http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
심층 강화학습 기반 조세 및 경제 활동 에이전트 정책 최적화 시뮬레이션 환경 분석 및 실험
허주성,최요한,석영준,유태완,이연희,한연희 한국통신학회 2023 韓國通信學會論文誌 Vol.48 No.6
4차 산업 혁명으로 AI가 사회 전반에 걸쳐 상용화되고 꾸준히 발전하고 있지만, 경제 분야는 여전히 데이터 부족, 다양한 환경, 변수 등으로 AI 적용이 어렵다. 실제 사회 경제적 문제를 해결하기 위해선 경제 주체 간 다양한 환경과상호작용 요인들을 확인하며 경제 활동 및 정책 수립 과정을 설계하고 테스트해야 하지만, 경제 관련 데이터가 부족하고, 실제 정책을 실험하기 위한 환경 구성이 어렵다. 본 논문에서는 Salesforce 팀의 AI 기반 경제 시뮬레이션 환경인 AI Economist를 활용하여 심층강화학습 기반 조세 및 경제 활동 에이전트 정책 최적화 실험 및 분석을 진행하였다.
K-평균 군집화 기법을 활용한 DBLP 논문 서지정보의 연대별 출현 패턴 연구
허주성 ( Joo-seong Heo ),임현교,김경한,한연희 ( Youn-hee Han ) 한국정보처리학회 2016 한국정보처리학회 학술대회논문집 Vol.23 No.2
컴퓨터공학 분야의 논문 정보를 다루고 있는 대표적인 사이트인 DBLP의 연구 동향을 알아 보기 위해 본 논문에서는 약 300만개 이상의 논문 서지정보 가져와 분석했다. IT용어 사전을 만들고 각 논문의 제목과 초록에 포함된 주제어를 추출해 분석을 위한 고차원의 행렬을 만들고, k-평균 군집화 기법을 활용하여 1960년도부터 2010년도까지 총 60여 년간의 연대별 주제어 출현 패턴을 분석함으로써 흥미로운 결과를 도출해 냈다.
영화 등장인물의 사회관계망에서 중요도를 기반으로 하는 주연 등장인물 검출 기법
허주성 ( Jooseong Heo ),서장원 ( Jangwon Seo ),김태형 ( Taehyeong Kim ),이예영 ( Yeyoung Lee ),한연희 ( Youn-hee Han ) 한국정보처리학회 2015 한국정보처리학회 학술대회논문집 Vol.22 No.1
‘영화 속에 등장하는 주연들은 어떤 기준으로 선정되는가’에서 본 논문에서는 두 가지 방법을 활용하여 주연들을 추출해보았다. 그 결과 가중치 연결 중심도를 이용한 검출 방법이 공식적인 주연급 등장인물과 일치한다는 것을 도출해냄.
OAuth 2.0 기반 CoAP 인증 프레임워크 연구 동향 및 제안
김경한,임현교,허주성,한연희 한국통신학회 2016 정보와 통신 Vol.33 No.12
최근 사물인터넷에 대한 관심과 투자가 크게 증가하고 있으나 보안 측면에서 문제가 지속적으로 제기되고 있다. 그 해결책으로서 IETF ACE 워킹 그룹이 기존의 OAuth 2.0 기반으로 여러 제약적인 사물인터넷 환경에 적합한 새로운 보안 프레임워크인 ACE 프레임워크 표준을 제정 중에 있다. 본 고에서는 우선 OAuth 2.0 기반 사물인터넷 인증 프레임워크 연구 동향에 대해 소개하고, 새로운 OAuth 2.0 기반 CoAP 인증 프레임워크를 제안한다.
OAuth 2.0 기반 CoAP 인증 프레임워크 설계 및 구현
김경한,임현교,허주성,한연희,Kim, Kyoung-Han,Lim, Hyun-Kyo,Heo, Joo-Seong,Han, Youn-Hee 한국정보처리학회 2017 정보처리학회논문지. 컴퓨터 및 통신시스템 Vol.6 No.8
최근 사물인터넷에 대한 관심과 투자가 크게 증가하고 있으며 보안 측면에서 문제가 지속적으로 제기되고 있다. 그 해결책으로서 IETF ACE 워킹 그룹이 기존의 OAuth 2.0 기반으로 여러 제약적인 사물인터넷 환경에 적합한 새로운 보안 프레임워크인 ACE 프레임워크 표준을 제정 중에 있다. 그러나 새로운 경량 보안 체계를 제안하는 ACE 프레임워크를 기존 인터넷 환경에 적용하기에는 추가적인 작업이 필요하며, 이러한 추가적 비용은 IoT 환경에 OAuth 2.0의 적용을 저해하는 요인이 된다. 따라서 본 논문에서는 기존 인터넷 환경에서 활용되고 있는 보안 프로토콜인 DTLS를 기반으로 하고, OAuth 2.0의 기존 개발 동기에 맞춘 사물인터넷 인증 프레임워크를 제안하며, python 기반 오픈 라이브러리인 CoAPthon을 기반으로 제안 프레임워크 구현하며 성능을 분석한다. Recently, interest and investment in the Internet of Things (IoT) have increased significantly, and security issues are constantly being raised. As a solution, the IETF ACE Working Group is establishing the ACE framework standard, which is a new security framework for various constrained IoT environments based on the existing OAuth 2.0. However, additional work is required to apply the ACE framework, which proposes a new lightweight security system, to the existing Internet environment, and this additional cost is a factor that hinders the application of OAuth 2.0 to the IOT environment. Therefore, we propose an IoT authentication framework based on OAuth 2.0's existing development motivation, and implement a proposal framework based on CoAPthon and analyze its performance.
