Notice
-
공지사항
-
학사
2020-1학기 온라인 시험 응시 매뉴얼 및 안내영상
2020-06-03
온라인시험 응시자를 위한 매뉴얼 및 안내영상입니다. 시험 응시 전 반드시 유의사항을 숙지하시기 바라며, 개인 PC 및 네트워크 환경을 사전 점검하시기 바랍니다. 시험 도중 시스템 에러 발생 시 당시 상황을 증명할 수 있도록 화면 캡처 등의 증빙 자료를 구비하여 주시기 바랍니다. * 본 시험 응시 전 반드시 과목별 모의시험 참여를 통해 개인 응시 환경을 사전 점검하여 주시기 바랍니다. * 응시 기기: 스마트폰, 태블릿 대신 컴퓨터를 사용해주세요. ※ 스마트폰으로 응시할 경우, 메뉴가 보이지 않거나 파일 업로드 오류가 발생할 수 있습니다. * 인터넷 브라우저: 타 인터넷 브라우저가 아닌 Chrome 브라우저로 응시해주세요. * 응시 장소: 카페, 대중교통, 야외 등 인터넷 환경이 불안정한 장소를 피해주세요. * 시험 응시 도중 개인 PC/네트워크 환경으로 인하여 예기치 못한 시스템 오류가 발생할 경우, 오류 화면과 당시 시각을 화면 캡처 또는 사진/동영상 촬영하여 담당 교수님 또는 TA님에게 제출하여 주시기 바랍니다. [아이캠퍼스 활용 온라인 시험 안내 영상] https://lcms.skku.edu/em/5ed4514b8403e [Webex 시험감독 활용방법 안내 영상] https://lcms.skku.edu/em/5ed459bd62ca6
-
학사
2020학년도 도전학기 온라인 설명회 안내
2020-06-02
우리 대학에서는 도전학기 프로그램에 대한 재학생들의 이해를 돕고 참여를 확산하고자 다음과 같이 온라인 설명회를 개최합니다. 학생 여러분의 많은 관심과 참여 바랍니다. 1. 대상 : 학부/대학원 재학생 및 관심있는 학내 구성원 2. 일시 : 2020.06.04.(목) 14:00~15:00 3. 진행방식 : Web-ex 로 진행 - 하단 링크에 접속하여 신청/도전학기에 대한 궁금한 사항 질문 - 신청자에게 접속 링크 발송 ◎ 사전신청 링크 bit.ly/2020challenge_on
-
일반
2020학년도(하계방학) 학내 연구실 현장실습 참여 신청 안내
2020-06-02
Co-op위원회가 주관하여 실시하는 2020학년도 하계방학 중 현장실습 프로그램에 참여를 희마하는 연구실은 다음을 참고하시어 신청하시기 바랍니다. 1. 신청기한 : 6.19.(금) 까지 2. 신청방법 : 아래의 서류를 Co-op 위원회에 이메일로 제출 가. 학내연구실 현장실습 운영계획서 1부 나. 학내연구실 현장실습생 동의서 1부 다. 제출 이메일 : coop@skku.edu ※ 자세한 사항은 첨부파일의 안내문 참조 □ 문의 : 산학사업팀 김연정 직원 031-290-4447
-
학사
2020-1학기 강의평가 시행 안내
2020-06-02
2020학년도 1학기 강의평가를 다음과 같이 시행하오니, 해당 기간 내에 반드시 강의 평가에 참여하시기 바랍니다. 1. 강의평가 기간 : 6.1.(월) 10:00~ 6.12.(금) 23:00 2. 강의평가 결과 공개 : 7.24.(금) 10:00~8.12.(수) 23:00 3. 평가방법 가. 인터넷 : GLS - 학업영역- 강의평가- 금학기 강의평가 나. 모바일/태블릿PC : KINGO M - GLS - 성적/학업영역- 금학기강의평가 ㅇ 유의사항 - 강의 평가기간 중 강의 평가를 완료한 학생에 한하여 성적공시 시간에 성적열람 및 이의신청 가능 ※ 강의평가 기간에 강의평가를 하지 못한 학생은 성적열람/이의 신청 불가 - 성적공시 마지막 날 하루동안 강의평가 완료 후, 성적열람 및 이의신청 가능 ■ 기타 사항 - 강의평가결과는 금학기 성적 확정 후 상기 공개 기간 내에 GLS를 통해 공개될 예정이오니 성실히 참여하여 주시기 바랍니다. - 모든 강의평가는 비공개로 실시되며, 참여자에 대한 익명이 보장됩니다. - 강의평가는 제출 후 수정이 불가하오니 문항 및 선택지를 명확히 확인하고 신중히 임해주시기 바랍니다. ○ 문의사항 : 학사바로센터 1811-8585 [Course Evaluation, Spring 2020] ❑ Evaluation Period: 2020. 6. 1.(Mon) 10:00 ~ 6. 12.(Fri) 23:00 ❑ Subjects : All Courses in Undergraduate and Graduate schools ※ Except for Independent research, Field practice and Military science courses ❑ How to participate A. Web: GLS – Study area – Course Evaluation B. Mobile/Tablet PC: KINGO M - GLS – Study area – Course Evaluation ❑ Notes A. If students have NOT participated in all of course evaluations, the grade notification and objection shall be open to them only after they finish it on the last day of the grade notification period. B. You cannot revise your answers after submitting them. C. All of the course evaluations are anonymously conducted. [Notification of Course evaluation results] ❑ Period of the Results notification: 7. 