생성 모델과 검색 모델을 이용한 한국어 멀티턴 응답 생성 연구

이호동,이종민,서재형,장윤나,임희석 한국융합학회 2022 한국융합학회논문지 Vol.13 No.1

최근 딥러닝 기반의 자연어처리 연구는 사전 훈련된 언어 모델을 통해 대부분의 자연어처리 분야에서 우수한 성능을 보인다. 특히 오토인코더 (auto-encoder) 기반의 언어 모델은 다양한 한국어 이해 분야에서 뛰어난 성능과 쓰임을 증명하고 있다. 그러나 여전히 디코더 (decoder) 기반의 한국어 생성 모델은 간단한 문장 생성 과제에도 어려움을 겪고 있으며, 생성 모델이 가장 일반적으로 쓰이는 대화 분야에서의 세부 연구와 학습 가능한 데이터가 부족한 상황이다. 따라서 본 논문은 한국어 생성 모델을 위한 멀티턴 대화 데이터를 구축하고 전이 학습을 통해 생성 모델의 대화 능력을 개선하여 성능을 비교 분석한다. 또한, 검색 모델을 통해 외부 지식 정보에서 추천 응답 후보군을 추출하여 모델의 부족한 대화 생성 능력을 보완하는 방법을 제안한다. Recent deep learning-based research shows excellent performance in most natural language processing (NLP) fields with pre-trained language models. In particular, the auto-encoder-based language model proves its excellent performance and usefulness in various fields of Korean language understanding. However, the decoder-based Korean generative model even suffers from generating simple sentences. Also, there is few detailed research and data for the field of conversation where generative models are most commonly utilized. Therefore, this paper constructs multi-turn dialogue data for a Korean generative model. In addition, we compare and analyze the performance by improving the dialogue ability of the generative model through transfer learning. In addition, we propose a method of supplementing the insufficient dialogue generation ability of the model by extracting recommended response candidates from external knowledge information through a retrival model.

