-
- 허재필 교수 연구실, ICCV 2021 국제학술대회 논문 2편 게재 승인 (노해찬 박사과정, 김태호 석박통합과정, 주원영 석사과정)
- 비주얼컴퓨팅연구실(지도교수: 허재필)의 논문 2편이 컴퓨터 비전 및 인공지능 분야의 Top-tier 학술대회인 IEEE/CVF International Conference on Computer Vision (ICCV) 2021 에 게재 승인되었습니다 논문 #1: “Product Quantizer Aware Inverted Index for Scalable Nearest Neighbor Search” (인공지능학과 박사과정 노해찬 학우, 인공지능학과 석박통합과정 김태호 학우) 논문 #2: “Collaborative Learning with Disentangled Features for Zero-shot Domain Adaptation” (인공지능학과 석사과정 주원영 학우) “Product Quantizer Aware Inverted Index for Scalable Nearest Neighbor Search” 에서는 대용량 데이터 베이스에 대한 최근접 이웃 근사(Nearest Neighbor Approximation) 기술에 사용되는 역색인 (Inverted Indexing) 구조의 새로운 학습 방법을 제시하였습니다. 기존의 기술들은 탐색 속도의 복잡도를 줄이기 위한 역색인 구조와 속도 및 메모리 사용량을 줄이기 위한 손실 압축 기법을 동시에 사용하지만 각각의 기법은 독립적으로 학습되었습니다. 본 연구에서는 이 두 가지 기법을 공동 최적화 (Joint Optimization)를 통해 압축 기법의 왜곡 (Distortion) 을 줄이는 학습 방법을 제안하여 대용량 데이터 베이스에 대한 최근접 이웃 근사 기술 분야에서 가장 높은 성능을 달성하였습니다. “Collaborative Learning with Disentangled Features for Zero-shot Domain Adaptation” 연구에서는 전이학습의 한 분야인 Zero-shot Domain Adaptation (ZSDA) 을 위한 새로운 프레임워크를 제시하였습니다. ZSDA는 타겟 도메인의 특정 클래스에 대한 데이터가 존재하지 않을 때, 다른 클래스들의 도메인 변화 (Domain Shift) 를 포착하여 도메인 적응을 시도하는 기술입니다. 제안하는 모델에서는 이미지에서 도메인 특징점과 의미론적 (Semantic) 특징점을 추출한 뒤, 두 특징점간의 협력적 학습과정 (Collaborative Learning) 을 통해 클래스를 예측하도록 설계하였습니다. 제안된 모델은 현재 ZSDA 분야에서 가장 높은 성능을 달성하였으며, 추후 Zero-shot Learning 및 도메인 적응 연구에 큰 도움이 될 것입니다. [논문 #1 정보] Product Quantizer Aware Inverted Index for Scalable Nearest Neighbor Search Haechan Noh, Taeho Kim, and Jae-Pil Heo IEEE/CVF International Conference on Computer Vision (ICCV), 2021 Abstract: The inverted index is one of the most commonly used structures for non-exhaustive nearest neighbor search on large-scale datasets. It allows a significant factor of acceleration by a reduced number of distance computations with only a small fraction of the database. In particular, the inverted index enables the product quantization (PQ) to learn their codewords in the residual vector space. The quantization error of the PQ can be substantially improved in such combination since the residual vector space is much more quantization-friendly thanks to their compact distribution compared to the original data. In this paper, we first raise an unremarked but crucial question; why the inverted index and the product quantizer are optimized separately even though they are closely related? For instance, changes on the inverted index distort the whole residual vector space. To address the raised question, we suggest a joint optimization of the coarse and fine quantizers by substituting the original objective of the coarse quantizer to end-to-end quantization distortion. Moreover, our method is generic and applicable to different combinations of coarse and fine quantizers such as inverted multi-index and optimized PQ. [논문 #2 정보] Collaborative Learning with Disentangled Features for Zero-shot Domain Adaptation Won Young Jhoo, and Jae-Pil Heo IEEE/CVF International Conference on Computer Vision (ICCV), 2021 Abstract: Typical domain adaptation techniques aim to transfer the knowledge learned from a label-rich source domain to a label-scarce target domain in the same label space. However, it is often hard to get even the unlabeled target domain data of a task of interest. In such a case, we can capture the domain shift between the source domain and target domain from an unseen task and transfer it to the task of interest, which is known as zero-shot domain adaptation (ZSDA). Most of existing state-of-the-art methods for ZSDA attempted to generate target domain data. However, training such generative models causes significant computational overhead and is hardly optimized. In this paper, we propose a novel ZSDA method that learns a task-agnostic domain shift by collaborative training of domain-invariant semantic features and task-invariant domain features via adversarial learning. Meanwhile, the spatial attention map is learned from disentangled feature representations to selectively emphasize the domain-specific salient parts of the domain-invariant features. Experimental results show that our ZSDA method achieves state-of-the-art performance on several benchmarks.
