http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Windows CE 환경에서 PXA320 프로세서의 DVFS를 위한 성능 모니터링
심재원 ( Jae-won Shim ),이상정 ( Sang-jeong Lee ) 한국정보처리학회 2007 한국정보처리학회 학술대회논문집 Vol.14 No.2
본 논문은 성능 카운터를 이용하여 Intel XScale 마이크로아키텍쳐 기반의 Marvell PXA320 프로세서에 대한 성능 모니터링을 구현하였다. Windows CE 운영체제 환경의 응용프로그램에 대하여 DVFS 구성에 따른 각각의 벤치마크를 측정하였고, 성능 이벤트에 따른 성능 카운터 값을 측정 하였다. 성능 모니터링으로 측정된 데이터를 기반으로 DVFS 기법을 위한 스케줄링이 가능하다.
심재원(Jae Won Shim),류성렬(Seong Yul Yoo),고경환(Kyoung Hwan Koh),조철구(Chul Koo Cho),윤형근(Hyong Geun Yun),김재영(Jae Young Kim) 대한방사선종양학회 1993 Radiation Oncology Journal Vol.11 No.2
1985년 3월부터 1990년 9월까지 구강암으로 진단받고 본원 치료방사선과에서 방사선치료를 시행하였던 85명의 환자에 대한 치료결과를 후향적으로 분석하였다. 이중 방사선 단독치료가 37예였고 수술후 방사선치료가 48예였다. 방사선치료 방법으로는 70예에서 60Co와 전자선에 의한 외부방사선조사로만 시행하였고 조직내삽입 복합요법이 7예, oral cone추가사용이 8예였다. 전체환자중 설암이 40예로 가장 많았고 구강저부암이 17예, 구개암이 12예, 후구치삼각부암을 포함한 치육암이 10예, 구협암이 5예, 구순암이 1예였다. 병리소견상 편평상피세포암이 77예로 가장 많았으며, AJC TNM 병기에 의한 병기 I+II기는 28예였고 병기 III+IV기 환자의 3년생존율은 각각 60.9%와 23.1%였다. 예후인자에 대한 분석상 원발병소의 크기가 유의하였다(P<0.01). 기타 나이, 원발병소의 위치, 림프절 전이여부, 치료방법(수술여부), 조사선량, 종양세포의 조직학적 등급 등에 의한 생존율과 국소제어율의 차이는 통계학적으로 유의한 결과를 얻을 수 없었다. 이중 치료방법에 따르면, 원발병소의 크기가 클수록, 혹은 림프절 전이여부를 막론하고 수술과 방사선 병용치료군에서 방사선 단독치료군보다 유의하지는 않았지만 더 높은 생존율을 보였다(p<0.1). 결론적으로 조기구강암에서는 방사선 단독치료가 수술과 방사선 병용치료에 비해 비슷한 치료성적을 보이면서도 특히 해부학적, 기능적 장애를 야기하는 수술에 비해 더 효과적이며 진행성구강암에서는 수술과 방사선 병용치료가 적절하다고 사료된다. Eighty five patients of oral cavity cancer, treated with radiation at the Department of Therapeutic Radiology, Korea Cancer Center Hospital, during the period from March 1985 to September 1990 were analyzed retrospectively. Among 85 patients, 37 patients were treated with radiation only and 48 patients were treated with radiation following surgery. And 70 patients received external irradiation only by 60Co with or without electron, the others were 7 patients for external irradiation plus interstitial implantation and 8 patients for external irradiation plus oral cone electron therapy. Primary sites were mobile tongue for 40 patients, mouth floor for 17 patients, palate for 12 patients, gingiva including retromolar trigone for 10 patients, buccal mucosa for 5 patients, and lip for 1 patient. According to pathologic classification, squamous cell carcinoma was the most common (77 patients). According to AJC TNM stage, stage I + II were 28 patients and stage III+IV were 57 patients. Acturial overall survival rate at 3 years was 43.9%, 3 year survival rates were 60.9% for stage I + II, and 23.1% for stage III+IV, respectively. As a prognostic factor, primary T stage was a significant factor (p<0.01). The others, age, location, lymph node metastasis, surgery, radiation dose, and cell differentiation were not statistically significant. Among those factors, radiation plus surgery was more effective than radiation only in T3+T4 or in any N stage although it was not statistically sufficient (p<0.1). From those results, it was conclusive that definitive radiotherapy was more effective than surgery especially In the view of pertainig of anatomical integrity and function in early stage, and radiation plus surgery was considered to be better therapeutic tool in advanced stage.
심재원(Jae-Won Shim),남정찬(Jeong-Chan Nam),민희준(Hee-Jun Min),김가연(Ga-Yeon Kim),이효진(Hyo-Jin Lee),정혜영(Hye-Young Jeong) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.4
딥러닝 모델의 성능을 평가하는 지표는 정확도를 평가할 뿐, 해당 모델의 불확실성을 평가할 수 없다. 불확실성은 정확도와는 별개로, 안정성 또는 신뢰도의 의미를 가질 수 있다. 불확실성을 측정할 수 있다면 기존 모델의 성능을 평가하는 지표 외에 새로운 지표가 될 가능성을 가지고 있다. 불확성을 측정하기 위한 딥러닝 모델로 베이지안 신경망을 사용한다. 본 논문은 불확실성이 딥러닝 모델에서 성능을 평가하는 지표가 될 수 있음을 확인해보려 하였다. 불확실성을 측정하기 위한 베이지안 신경망 모델로 베이지안 LSTM (Bayesian Long Short Term Memory)을 사용하였고, 모델의 학습에 실제 데이터를 적용하여 불확실성을 측정하였으며, 이를 기존 모델의 성능 지표와 비교분석 하였다. 실제 데이터를 이용한 실험에서 이상치가 추가됨에 따라 기존 모델의 성능지표는 증가하거나 감소하는 여러 가지 양상을 보이는 반면, 불확실성은 이상치에 따라 일관적으로 증가하는 결과를 보였다. Uncertainty is a separate measure of accuracy, and may have implications for stability or reliability. If uncertainty can be regulated, it has the potential to be a new metric for evaluating a performance of Deep learning models. Deep learning models for measuring uncertainty are Bayesian neural networks, which can be implemented by applying a drop-out scheme to each layer of existing deep learning models. This paper confirms that uncertainty can be an indicator of performance evaluation in deep learning models. We used Bayesian LSTM as a Bayesian neural network model to measure uncertainty, and measured uncertainty, which is compared to performance metrics from existing models.