Deep learning models with task-adaptive data representations : two case studies in 1) MEC resource localization and 2) retinal AMD diagnosis

다국어 초록 (Multilingual Abstract)

Modern AI-native systems increasingly rely on real-time decision-making over large-scale, heterogeneous, and multiscale data. This demand emerges across domains as distinct as mobile edge computing (MEC) and retinal disease diagnosis, where system performance critically depends on accurate prediction and context-aware resource allocation. This dissertation proposes a unified perspective on multiscale decision modeling and presents two domain-specific instantiations that embody this principle.

The first contribution introduces Deep Edge Localization (DELO), a framework designed for localized traffic orchestration in MEC environments. DELO integrates a clustering-based temporal convolutional network–long short-term memory model to predict regional traffic patterns and employs a proximal policy optimization agent to adaptively balance server load. Evaluated on the Milan dataset, DELO improves prediction accuracy by up to 48.9 percent over conventional time-series models and reduces operational cost by 61.4 percent and 39.3 percent compared with static and Greedy allocation strategies. The framework enhances server availability by up to 74.7 percent, demonstrating its effectiveness in stabilizing network capacity under dynamic traffic conditions.

The second contribution extends multiscale decision modeling to retinal imaging with a dual-branch architecture for age-related macular degeneration (AMD) recognition. The model processes full fundus images and macula-centered crops through independent representation pathways and refines their multiscale features via Cross-Representational Refinement (CRR). This design captures lesion-specific detail while preserving global anatomical context. On the ADAM benchmark, the proposed approach achieves an AUC of 0.9689, surpassing leading methods trained without external data and confirming the importance of anatomically informed macular localization and hierarchical feature integration.

Together, these findings demonstrate that prediction-driven reasoning, hierarchical representation learning, and adaptive policy optimization form a versatile foundation for robust decision-making across networked and biomedical domains.

국문 초록 (Abstract)

현대의 AI 기반 시스템은 대규모 및 이질적인 데이터를 실시간으로 해석하고 이를 기반으로 의사결정을 수행해야 한다. 이러한 요구는 모바일 엣지 컴퓨팅(MEC)과 망막 질환 진단처럼 서로 다른 응용 분야에서도 공통적으로 관찰된다. 본 학위논문은 이러한 문제적 특성을 해결하기 위해 멀티스케일 의사결정 모델링이라는 통합적 관점을 제시하고, 이를 구현하는 두 개의 도메인별 프레임워크를 제안한다.

우선, MEC 환경에서 지역 기반 트래픽 오케스트레이션을 수행하는 DELO(Deep Edge Localization) 프레임워크이다. DELO는 클러스터링 기반 TCN–LSTM 모델을 통해 지역별 트래픽 변동성을 정교하게 예측하고, Proximal Policy Optimization 기반 자원 할당 에이전트를 활용하여 서버 부하를 동적으로 조정한다. Milan 데이터셋을 기반으로 한 실험 결과, 예측 정확도는 기존 모델 대비 최대 48.9\% 향상되었으며, 운영 비용은 정적 및 Greedy 할당 대비 각각 61.4\% 및 39.3\% 감소하였다. 또한 서버 가용성은 최대 74.7\% 개선되어, 고변동성 트래픽 환경에서도 안정적이고 효율적인 네트워크 운용이 가능함을 확인하였다.

다음으로, 나이관련 황반변성 (Age-related Macular Degeneration, AMD) 진단을 위한 이중 분기 기반 멀티스케일 표현 학습 모델이다. 전체 안저 영상과 황반 중심 영역을 독립적으로 인코딩한 뒤, Cross-Representational Refinement 모듈을 통해 국소 병변 단서와 전역 해부학적 구조를 상호 보완적으로 결합한다. ADAM 데이터셋에서 AUC 0.9689를 달성하며, 외부 데이터 없이 학습된 기존 모델들을 초과하는 성능을 보였다. 이는 해부학적으로 정위된 황반 영역 추출과 계층적 특징 통합이 고성능 AMD 진단에서 핵심적 역할을 한다는 점을 입증한다.

두 연구는 예측 기반 추론(predictive inference), 계층적 표현 학습(hierarchical representation learning), 적응형 정책 최적화(adaptive policy optimization)의 결합이 네트워크 및 의료 분야 전반에서 강건하고 효율적인 의사결정을 가능하게 하는 공통된 기반임을 보여준다. 본 논문은 이를 Deep Data Decisions라는 통합적 관점 아래에 정립함으로써, 다양한 AI-native 시스템의 설계에서 멀티스케일 예측과 적응형 결정 메커니즘의 중요성을 강조한다.

목차 (Table of Contents)

• 1 Introduction 1
• 1.1 Motivation for Multiscale Decision Models in Network and Medical Domains 1
• 1.2 Overview of the Proposed Multiscale Intelligent Decision Framework 3
• 2 Related Works 8
• 2.1 Network Traffic Prediction and Resource Allocation 8
• 2.2 Medical Imaging and AMD Diagnosis Models 11
• 3 Predictive Representation for Network Resource Localization 15
• 3.1 Mobile Traffic Prediction with Clustering .18
• 3.2 Adaptive Resource Localization Using PPO 21
• 3.3 Results and Analysis . 28
• 4 Dual-Branch Representation for Retinal AMD Diagnosis 45
• 4.1 Dataset and Preprocessing 45
• 4.2 Macular Region Localization and Cropping 48
• 4.3 Proposed Framework 51
• 4.4 Results and Analysis 56
• 5 Conclusion 63
• References 66
• 논 문 요 약 77