-
- 작성일 2021-08-30
- 조회수 542
- 첨부파일 (0)
-
- 인공지능 그랜드 챌린지 5차대회 1단계 개최 결과 발표 (성균관대학교 3개 팀 최다 선정)
- 과학기술정보통신부는 '인공지능 그랜드 도전잇기(챌린지)' 5차 대회 1단계 결과를 6/30(수) 19시, 인공지능 그랜드 도전잇기 누리집을 통해 발표하였다. '인공지능 그랜드 도전잇기' 대회는 제시된 문제를 해결하기 위해 참가자들이 자발적으로 진행한 사전 연구를 바탕으로 실력을 겨루는 도전, 경쟁형 연구개발 R&D 경진대회이다. '인공지능 기술을 활용하여 주어진 수학 문제를 해결하라'는 주제로 진행되고 있는 인공지능 그랜드 도전잇기 5차대회는 문제의 이해와 수리적 사고에 기반 한 복합지능 기술 확보를 목표로 '22년까지 2년간 총 3단께로 진행되며, 1단계 대회는 '문자(텍스트)로 구성된 서술형 수학문제의 풀이과정과 해답을 제시하라!'라는 주제로 9개 유형, 7개 난이도에 걸쳐 총 1,047개의 수학문제가 출제되었다. 대회에는 총 75개팀 343명이 참가신청서를 제출하였으며, 그 결과 산업계 8개 팀, 학계 9개 팀, 연구계 1팀, 개인 2개 팀 등 20개 팀이 선발되었다. 선발된 20개 팀 중 성균관대학교의 3개 팀이 최다 선정되었다. 선발팀들에게는 보다 고난이도의 문제 해결을 위한 후속연구비가 팀별로 2억 3,750만원 이내로 지원되고, 참가팀 대상 기술워크숍을 통해 대회 선발팀들 간 문제 해결방안을 공유하고 논의할 수 있는 기회를 제공할 예정이다.
-
- 작성일 2021-07-08
- 조회수 1069
- 첨부파일 (0)
-
- 이재명 "청년세대 기회 부족…AI 등 미래산업으로 길 열어야", 연합뉴스
- 사진제공: 경기도 관련기사 링크: https://www.yna.co.kr/view/AKR20210528154200061
-
- 작성일 2021-05-31
- 조회수 0
- 첨부파일 (0)
-
-
- (AI타임스)[기획연재] 현장 중심 실무형 전문가 양성... 성균관대 이지형 AI대학원장
- 관련 기사 http://www.aitimes.com/news/articleView.html?idxno=138118
-
- 작성일 2021-05-06
- 조회수 388
- 첨부파일 (0)
-
- 인공지능학과 이주상 교수 연구팀, 유전자 네트워크 활용한 암환자 맞춤의료 플랫폼 개발
- 인공지능학과 이주상 교수 연구팀, 유전자 네트워크 활용한 암환자 맞춤의료 플랫폼 개발 - 유전자 빅데이터를 합성치사 네트워크 관점에서 분석하여 환자에게 가장 적합한 치료법 제시 - 미국 국립암센터와 공동으로 임상시험 진행중 □ 암은 개개인의 편차가 심한 질병 중에 하나다. 그동안은 비슷한 종류의 암 환자에게는 유사한 치료법이 사용되었으나, 최근 유전자 및 임상 의료 데이터의 축적에 따라 환자의 빅데이터를 바탕으로 가장 적합한 치료법을 선택해 치료하는 암 환자 개인 맞춤형 의료가 대두되고 있다. □ 암은 돌연변이의 축적으로 발생하는 질병이기 때문에, 현재 개인 맞춤형 항암 치료는 유전체의 돌연변이에 집중되어 있다. 그러나 암 환자에게 일어나는 모든 돌연변이에 대해 항암제가 개발된 것이 아니기 때문에, 기존의 개인 맞춤형 항암 치료를 통해서 유익을 얻는 환자의 숫자는 기대에 못 미치는 편이다. □ 이에 성균관대학교(총장 신동렬) 의과대학/인공지능학과 이주상 교수 연구팀 (다음세대 의학연구실, 홈페이지: https://leejoosang.wixsite.com/ngml, 트위터: https://twitter.com/joo_sang_lee)은 미국 National Cancer Institute의 Eytan Ruppin 교수 연구팀과 함께 기존의 개인 맞춤형 의료를 획기적으로 개선할 수 있는 새로운 의료 플랫폼 셀렉트(SELECT)를 개발하였다. □ 이 플랫폼은 기존의 방식과 두 가지 면에서 차별된다. 첫째, 암세포에서는 유전체의 돌연변이뿐만 아니라 다양한 유전적인 변이가 나타나는데, 연구진은 최근의 임상 시험 결과들을 바탕으로 유전자 발현 패턴(transcriptomics)의 변화에 초점을 맞췄다. □ 둘째, 하나의 유전자는 세포 내에서 많은 다른 유전자들과 네트워크를 이루며 긴밀한 상호작용을 한다. 