Deep Convolution Neural Networks 이용하여 결함 검출을 위한 결함이 있는 철도선로표면 디지털영상 재 생성

김현호 ( Hyeonho Kim ),한석민 ( Seokmin Han ) 한국인터넷정보학회 2020 인터넷정보학회논문지 Vol.21 No.6

본 연구는 철도표면상에 발생하는 노후 현상 중 하나인 결함 검출을 위해 학습데이터를 생성함으로써 결함 검출 모델에서 더 높은 점수를 얻기 위해 진행되었다. 철도표면에서 결함은 선로결속장치 및 선로와 차량의 마찰 등 다양한 원인에 의해 발생하고 선로 파손[14] 등의 사고를 유발할 수 있기 때문에 결함에 대한 철도 유지관리가 필요 하다. 그래서 철도 유지관리의 자동화 및 비용절감을 위해 철도 표면 영상에 영상처리 또는 기계학습을 활용한 결함 검출 및 검사에 대한 다양한 연구가 진행되고 있다. 일반적으로 영상처리 분석기법 및 기계학습 기술의 성능은 데이터의 수량과 품질에 의존한다. 그렇기 때문에 일부 연구는 일반적이고 다양한 철도표면영상의 데이터베이스를 확보하기위해 등간격으로 선로표면을 촬영하는 장치 또는 탑재된 차량이 필요로 하였다[15, 16]. 본연구는 이러한 기계적인 영상획득 장치의 운용비용을 감소시키고 보완하기 위해 대표적인 영상생성관련 딥러닝 모델인 생성적 적대적 네트워크[1]의 기본 구성에서 여러 관련연구에서 제시된 방법을 응용, 결함이 있는 철도 표면 재생성모델을 구성하여, 전용 데이터베이스가 구축되지 않은 철도 표면 영상에 대해서도 결함 검출을 진행할 수 있도록 하였다. 구성한 모델은 상이한 철도 표면 텍스처들을 반영한 철도 표면 생성을 학습하고 여러 임의의 결함의 위치에 대한 Ground-Truth들을 만족하는 다양한 결함을 재 생성하도록 설계하였다. 재생성된 철도 표면의 영상들을 결함 검출 딥러닝 모델[2]에 학습데이터로 사용한다. 재생성모델의 유효성을 검증하기 위해 철도표면데이터를 3가지의 하위집합으로 군집화 하여 하나의 집합세트를 원본 영상으로 정의하고, 다른 두개의 나머지 하위집합들의 몇가지의 선로표면영상을 텍스처 영상으로 사용하여 새로운 철도 표면 영상을 생성한다. 그리고 결함 검출 모델에서 학습데이터로 생성된 새로운 철도 표면 영상을 사용하였을 때와, 생성된 철도 표면 영상이 없는 원본 영상을 사용하였을 때를 나누어 검증한다. 앞서 분류했던 하위집합들 중에서 원본영상으로 사용된 집합세트를 제외한 두 개의 하위집합들은 각각의 환경에서 학습된 결함 검출 모델에서 검증하여 출력인 픽셀단위 분류지도 영상을 얻는다. 이 픽셀단위 분류지도영상들과 실제 결함의 위치에 대한 원본결함지도(Ground-Truth)들의 IoU(Intersection over Union) 및 F1-score로 평가하여 성능을 계산하였다. 결과적으로 두개의 하위집합의 텍스처 영상을 이용한 재생성된 학습데이터를 학습한 결함 검출모델의 점수는 원본 영상만을 학습하였을 때의 점수보다 약 IoU 및 F1-score가 10~15% 증가하였다. 이는 전용 학습 데이터가 구축되지 않은 철도표면 영상에 대해서도 기존 데이터를 이용하여 결함 검출이 상당히 가능함을 증명하는 것이다. This study was carried out to generate various images of railroad surfaces with random defects as training data to be better at the detection of defects. Defects on the surface of railroads are caused by various factors such as friction between track binding devices and adjacent tracks and can cause accidents such as broken rails [14], so railroad maintenance for defects is necessary. Therefore, various researches on defect detection and inspection using image processing or machine learning on railway surface images have been conducted to automate railroad inspection and to reduce railroad maintenance costs. In general, the performance of the image processing analysis method and machine learning technology is affected by the quantity and quality of data. For this reason, some researches require specific devices or vehicles to acquire images of the track surface at regular intervals to obtain a database of various railway surface images [15, 16]. On the contrary, in this study, in order to reduce and improve the operating cost of image acquisition, we constructed the 'Defective Railroad Surface Regeneration Model' by applying the methods presented in the related studies of the Generative Adversarial Network (GAN) [1]. Thus, we aimed to detect defects on railroad surface even without a dedicated database. This constructed model is designed to learn to generate the railroad surface combining the different railroad surface textures and the original surface, considering the ground truth of the railroad defects. The generated images of the railroad surface were used as training data in defect detection network [2], which is based on Fully Convolutional Network (FCN) [3]. To validate its performance, we clustered and divided the railroad data into three subsets, one subset as original railroad texture images and the remaining two subsets as another railroad surface texture images. In the first experiment, we used only original texture images for training sets in the defect detection model. And in the second experiment, we trained the generated images that were generated by combining the original images with a few railroad textures of the other images. Each defect detection model was evaluated in terms of 'intersection of union(IoU)' and F1-score measures with ground truths. As a result, the scores increased by about 10~15% when the generated images were used, compared to the case that only the original images were used. This proves that it is possible to detect defects by using the existing data and a few different texture images, even for the railroad surface images in which dedicated training database is not constructed.

