족한 문제를 해결하고 미세먼지 수치를 예측하고자 한다. 스마트 시티 데이터 같은 시계열 데이터를 다루는 딥러닝 모델은 입력 데이터의 특성 수에 영향을 받기 때문에 미세먼지 예측에 적합한 모델을 찾아야한다. 데이터 특성이 다른 두 스마트 시티 데이터에 대해 다층 신경망, LSTM, CNN-LSTM 모델을 학습하여 RMSE, MAPE의 값과 표준편차를 비교하여 적합한 딥러닝 모델을 제시한다. 제시한 모델과 기존 연구들에서 사용된 모델을 비교한 결과 제시한 모델이 더 정확한 예측을 수행하였다.
신익희 ( Ik Hee Shin ),박준용 ( Junyong Park ),문용혁 ( Yong Hyuk Moon ),이용주 ( Yong-ju Lee ) 한국정보처리학회 2019 한국정보처리학회 학술대회논문집 Vol.26 No.1
모바일 환경에서 다양한 AI 관련 응용을 수행하기 위해, 정확도에 기반한 크고 깊은 신경망 이외에, 정확도를 비교적 유지하면서 좀더 효율적인 신경망 구조에 대한 다양한 연구가 진행중이다. 본 논문에서는 모바일 딥러닝을 위한 다양한 임베디드 장치 및 모바일 폰에서의 성능 평가를 통해 경량 신경망의 비교 분석에 대한 연구를 담고 있다.
문용혁,신익희,이용주,민옥기,Moon, Y.H.,Shin, I.H.,Lee, Y.J.,Min, O.G. 한국전자통신연구원 2019 전자통신동향분석 Vol.34 No.4
The performance of machine learning algorithms significantly depends on how a configuration of hyperparameters is identified and how a neural network architecture is designed. However, this requires expert knowledge of relevant task domains and a prohibitive computation time. To optimize these two processes using minimal effort, many studies have investigated automated machine learning in recent years. This paper reviews the conventional random, grid, and Bayesian methods for hyperparameter optimization (HPO) and addresses its recent approaches, which speeds up the identification of the best set of hyperparameters. We further investigate existing neural architecture search (NAS) techniques based on evolutionary algorithms, reinforcement learning, and gradient derivatives and analyze their theoretical characteristics and performance results. Moreover, future research directions and challenges in HPO and NAS are described.
임베디드 시스템에서의 객체 분류를 위한 TVM기반의 성능 최적화 연구
허청환,예민해,신익희,이대우 대한임베디드공학회 2023 대한임베디드공학회논문지 Vol.18 No.3
Optimizing the performance of deep neural networks on embedded systems is a challenging task that requires efficient compilers and runtime systems. We propose a TVM-based approach that consists of three steps: quantization, auto-scheduling, and ahead-of-time compilation. Our approach reduces the computational complexity of models without significant loss of accuracy, and generates optimized code for various hardware platforms. We evaluate our approach on three representative CNNs using ImageNet Dataset on the NVIDIA Jetson AGX Xavier board and show that it outperforms baseline methods in terms of processing speed.