연구진은 이러한 유전자 상호작용 중에 암 치료와 직접적으로 연결되는, 암세포의 생존에 치명적인 영향을 끼치는 합성치사 상호작용(synthetic lethal interaction)을 선별하여 항암 맞춤 치료에 이용하고자 하였다. □ 현재 실험적인 방법으로 암 환자의 치료에 직접적인 도움을 줄 수 있는 유전자 네트워크를 밝혀내기는 쉽지 않다. 이 난제를 극복하고자 연구진은 빅데이터의 힘을 활용하였다. 대량의 암환자 유전자 및 임상 데이터를 분석하여 암치료에 유익한 합성치사 관계를 예측하는 알고리즘을 개발하였다. 이 알고리즘을 이용하면 개별 항암 치료제의 치료 효과를 예측할 수 있는 유전자 생체지표를 밝혀낼 수 있다. □ 이렇게 밝혀진 합성치사 유전자 생체지표는 기존의 맞춤 치료를 획기적으로 발전시킬 잠재력을 가진다. 먼저 항암제가 효과가 있을지를 치료하기 전에 환자의 유전자 데이터만 가지고 예측함으로써 불필요한 치료를 막을 수가 있고, 환자에게 가장 효율적인 치료를 제공할 수 있다. □ 이를 검증하기 위해 연구진은 세계 각국의 암센터에서 실시된 다양한 암종과 표적 치료제 및 면역 치료제를 아우르는 약 4,000 명 이상의 환자가 참여한 48개의 임상 시험 데이터를 분석하였다. 연구진이 발견한 유전자 네트워크는 80% 의 표적 및 면역 항암제에 대하여 환자의 반응률 및 생존율을 기존의 다른 어떤 생체지표보다 정확하게 예측할 수 있었다. □ 더 나아가 이 합성치사 생체지표는 암 환자에게 가장 적합한 치료법을 예측할 수 있는 가능성을 제시하고 있다. 유전자 발현 데이터를 바탕으로 최근 시행된 국제 공동 임상시험 데이터와 비교 분석한 결과, 기존의 접근법이 제공하는 것보다 2배가 넘는 환자에게 가장 효과적인 치료법을 제시할 수 있는 것으로 나타났다. □ 이 연구의 결과는 매우 고무적이며, 독립적인 임상 시험을 통해서 검증하는 단계가 남아있다. 연구진은 현재 미국 국립암센터(National Cancer Institute), 삼성서울병원(Samsung Medical Center) 등과 함께 이 연구에서 밝혀진 유전자 네트워크가 암 환자에게 개인 맞춤 치료를 제공함으로써 실질적으로 암 환자의 생존율을 높일 수 있는지를 확인하기 위한 임상 시험을 계획하고 있다. 이 임상 시험이 성공한다면 새로운 치료법을 기다리는 많은 암 환자와 의료진에게 희망을 제시할 수 있을 것으로 보인다. □ 이주상 교수는 “다양한 암종과 치료제에 대하여 단일 플랫폼을 바탕으로 상당한 예측력을 보이는 것이 SELECT의 힘입니다. 앞으로 대용량의 유전체 데이터와 발전된 인공지능 모델을 이용하여 암 정밀의학을 혁신해 나가는 것이 다음세대 의학연구실의 목표입니다.”라며 앞으로의 연구를 내다보고 있다. □ 이 연구는 일부 한국연구재단 의약학분야 기초연구사업의 중견연구 지원사업으로 수행되었으며, 연구 성과는 세계적인 학술지 ‘셀 (Cell)’에 2021년 4월 13일 온라인 게재되었다(https://www.cell.com/cell/fulltext/S0092-8674(21)00361-5). □ 논문명: Synthetic lethality mediated precision oncology via the tumor transcriptome □ 저자: 이주상 교수 (제1저자, 교신저자, 성균관대), 정영민 (공동저자, 성균관대), 김다솔 (공동저자, 성균관대), Eytan Ruppin (교신저자, 미국국립암센터). 연구자 이력사항 <이주상 교수, 제1저자, 교신저자> 1. 인적사항 ○ 소 속 : 성균관대학교 의과대학/인공지능학과 ○ 전 화 : 031-299-6107 (유선번호) ○ 이메일 : joosang.lee@skku.edu 2. 학력 ○ 2005 KAIST 물리학 학사 ○ 2012 Northwestern University 물리학 박사 3. 경력사항 ○ 2012 ~ 2014 Northwestern Physical-Sciences Oncology Center, Post Doc. ○ 2014 ~ 2018 University of Maryland, Research Associate ○ 2018 ~ 2019 National Cancer Institute, Staff Scientist 4. 전문분야 정보 : Artificial Intelligence and Data Science 5. 연구지원 정보 ○ 2019 ~ 2021 SMC-SKKU Future Research Fund ○ 2020 ~ 2021 Medical Research Center ○ 2020 ~ 2023 National Research Fund of Korea, Senior Research Project