생성예술 계보 속 생성형 인공지능 기반 예술에 관한 연구 - 생성예술의 시스템적 관점으로 본 디퓨전 모델

신종천 중앙대학교 인문콘텐츠연구소 2023 인공지능인문학연구 Vol.15 No.-

본 연구는 최근 주목받고 있는 생성형 인공지능 기반 예술의 정체성을 밝히기 위해 생성예술의 핵심요소인 시스템을 분석하고 인공지능 이미지 생성 모델을 생성예술의 계보와 이론 속에서 논의한다. 생성예술가이자 이론가인 필립 갈란터 (Philip Galanter)는 생성예술을 예술가가 일련의 자연스러운 언어 규칙, 컴퓨터 프로그램 또는 다른 절차적 고안물과 같은 어느 정도의 자율적인 움직임을 가지 는 시스템을 사용하는 예술 실천으로 정의한다. 이러한 생성예술의 핵심은 시스 템의 사용이고, 컴퓨터와 프로그램을 활용하는 생성예술의 미적 지향점은 복잡시 스템이다. 유전시스템이나 인공생명과 같은 복잡시스템을 활용하는 생성예술이 드러내고자 하는 미적 가치는 질서도를 높이는 요소와 무질서도를 높이는 요소 를 동시에 사용하면서 예측하지 못한 자기고유성을 드러내는 것에 있다. 그것은 그 시스템이 돌연변이나 노이즈를 얼마나 확장적으로 수용할 수 있느냐와 연관 된 것으로 다양성과 복잡성을 확보할 수 있는 관건이 된다. 흥미롭게도, 인공지 능을 이용한 이미지 생성기술들 중 최근에 등장한 디퓨전 모델(Diffusion Model, DM)의 경우 생성예술이 지향하는 복잡시스템의 미적 활용에 가깝다. 열역학에 서 아이디어를 가져온 디퓨전 모델은 노이즈를 의도적으로 주입하는 정방향 확 산과 학습을 통해 노이즈를 제거하는 역방향 복원 과정을 통해 예상하지 못한 다양한 이미지를 생성시킬 수 있다. 결과적으로, 예술가의 직관을 뛰어넘으면서도 예술가가 바라던 결과물에 근접하도록 만드는 디퓨전 모델은 생성예술의 매력적 인 도구가 될 수 있다. This study analyzes the system, which is a key element of generative art, and discusses the AI image generative model in the genealogy and theory of generative art, in order to reveal the identity of generative AI-based art. Philip Galanter, a generative artist and theorist, defines generative art as any art practice where the artist uses a system, which is set into motion with some degree of autonomy, such as a computer program or procedural invention. The core of generative art is the use of systems, and the aesthetic goal of generative art that uses computers and programs is to create a “complex” system such as a genetic system or artificial life. The aesthetic value that generative art seeks to reveal lies in creating unexpected uniqueness while simultaneously using elements that increase from the highly ordered to the highly disordered. It is related to how extensively the system can accommodate mutations and noise, and secure diversity and complexity. Interestingly, the Diffusion Model(DM), which has recently appeared among generative artificial intelligence, is a case of the aesthetic use of complex systems, which generative art aims for. The diffusion model, which takes ideas from thermodynamics, can create a variety of unexpected images through forward diffusion, which intentionally injects noise, and a reverse restoration process, which removes noise through learning. As a result, the diffusion model, which exceeds the artist’s intuition while also bringing it closer to the artist’s desired result, can be an attractive tool for generative art.