24.(Fri) 10:00 ~ 8. 12.(Wed) 23:00 ❑ Notes A. The results of the last one-year course evaluation can be checked in “GLS – Course bag” menu within the period above. You can view 15 results of previous courses based on the combination of ‘course code – professor/instructor’ B. Even if the course codes are the same, the available number of lecture evaluation checks shall be deducted in case the professors or instructors are different. * Once you checked the evaluation result of a course, however, the available number of result checks will not be double-deducted when you view the same result again only if the course code and professor/instructor are all the same. ※ Inquiries: One-stop Academic service center(Tel. 1811-8585)
Read More
News
-
인공지능학과
우사이먼 교수 연구실, 전현성 석사과정 ICML 2020 국제 학술대회 논문 게재 확정
2020-06-05
데이터기반 융합 보안 연구실(DASH Lab: https://dash-lab.github.io 우사이먼 교수), 전현성 학생(1 저자, 인공지능학과 석사과정)과 방영오 학생(2 저자, 인공지능학과 석사과정)이 인공지능 및 기계학습 분야 최우수학회인 International Conference on Machine Learning (ICML) 2020 (BK CS IF=4)에 “T-GD: Transferable GAN-generated Images Detection Framework” 논문을 게재 확정하였다. (채택률 21.8%) 본 논문에서는 적대적 생성 신경망(GAN)으로 생성된 매우 현실적인 이미지를 탐지할 수 있는 딥러닝 기반 모델의 전이 학습(Transfer Learning) 방법을 제시하였으며, 기존의 탐지 모델이 가지는 학습된 단일 데이터에서만 성능이 높은 과적합 문제를 해결하였다. 연구팀은 사전 훈련된 탐지 모델의 기존 지식을 망각하지 않고, 소량의 데이터로 새롭게 훈련하는 지식을 익히도록 하는 훈련 규제 방법(L2-SP)에 모델 스스로 학습의 강도를 조절할 수 있는 자가학습(Self-training) 방법을 제안하였다. 또한, 생성 이미지 탐지 분야에 적합한 데이터 증강(Data Augmentation) 알고리즘을 고안하였다. 그 결과, 얼굴 생성 이미지와 얼굴 외의 생성 이미지(풍경, 동물)도 탐지할 수 있는 일반화된 높은 전이 학습 성능을 달성하였다. 제안 방법은 기존의 딥러닝 기반 탐지 모델에 손쉽게 적용할 수 있으며, 기존 지식의 망각을 최소화하며 새로운 적대적 생성 신경망의 생성 이미지를 탐지할 수 있다. 본 방법론을 적용하여 최근 ‘딥 페이크’와 같은 보안 위협에 대응할 수 있는 사회적 효과를 가질 것으로 기대된다. [논문] Hyeonseong Jeon, Youngoh Bang, Junyaup Kim, and Simon S. Woo. "T-GD: Transferable GAN-generated Images Detection Framework.". Thirty-seventh International Conference on Machine Learning (ICML). 2020. 본 연구는 과학기술정보통신부(MSIT)의 재원으로 정보통신기획평가원(IITP)의 지원(No.2019-0-00421, AI Graduate School Support Program(Sungkyunkwan University)과 한국연구재단(NRF)의 지원(No. 2017R1C1B5076474, and 2020R1C1C1006004), 정보통신산업진흥원(NIPA)의 지원(HPC Support)을 받아 완성되었다.
Read More