-
- 작성일 2021-04-14
- 조회수 729
- 첨부파일 (0)
-
- 허재필 교수 연구실, 현상익 석사과정, 김지환 박사과정 CVPR 2021 국제학술대회 논문 게재
- 비주얼컴퓨팅연구실(지도교수: 허재필)의 현상익 (인공지능학과 석사과정)와 김지환 (인공지능학과 박사과정)가 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021에 “Self-Supervised Video GANs: Learning for Appearance Consistency and Motion Coherency” 논문을 게재하였습니다. CVPR는 컴퓨터 비전 및 인공지능 분야의 Top-tier 학술대회이며, 2021년에는 온라인으로 개최됩니다. 본 연구에서는 비디오를 생성하는 적대적신경망(Generative Adversarial Networks, GANs)의 성능 향상을 위한 자가학습(Self-Supervised Learning) 기술을 제시하였습니다. 비디오 컨텐츠를 영상의 모습(Appearance)과 움직임(Motion)의 조합으로 정의하고, 모습 및 움직임의 일관성을 가진 자연스러운 비디오 생성을 위해 각각의 성분에 대한 자가학습목표(Self-supervision Objective)를 모델링 하였습니다. 제안된 모델(SVGAN)은 현재 비디오 생성 분야에서 가장 높은 성능을 달성하였으며, 현재 이미지 생성에 집중되어 있는 GAN 연구가 비디오 도메인으로 확장될 수 있도록 하는 밑거름이 될 것입니다. [논문 정보] Self-Supervised Video GANs: Learning for Appearance Consistency and Motion Coherency Sangeek Hyun, Jihwan Kim, and Jae-Pil Heo IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021 Abstract: A video can be represented by the composition of appearance and motion. Appearance (or content) expresses the information invariant throughout time, and motion describes the time-variant movement. Here, we propose selfsupervised approaches for video Generative Adversarial Networks (GANs) to achieve the appearance consistency and motion coherency in videos. Specifically, the dual discriminators for image and video individually learn to solve their own pretext tasks; appearance contrastive learning and temporal structure puzzle. The proposed tasks enable the discriminators to learn representations of appearance and temporal context, and force the generator to synthesize videos with consistent appearance and natural flow of motions. Extensive experiments in facial expression and human action public benchmarks show that our method outperforms the state-of-the-art video GANs. Moreover, consistent improvements regardless of the architecture of video GANs confirm that our framework is generic.