4D 시뮬레이션 및 일정별 물량정보검색을 위한 3D 모델 정보 활용

이재철,Lee Jae-Cheol 한국건설관리학회 2004 건설관리 : 한국건설관리학회 학회지 Vol.5 No.4

4D 모델은 프로젝트 수행 이전에 다양한 공정대안을 비교 검토해볼 수 있는 기능을 제공하나 아직 그 활용이 미비한 실정이다. 이는 4D 모델의 구현에 수반되는 기술적, 경제적 문제에 기인하는 바 크다. 본 논문에서는 3D모델 정보의 활용을 통해 이러한 문제의 해결방안을 제시하였다. 즉, 기 생성된 3D 모델 정보를 가공하여 동일한 3D 모델에 대해 여러 가지 공정대안을 신속하게 생성해내는 공정 자동생성 기능을 이용함으로써 기존 4D시스템 연구에서 문제점으로 지적되었던 정보 변경에 따른 4D 모델 재구현 문제를 상당부분 개선하였다. 또한, 특정 작업기간에 따른 소요물량을 간편하게 산출해내는 물량정보 검색 기능을 통해 4D 모델의 대안검토 기능을 보완하였다. 특히 공정 자동생성 기능에서는 수평 및 수직적 우선순위의 조정을 통해 부재간, 층간 우선순위를 결정할 수 있도록 함으로써 공정순서를 신속하게 생성해낼 수 있는 환경을 제공하였다. 이것은 3D 모델이 변경되지 않은 상태에서 다양한 공정대안의 신속한 생성을 통한 비교 검토에 효과적으로 활용할 수 있으며, 3D 모델이 변경된 경우에도 4D 모델 생성을 위한 이후의 작업과정을 손쉽게 진행시켜 나갈 수 있는 장점이 있다. 아울러 3D 모델로부터 생성되는 물량정보와 공정계획 결과로부터 생성되는 일정정보를 연계시킴으로써 간편하게 일정별 소요물량 정보를 검색할 수 있게 하였다. This paper represents the application of the 3D CAD Model data for 4D simulation and quantity estimation. These support the effective and practical use of 4D CAD model. By using and manipulating the 3D CAD model information, scheduling and quantity estimation could be developed more quickly and effectively. So the 3D CAD model information is made use of not only drawing a blueprint but also playing an important part of data integration platform. The scheduling module sets up the schedule generation logic that consists of period, priority of element arrangement, and time lag of floor placement. It sorts the working items as a priority of working process. And the quantity estimation module queries the material quantity of the structural elements according to the scheduling conditions. These two modules are developed using the 3D CAD model information and assist the function of 4D CAD model.