멀티-스텝 누적 보상을 활용한 Max-Mean N-Step 시간차 학습
황규영,김주봉,허주성,한연희 한국정보처리학회 2021 정보처리학회논문지. 컴퓨터 및 통신시스템 Vol.10 No.5
n-step TD learning is a combination of Monte Carlo method and one-step TD learning. If appropriate n is selected, n-step TD learningis known as an algorithm that performs better than Monte Carlo method and 1-step TD learning, but it is difficult to select the bestvalues of n. In order to solve the difficulty of selecting the values of n in n-step TD learning, in this paper, using the characteristicthat overestimation of Q can improve the performance of initial learning and that all n-step returns have similar values for Q≈Q* ,we propose a new learning target, which is composed of the maximum and the mean of all k-step returns for 1≤k≤n. Finally, inOpenAI Gym's Atari game environment, we compare the proposed algorithm with n-step TD learning and proved that the proposedalgorithm is superior to n-step TD learning algorithm. n-스텝 시간차 학습은 몬테카를로 방법과 1-스텝 시간차 학습을 결합한 것으로, 적절한 n을 선택할 경우 몬테카를로 방법과 1-스텝 시간차학습보다 성능이 좋은 알고리즘으로 알려져 있지만 최적의 n을 선택하는 것에 어려움이 있다. n-스텝 시간차 학습에서 n값 선택의 어려움을해소하기 위해, 본 논문에서는 Q의 과대평가가 초기 학습의 성능을 높일 수 있다는 특징과 Q≈Q* 경우, 모든 n-스텝 누적 보상이 비슷한 값을가진다는 성질을 이용하여 1≤k≤n에 대한 모든 k-스텝 누적 보상의 최댓값과 평균으로 구성된 새로운 학습 타겟인 Ω-return을 제안한다. 마지막으로 OpenAI Gym의 Atari 게임 환경에서 n-스텝 시간차 학습과의 성능 비교 평가를 진행하여 본 논문에서 제안하는 알고리즘이 n-스텝시간차 학습 알고리즘보다 성능이 우수하다는 것을 입증한다.
Time Series Classification of Cryptocurrency Price Trend Based on a Recurrent LSTM Neural Network
권도형,김주봉,허주성,김찬명,한연희 한국정보처리학회 2019 Journal of information processing systems Vol.15 No.3
In this study, we applied the long short-term memory (LSTM) model to classify the cryptocurrency price timeseries. We collected historic cryptocurrency price time series data and preprocessed them in order to makethem clean for use as train and target data. After such preprocessing, the price time series data weresystematically encoded into the three-dimensional price tensor representing the past price changes ofcryptocurrencies. We also presented our LSTM model structure as well as how to use such price tensor as inputdata of the LSTM model. In particular, a grid search-based k-fold cross-validation technique was applied to findthe most suitable LSTM model parameters. Lastly, through the comparison of the f1-score values, our studyshowed that the LSTM model outperforms the gradient boosting model, a general machine learning modelknown to have relatively good prediction performance, for the time series classification of the cryptocurrencyprice trend. With the LSTM model, we got a performance improvement of about 7% compared to using the GBmodel.
Recurrent Neural Network을 이용한 플로우 기반 네트워크 트래픽 분류
임현교,김주봉,허주성,권도형,한연희 한국정보처리학회 2017 한국정보처리학회 학술대회논문집 Vol.2017 No.11
최근 다양한 네트워크 서비스와 응용들이 생겨나면서, 네트워크상에 다양한 네트워크 트래픽이 발생하고 있다. 이로 인하여, 네트워크에 불필요한 네트워크 트래픽도 많이 발생하면서 네트워크 성능에 저하를 발생 시키고 있다. 따라서, 네트워크 트래픽 분류를 통하여 빠르게 제공되어야 하는 네트워크 서비스를 빠르게 전송 할 수 있도록 각 네트워크 트래픽마다의 분류가 필요하다. 본 논문에서는 Deep Learning 기법 중 Recurrent Neural Network를 이용한 플로우 기반의 네트워크 트래픽 분류를 제안한다. Deep Learning은 네트워크 관리자의 개입 없이 네트워크 트래픽 분류를 할 수 있으며, 이를 위하여 네트워크 트래픽을 Recurrent Neural Network에 적합한 데이터 형태로 변환한다. 변환된 데이터 세트를 이용하여 훈련시킴으로써 네트워크 트래픽을 분류한다. 본 논문에서는 훈련시킨 결과를 토대로 비교 분석 및 평가를 진행한다.