-
- 작성일 2021-04-06
- 조회수 573
- 첨부파일 (0)
-
- 데이터 지능 및 학습 연구실(지도교수: 이종욱 교수) 웹 정보 검색 및 자연어 처리 분야 저명한 국제 학술대회(WSDM, WWW, NAACL)에 3편의 논문 게재
- 데이터 지능 및 학습 연구실(지도교수: 이종욱 교수) 웹 정보 검색 및 자연어 처리 분야 저명한 국제 학술대회(WSDM, WWW, NAACL)에 3편의 논문 게재 1. Minjin choi, Yoonki Jeong, Joonseok Lee, Jongwuk Lee, “Local Collaborative Autoencoders” ACM International Conference on Web Search and Data Mining (WSDM), 2021 2. Minjin choi, Jinhong Kim, Joonseok Lee, Hyunjung Shim, Jongwuk Lee, “Session-aware Linear Item-Item Models for Session-based Recommendation” The Web Conference (WWW), 2021 3. Minjin choi, Sunkyung Lee, Eunseong Choi, Heesoo Park, Junhyuk Lee, Dongwon Lee, Jongwuk Lee, “MelBERT: Metaphor Detection via Contextualized Late Interaction using Metaphorical Identification Theories,” Annual Conference of the North American Chapter of the Association for Computational Linguistics (NAACL), 2021 참여 연구원 명단 최민진, 정윤기, 김진홍, 이선경, 최은성 (왼쪽부터) 1. 사용자 선호도의 지역적 특성을 고려한 추천 모델 개발 (WSDM 2021). 추천 모델은 사용자의 숨겨진 선호도를 추론하여 사용자가 선호하는 소량의 정보를 효과적으로 제공하기 위한 학습 모델을 의미한다. 최근 연구되는 많은 수의 추천 모델은 사용자간 유사한 평점 패턴을 기반으로 추천 결과를 제공하는 협업 필터링을 기반으로 하고 있다. 본 연구진은 기존의 협업 필터링 모델이 모든 사용자의 패턴을 고려하여 학습하기에 특정 사용자의 선호도를 효과적으로 파악하는데 어려움이 있음을 발견하고, 이를 개선하기 위해 지역적 패턴을 고려하여 학습할 수 있는 방법을 제안하였다. 제안 방법을 통해 기존 추천 모델 대비 정확도가 7.95%까지 개선될 수 있음을 확인하였다. 2. 선형 기반 세션 추천 모델 개발 (WWW 2021). 최근 주목을 받고 있는 세션 기반 추천 모델은 (1) 사용자의 정보를 요구하지 않으면서 (2) 특정 세션 내에서 사용자의 숨겨진 선호도를 파악하여 추천 결과를 제공하는 것을 목적으로 한다 (아래 그림 참고). 이와 같은 방식은 사용자 정보를 요구하지 않아 범용적으로 활용성이 높은 장점이 있으나, 기존의 추천 모델 대비 데이터의 희소성이 대폭 증가하여 정확도를 높이기 어려운 단점이 있다. 또한, 실시간으로 결과를 빠르게 제공해야 하는 추천 시스템의 제약 조건도 함께 고려되어야 한다. 본 연구진은 이와 같은 문제를 해결하기 위해 항목 간 관련성을 효과적으로 파악할 수 있는 세션 기반 선형 모델을 제안하였다. 제안 모델은 기존의 많은 학습 파라미터를 통해 정확도를 개선하고자 하는 심층 신경망 기반 추천 모델 대비 파라미터 수가 적고 계산이 간단하기 때문에 빠른 학습 시간과 추론 시간을 보인다. 더하여, 기존의 심층 신경망 모델과 비슷한 추천 정확도를 보임을 확인할 수 있었다 3. BERT 기반 은유 탐지 모델 개발 (NAACL 2021). 은유는 특정 단어에 대해서 행동, 개념 및 물체 등을 유사한 성질을 가진 다른 말로 대체해서 사용하는 비유법 중 하나로 인간의 고차원적인 언어 사용 방법을 의미한다. 예를 들어 “발레리나가 백조 같다.” 고 표현하였을 때, 백조의 의미는 사전의 의미의 동물을 의미하는 것이 아닌 우아한 행동을 비유한 것으로 해석할 수 있다. 본 연구진은 특정 문장에서 은유 표현을 담고 있는 단어를 분류하기 위한 모델을 개발하였으며, 은유 탐지를 위한 두 가지 언어학적 이론을 기반으로 최근 많이 활용되고 있는 언어 이해 모델 중 하나인 BERT에 접목하였다. 실험 결과, 제안 모델은 은유 탐지 분류의 정확도를 VUA 데이터셋에서 F1-Score를 기준으로 79.8%까지 달성함을 확인할 수 있었다.