한국어 가짜 구매후기 생성과 탐지 성능 평가

강주영,송민 한국지능정보시스템학회 2024 지능정보연구 Vol.30 No.2

최근 챗지피티(ChatGPT)가 선풍적인 인기를 끌면서 일반 대중들도 일상생활에서 인공지능을 통해 텍스트를 생성할 수있게 되었다. 이에 따라 아마존과 같은 전자상거래 플랫폼에서 챗지피티를 통해 생성된 글이 올라오기 시작하였다. 그러나 전자상거래 플랫폼에서 구매 후기가 다른 고객의 구매 의사결정에 영향을 미칠 수 있다는 점에서 인공지능에 의해 생성된 가짜 구매후기를 탐지하는 것은 중요하다. 하지만 현재 한국에 생성된 텍스트에 대한 공개된 데이터셋이 없는 상황 이다. 이에 따라 본 연구는 두 단계 1) 가짜 구매후기 생성, 2) 가짜 구매후기 탐지로 진행되었다. 우선, 수집된 후기로 지시어 기반의 언어모델인 KULLM을 미세 조정하여 텍스트를 생성하였다. 생성된 텍스트의 품질은 자동 평가지표(혼란도, Rouge-L)와 사람의 지각평가를 통해 측정되었다. 그 후 분류 데이터셋을 구축하여 네 가지 BERT 기반의 언어모델과 DetectGPT 방법론을 탐지성능평가에 활용하였다. BERT 기반 언어모델의 평균 F1 점수는 0.98 이상으로 높은 탐지 성능을 보였다. DetectGPT의 F1 점수는 생성에 활용한 모델을 탐지에 그대로 활용한 경우에는 0.85, 모르는 경우에는 0.66의성능을 보여 언어모델 대비 낮은 탐지 성능을 보였다. 그러나 텍스트 생성에 활용되지 않은 다른 모델을 탐지에 활용한 경우에는 전처리가 성능을 향상시키는 것을 확인하였다. 본 연구의 기여점은 다음과 같다. 우선, 언어모델을 통한 가짜 구매 후기 데이터셋을 구축하였다. 또한 언어모델의 이진분류를 통한 성능 비교 외에도 새로운 방법론인 DetectGPT를 한국어에 적용하고, 생성된 모델을 아는 경우와 모르는 경우의 탐지 성능을 모두 측정하였다. 실무적으로는, 사람들이 거대언어모델이 생성한 텍스트를 식별하기 어렵다는 점을 확인함으로써 플랫폼은 생성된 구매후기를 관리해야한다는 점을 시사하였다. As ChatGPT has recently gained tremendous popularity, the public is able to generate text through generative AI in their daily lives. Consequently, reviews generated by ChatGPT have begun to appear on e-commerce platforms like Amazon. Since reviews on these platforms can influence other customers’ purchasing decisions, it is important to detect fake reviews generated by AI. However, there is no available dataset of generated texts in Korea. Therefore, this study was conducted in two stages: 1) fake reviews generation and 2) fake reviews detection. First, KULLM was fine-tuned to generate fake reviews. The quality of the texts were measured using automatic evaluation metrics (perplexity, Rouge-L) and human perception survey. Subsequently, four BERT-based language models and the DetectGPT were used for detection. The BERT-based language models showed high detection performance with average F1 scores above 0.98. In contrast, the DetectGPT had a relatively lower F1 score. The performance was 0.85 when the same model used for generation was also used for detection, and it was 0.66 when a different model was used for detection. However, preprocessing of texts improved performance when a different model, not used for text generation, was utilized for detection. The contributions of this study are as follows. First, we constructed LLM-generated text dataset for Korean. Also, we compared the detection performance of different models including BERT-based models and DetectGPT. Practically, this study indicates that people are hard to distinguish texts generated by large language models, suggesting that platforms need to manage these fake reviews to enhance the reliability of online reviews.

사용자 건강 상태알림 서비스의 상황인지를 위한 기계학습 모델의 학습 데이터 생성 방법

문종혁,최종선,최재영 한국정보처리학회 2020 정보처리학회논문지. 소프트웨어 및 데이터 공학 Vol.9 No.1

In the context-aware system, rule-based AI technology has been used in the abstraction process for getting context information. However, the rules are complicated by the diversification of user requirements for the service and also data usage is increased. Therefore, there are some technical limitations to maintain rule-based models and to process unstructured data. To overcome these limitations, many studies have applied machine learning techniques to Context-aware systems. In order to utilize this machine learning-based model in the context-aware system, a management process of periodically injecting training data is required. In the previous study on the machine learning based context awareness system, a series of management processes such as the generation and provision of learning data for operating several machine learning models were considered, but the method was limited to the applied system. In this paper, we propose a training data generating method of a machine learning model to extend the machine learning based context-aware system. The proposed method define the training data generating model that can reflect the requirements of the machine learning models and generate the training data for each machine learning model. In the experiment, the training data generating model is defined based on the training data generating schema of the cardiac status analysis model for older in health status notification service, and the training data is generated by applying the model defined in the real environment of the software. In addition, it shows the process of comparing the accuracy by learning the training data generated in the machine learning model, and applied to verify the validity of the generated learning data. 다양한 분야에서 활용되는 상황인지 시스템은 상황정보를 획득하기 위한 추상화 과정에서 규칙 기반의 인공기능 기술이 기존에 사용되었다. 그러나 서비스에 대한 사용자의 요구사항이 다양해지고 사용되는 데이터의 증대로 규칙이 복잡해지면서 규칙 기반 모델의 유지보수와 비정형 데이터를 처리하는데 어려움이 있다. 이러한 한계점을 극복하기 위해 많은 연구들에서는 상황인지 시스템에 기계학습 기술을 적용하였으며, 이러한 기계학습 기반의 모델을 상황인지 시스템에 사용하기 위해서는 주기적으로 학습 데이터를 제공해야 한다. 이에 기계학습 기반 상황인지 시스템에 대한 선행연구에서는 여러 개의 기계학습 모델을 적용하기 위한 학습 데이터 생성, 제공 등의 과정을 보였으나 제한된 종류의 기계학습 모델만을 적용 가능하여 확장성이 고려되어야 한다. 본 논문은 기계학습 기반의 상황인지 시스템의 확장성을 고려한 기계학습 모델의 학습 데이터 생성 방법을 제안한다. 제안하는 방법은 시스템의 확장성을 고려하여 기계학습 모델의 요구사항을 반영할 수 있는 학습 데이터 생성 모델을 정의하고 학습 데이터 생성 모듈을 바탕으로 각각의 기계학습 모델의 학습 데이터를 생성하는 것이다. 시스템의 확장성의 검증을 위해 실험에서는 노인의 건강 상태 알림 서비스를 위한 심박상태 분석 모델을 대상으로 한 학습데이터 생성 스키마를 기반으로 학습데이터 생성 모델을 정의하고 실환경에서 정의된 모델을 S/W에 적용하여 학습데이터를 생성한다. 또한 생성된 학습데이터의 유효성을 검증하기 위해 사용되는 기계학습 모델에 생성한 학습데이터를 학습시켜 정확도를 비교하는 과정을 보인다.

