http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
추천 시스템에서의 효율적인 행렬 분해 모델을 위한 정밀도 변환 기법
유재서 ( Jae-seo Yu ),고윤용 ( Yun-yong Ko ),배홍균 ( Hong-kyun Bae ),강석원 ( Seokwon Kang ),유용승 ( Yongseung Yu ),박영준 ( Yongjun Park ),김상욱 ( Sang-wook Kim ) 한국정보처리학회 2021 한국정보처리학회 학술대회논문집 Vol.28 No.1
최근 딥러닝 분야에서 모델 학습을 가속화하기 위해, 실수 표현 시 사용하는 비트 수를 줄이는 양자화 연구가 활발히 진행되고 있다. 본 논문은 추천 시스템 모델 중 하나인 행렬 분해 모델(Matrix Factorization, MF)에 대한 양자화 수행 시, 발생할 수 있는 학습 정확도 손실을 방지하기 위한 정밀도 변환 방안을 제시한다. 우리는 실세계 데이터셋을 이용한 실험을 통해, 제안 방안이 적용된 MF 모델은 양자화 기법이 적용되지 않은 모델과 비슷한 추천 정확도를 보이며, 약 30% 개선된 속도로 학습됨을 확인할 수 있었다.
불균형한 DNN 모델의 효율적인 분산 학습을 위한 파라미터 샤딩 기술 성능 평가
최기봉 ( Ki-bong Choi ),고윤용 ( Yun-yong Ko ),김상욱 ( Sang-wook Kim ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.2
최근 딥 러닝 (deep learning) 기술의 큰 발전으로 기존 기계 학습 분야의 기술들이 성공적으로 해결하지 못하던 많은 문제들을 해결할 수 있게 되었다. 이러한 딥 러닝의 학습 과정은 매우 많은 연산을 요구하기에 다수의 노드들로 모델을 학습하는 분산 학습 (distributed training) 기술이 연구되었다. 대표적인 분산 학습 기법으로 파라미터 서버 기반의 분산 학습 기법들이 있으며, 이 기법들은 파라미터 서버 노드가 학습의 병목이 될 수 있다는 한계를 갖는다. 본 논문에서는 이러한 파라미터서버 병목 문제를 해결하는 파라미터 샤딩 기법에 대해 소개하고, 각 기법 별 학습 성능을 비교하고 그 결과를 분석하였다.
유저 간 지지도 및 유저의 공유 빈도를 활용한 효과적인 광고효과 최대화 방안
홍석진 ( Suk-jin Hong ),고윤용 ( Yun-yong Ko ),김상욱 ( Sang-wook Kim ),박계환 ( Gye-hwan Park ) 한국정보처리학회 2018 한국정보처리학회 학술대회논문집 Vol.25 No.1
본 논문에서는 기존 광고대행 유저 주천 서비스의 광고대행 유저 선줄 방법이 갖는 문제를 해결하기 위해,영향력 최대화 (Influence maximization) 연구 분야의 기술을 활용하여 (1) 유저들 간 단계적으로 파급되는 광고효과를 고려한 광고효과 최대화 방안을 제안한다. 나아가 보다 정확한 광고효과 평가를 위해,(2) 유저 간 지지도 (support) 및 (3) 유저의 컨텐츠 공유 (share) 점수를 정의하고 광고효과 최대화 방안에 반영하였다. 실 세계 데이터를 이용한 실험을 통해 제안하는 광고 대행 유저 선출 방안이 전통적인 선출 방안들보다 광고 효과가 더 큰 유저들을 선출함을 입증하였다.