-
- 작성일 2021-03-25
- 조회수 849
- 첨부파일 (0)
-
- 박현진 교수 연구실 정승완, 최지은 석사과정 2021 구강계질환 의료영상 인공지능 경진대회 수상
- 정보통신대학 전자전기공학부 박현진 교수 연구팀(오영택 전자전기컴퓨터공학과 석사과정, 정승완 인공지능학과 석사과정, 최지은 인공지능학과 석사과정, 이혜빈 전자전기컴퓨터공학과 석사과정, 김은진 전자전기컴퓨터공학과 석사과정)은 삼성서울병원과 아주대학교병원이 공동 주최하고 ㈜마인즈앤컴퍼니가 주관하는 대회인 ‘2021 구강계질환 의료영상 인공지능(AI) 경진대회’ 구강암 분류 모델 구축 부문에서 1위(팀명 Nekaravuru)와 3위(팀명 지진의 이해)를 차지했다고 밝혔다. 의료데이터의 특성상 제공되는 폐쇄망 서버에서 운영되며 구강내시경 이미지의 구강암의 존재 여부를 효율적으로 분류하는 딥러닝 모델을 개발해 내는 기술을 겨루는 대회이다. ‘2021 구강계질환 의료영상 인공지능(AI) 경진대회’는 한국지능정보사회진흥원이 주관하는 2020년도 2차 ‘인공지능(AI) 학습용 데이터 구축사업’의 일환으로 열렸다. 삼성서울병원 외 11개 병원 및 기관에서 구축한 데이터 셋을 기반으로 진행되었으며, 2월 18~24일까지 온라인으로 진행된 국내 최초의 치과 데이터 경진대회이다.
-
- 작성일 2021-03-10
- 조회수 543
- 첨부파일 (0)
-
- 인공지능과 함께 글쓰기! 제2회 AI x Bookathon 대회 개최
- AI백일장 BOOKATHON 대회 개최 - 15개 팀 총 61명의 학생 참여, 무박2일간 AI와 협업하여 2만 자에 달하는 수필 완성 - 국내 대학으로는 최초로 AI를 활용한 백일장 대회 개최 관련 기사 링크 https://webzine.skku.edu/skkuzine/section/coverStory.do?articleNo=87839&pager.offset=0&pagerLimit=10 https://www.skku.edu/skku/campus/skk_comm/news.do?mode=view&articleNo=87648&article.offset=0&articleLimit=10 인공지능과 함께 글쓰기! 제2회 AI X BOOKATHON 대회 ㅇ일시 : 1/20 (수) ~ 1/21 (목) ㅇ대상 : AI나 글쓰기에 관심있는 성균관대학교 학부 및 대학원 재학생, 휴학생 ㅇ상금 : 대상 200만원, 우수상 100만원, 장려상 50만원 ㅇ주관 : 성균관대학교 학술정보관, 대학혁신지원사업 ㅇ후원 : 성균관대학교 인공지능학과
-
- 작성일 2021-02-01
- 조회수 356
- 첨부파일 (0)