톰슨 샘플링 기반의 신약 후보 물질 디자인을 위한 심층 생성 모델

최건우,장효순,서상민,최종환,김병주,박상현,최상민,박치현 한국정보과학회 2022 데이타베이스 연구 Vol.38 No.3

De novo drug design approach, which aims to create a completely novel molecules non-existent in the previous compound library, adopts various machine learning methods such as generative model, reinforcement learning and optimization algorithm. Most of the existing studies suggest the generative model which controls one property. Along with creating a generator, one of the most important factors to be considered in designing an algorithm is an optimization method which can simultaneously guarantee various properties that the molecules must have. One way to implement it on a deep generative model is to estimate the posterior distribution through sampling and then optimize the generator in a direction to satisfy multiple purposes. In this manner, we propose a novel method which optimizes the posterior distribution of the generative model with the generated data which satisfy multiple objectives through self-data augmentation and learning by incorporating the Thomson sampling technique into VAE (Variational Auto-Encoder). To demonstrate the feasibility of the proposed method, we aimed at generating molecules for BCL2 family proteins and compared the binding affinity of the proposed method with several baseline models. The practical usability of the proposed method was confirmed by measuring the various chemical properties and synthesizability of the molecules. 심층 생성 모델, 강화학습, 최적화 알고리즘 기반으로 새로운 신약 후보 물질을 생성하는 약물 디자인 연구는 대부분 단백질 한 개의 기능을 조절할 수 있는 저분자화합물 디자인 모델을 제시하고 있지만, 목적하는 적응증의 메커니즘에 따라 여러 단백질의 기능을 조절하고, 단백질 외에 화학적 특성을 고려할 수 있는 다중 목적 최적화 기반의 약물 디자인 방법론이 요구되고 있다. 심층 생성 모델로 이를 구현할 수 있는 한 가지 방법은 샘플링을 통해 사후 확률 분포를 추정한 후 다중 목적을 만족하는 방향으로 생성 모델을 최적화하는 것이다. 이를 위해 본 연구에선 심층 생성 모델인 Variational Auto Encoder에 톰슨 샘플링 기법을 접목하여, 자체 데이터 증강과 학습을 통해 다중 목적을 만족하는 데이터를 생성하고, 이를 통해 생성 모델의 사후 분포를 최적화하는 방법을 제안한다. 본 연구에서는 BCL2 패밀리 단백질들을 표적으로 약물 생성을 제안하는 모델과 여러 베이스라인 모델이 생성한 화합물들의 결합 친화도를 비교하였으며, 생성된 물질에 대한 화학적인 특성 지표와 물질의 합성 가능성 스코어를 통해 제안하는 방법의 실제 활용 가능성을 제시하였다.

내장형 시스템을 위한 사용자 인터페이스 모델 기반 모바일 웹앱 자동 생성 도구

최기봉(Kibong Choi),김세화(Saehwa Kim) 한국정보과학회 2017 정보과학회 컴퓨팅의 실제 논문지 Vol.23 No.1

본 논문에서는 사용자 인터페이스(UI) 모델로부터 모바일 웹앱을 자동으로 생성하는 도구를 제시한다. UI 모델은 UI 중심적인 내장형 시스템을 UI 모델링을 통해 효율적으로 개발하기 위한 방법인 PELUM(Pattern and Event based Logical UI Modeling)을 기반으로 한다. 본 논문에서 제시하는 도구는 모델 편집기와 코드 생성기로 이루어져 있다. 모델 편집기는 웹 상에서 논리적 UI 모델(LUM)과 프로그래밍 인터페이스 모델(PIM)을 모델링하는 환경을 제공한다. 코드 생성기는 LUM을 기반으로 앱의 화면구성 및 이벤트 동작을 설정하고 PIM을 기반으로 로컬 데이터베이스 스키마를 자동으로 구성하여 모바일 웹앱을 생성한다. 또한 PIM에서 외부 혹은 open API 주소를 입력 받아 매쉬업 웹앱을 생성하는 기능도 제공한다. 생성된 모바일 웹앱은 사용자가 손쉽게 최적화할 수 있도록 Model-View-Controller(MVC) 아키텍처로 구현하였다. 이를 통해 사용자는 웹 상에서 UI를 모델링하여 여러 기기에서 동작 가능한 모바일 웹앱을 생성할 수 있다. This paper presents a tool that automatically generates mobile web applications from user interface (UI) models which are based on PELUM (Pattern and Event based Logical User Interface Modeling). PELUM is a method for the effective development of UI-centered embedded systems via UI modeling. The proposed tool consists of a model editor and a code generator. The former provides an environment for modeling a Logical UI Model (LUM) and a Programming Interface Model (PIM) on the web. On the other hand, the code generator sets the screen configuration and events’ behavior, according to the LUM, synthesizing a local database schema according to the PIM, and then generates an executable mobile web app. It also can produce mashup web apps by receiving an open API address via the PIM. The generated mobile web apps follow the Model-View-Controller (MVC) architecture in order for users to easily customize them. The proposed tool enables them to generate mobile web apps that can be executed on various devices by modeling logical UIs on the web.

공동생성적 대화가 중학생의 과학적 모델에 관한 이해와모델 구성에 미치는 영향

김지윤,최승언,김찬종 한국지구과학회 2016 한국지구과학회지 Vol.37 No.4

본 연구의 목적은 공동생성적 대화가 인식론적 측면에서 학습자의 과학 모델에 관한 이해와, 실행 과정의 측면에서 모델 구성에 미치는 영향을 살펴보는 것이다. 서울 소재 여자중학교 1학년 49명의 학생들에게 총 5차시 모델 구성 수업을 실시한 후 공동생성적 대화에 참여한 2개 조(8명)의 학생들과 참여하지 않은 2개 조(9명)의 학생들의 모델에 관한 이해와 모델 구성을 비교하였다. 모델에 관한 이해는 Upmeier zu Belzen and Krüger (2010)의 분석틀을 사용하였고, 모델 구성 과정은 Baek et al. (2011)의 분석틀을 수정 및 보완하여 분석하였다. 그 결과 전반적으로 공동생성적 대화에 참여한 학생들은 그렇지 않은 학생보다 과학적 모델에 관한 이해와 모델 구성 수준이 높게 나타났다. 공동생성적 대화에 참여한 조의 학생들은 모델을 새로운 현상을 설명할 수 있는 가설로 인식하였지만, 참여하지 않은 조의 학생들은 모델을 현상을 이해하는 수단으로 인식하였다. 본 연구는 학생들의 모델 구성 과정을 측정하는 분석틀을 마련하여 학교 현장에 유용하게 사용할 수 있게 하였다. 또한 새로운 학습 방법으로써 공동생성적 대화를 모델 구성 수업에 적용했다는 점에서 의의가 있다. The purpose of this study was to explore the effects of Cogenerative Dialogues embedded in a modelingcentered science learning and instruction on 7th grade female studentsí understanding of scientific models and modelling A total of 49 7th grade female students in two classrooms participated in a series of five modeling-centered science lessons, and 17 students volunteered to participate in this study. Participating students were divided into four groups, and two groups were randomly assigned to a treatment group who were asked to participate in Cogenerative Dialogues after each lesson, while the others, a control group, who did not. For data analysis, Upmeier and Krüger’s framework was used to explore participantsí understanding of model, and a revised Baekís framework was used to examine participantsí modeling process. Data analysis indicated that students who participated in Cogenerative Dialogues generally showed richer understanding of scientific models, as well as modeling, than the others who did not. This study suggests that Cogenerative Dialogues can be used as an educationally meaningful method for science educators to encourage students actively participate in a whole process of science instruction and learning, which assists them to increase their understanding not only of scientific models and modeling specifically but also of the nature and processes of scientific practice in general.

시각화 오토인코더를 사용한 학습된 심층신경망의 잠재공간 조작 시스템

고영민,이은주,민정익,고선우 한국EA학회 2023 정보기술아키텍처연구 Vol.20 No.4

최근에 생성모델, 특히 ChatGPT와 DALLE-3과 같은 생성모델들은 사회에 큰 영향을 미치며, 이러한 모델들의 잠재공간을 정교하게 조작하고 이해하는 기술이 중요해지고 있다. 본 논문에서는 학 습된 생성모델의 잠재공간을 시각화하여 조작하는 새로운 방법인 “시각화 오토인코더” 방법을 제안한 다. 이 방법은 생성모델의 잠재벡터를 입력으로 하여 3차원 이하의 시각화 가능한 차원으로 축소하여 조작하는 것을 목표로 한다. 본 연구에서는 생성모델의 잠재공간 조작을 “관심 있는 샘플 생성”과 “샘 플 간 변환 과정 시각화” 두 가지로 정의하고, 이를 위해 필요한 수학적 성질 “일대일 대응”과 “locally smoothness”를 가정한 심층신경망 기반의 생성모델로 제한한다. MNIST 데이터셋을 사용하여 실험 한 결과 이러한 성질을 만족하는 심층신경망 모델에 대해 제안된 시각화 오토인코더 방법으로 관심 있는 샘플을 생성, 변환 과정을 시각화할 수 있음을 확인하였다. Recent generative models, especially generative models such as ChatGPT and DALLE- 3, have had a great impact on society, and technology to intricately manipulate and understand the latent space of these models is becoming important. In this paper, we propose the “Visualization Autoencoder” method, a new method that visualizes and manipulates the latent space of the learned generative model. This method aims to manipulate the latent vectors of the generative model by reducing them to three or less dimensions that can be visualized. In this study, the latent space manipulation of the generative model is defined as two types: “generating samples of interest” and “visualizing the transformation process between samples”. For this purpose, we limit our-selves to a deep neural network-based generative model that assumes the necessary mathematical properties “one-to-one correspondence” and “locally smoothness”. As a result of experiments using the MNIST dataset, we confirmed that the proposed visualization autoencoder method for a deep neural network model that satisfies these properties can generate samples of interest and visualize the conversion process.