-
- [연구] 차수영 교수, ACM SIGSOFT Distinguished Paper Award 수상. (ICSE’22)
- 소프트웨어학과 차수영 교수(제1저자)의 논문이 5월 미국 피츠버그에서 열린 소프트웨어 공학 분야의 최상위 국제 학술대회인 ICSE 2022 (The 44th International Conference on Software Engineering)에서 ACM SIGSOFT Distinguished Paper Award 수상했다. 본 논문은 기계-학습을 통해 소프트웨어 취약점 탐지 기술인 ‘기호 실행(Symbolic Execution)’의 성능을 향상시키는 연구이다. 기호 실행 도구들은 SW의 잠재적 보안 오류 및 취약점을 탐지하는데 가장 많이 활용되는 도구 가운데 하나다. 하지만 기호 실행 도구를 유용하게 사용하기 위해서는 수많은 파라미터들을 직접 조절해야 하는 문제가 있었다. 따라서 기호 실행에 전문성이 없는 사용자라면 당연히 활용하기 어렵고, 심지어 테스팅 전문가라고 하더라도 최적의 성능으로 기호 실행 도구를 사용하기 어려운 한계가 있었다. 본 논문은 이러한 한계를 극복해, 전문성이 없는 사용자도 손쉽게 기호 실행 기술을 사용할 수 있도록 하는 SymTuner 기술을 개발했다. 개발된 자동 튜닝 기술을 적용한 결과 전문가가 손수 튜닝한 기호 실행에 비해 아래와 같이 월등히 높은 오류 탐지 성능을 가질 수 있음을 확인했다. [논문 정보] - 제목: “SymTuner: Maximizing the Power of Symbolic Execution by Adaptively Tuning External Parameters” - 저자: 차수영, 이명호, 이석현, 오학주
-
- 작성일 2022-05-30
- 조회수 1105
-
- [연구] 남범석 교수 연구실(대용량 데이터 처리 연구실),OSDI 2022 논문 채택
- USENIX Symposium on Operating Systems Design and Implementation (OSDI) 2022에 대용량 데이터 처리 연구실의 논문이 채택되었다. ListDB: Union of Write-Ahead Logs and Persistent SkipLists for Incremental Checkpointing on Persistent Memory 저자: 김원배, 박찬열, 김동의, 박형준, 최영리, Alan Sussman, 남범석 본 연구는 Intel Optane DC Persistent Memory의 특성을 고려하여 설계한 SkipList 기반 키-밸류 스토어 ListDB를 제안한 논문이다. ListDB는 Intel이 개발한 Pmem-RocksDB보다 최대 26배 빠른 쓰기 처리량을 자랑한다. USENIX OSDI는 SOSP와 함께 OS/시스템 분야의 양대 최우수 학회로 국내 대학 주저자 논문으로는 국내 8번째 논문이다. 특히 OSDI '21년에 발표된 신동군 교수님 연구실의 ZNS+ 논문에 이어 2회 연속으로 OSD에 논문을 발표한 국내 대학은 성균관대가 최초이며, SOSP '21에 발표된 엄영익 교수님 연구실의 FragPicker 논문을 포함하여 3회 연속으로 양대 최우수 OS/시스템 학회 논문을 발표하는 쾌거를 이루었다. OSDI '22 는 7월 11~13일에 미국 캘리포니아 샌디에고에서 개최될 예정이다
-
- 작성일 2022-05-30
- 조회수 1315
-
- [연구] 우사이먼 교수 연구실 (한시호 석사졸업 학생) KDD 2022 논문 게재 승인
- DASH (Data-driven AI Security HCI) 연구실 소속 한시호(1저자)와 우사이먼성일(교신저자) 교수의 논문 “Learning Sparse Latent Graph Representations for Anomaly Detection in Multivariate Time Series”가 데이터 마이닝 분야 최우수 국제 학회인 KDD 2022(BK21 CS IF=4)의 Applied Data Science Track에 게재 승인되었습니다. 저자들은 사이버물리시스템의 잡음이 있는 고차원 센서 데이터 내 이상징후 탐지를 위해 희소 오토인코더와 그래프 신경망을 결합하여 동시 최적화 하는 FuSAGNet(Fused Sparse Autoencoder and Graph Net) 모델을 제안했습니다. 희소 오토인코더 모듈은 원본 센서 측정값의 희소 잠재 변수를 학습하고, 이는 순환 센서 임베딩을 통해 학습된 특징 간 관계와 함께 센서값 예측을 위한 그래프 신경망의 입력으로 사용됩니다. 하나의 데이터 샘플에 대한 예측값이 정상값 대비 크게 벗어날 경우 이상징후로 취급합니다. 학습된 희소 잠재 변수와 순환 센서 임베딩 벡터는 t-SNE 시각화를 통해 모델의 설명력을 위해서도 사용됩니다. “Learning Sparse Latent Graph Representations for Anomaly Detection in Multivariate Time Series”, a full paper by Siho Han (first author) and Professor Simon S. Woo (corresponding author) of DASH (Data-driven AI Security HCI) Lab has been accepted for publication at the Applied Data Science Track of KDD 2022 (BK21 CS IF=4), a premier international conference for data mining. The authors proposed FuSAGNet (Fused Sparse Autoencoder and Graph Net), a model combining Sparse Autoencoder and Graph Neural Network to detect anomalies in high-dimensional, noisy sensor data from cyber-physical systems through joint optimization of reconstruction and forecasting. The Sparse Autoencoder module learns a sparse latent representation of the original sensor readings which, along with feature interdependencies learned through recurrent sensor embedding, are used as input to a Graph Neural Network module for sensor behavior forecasting. A sample of sensor readings is considered anomalous if its predicted values largely deviate from values under normal operating conditions. Learned sparse latent representations and recurrent sensor embedding vectors are also used for providing model interpretability by visualization through t-SNE plots. FuSAGNet 구성도
-
- 작성일 2022-05-20
- 조회수 1242
-
- [연구] 김유성 교수 연구실 (김유성 교수,김경수,하정수 석사과정 학생) IJCAI 2022 논문 게재 승인
- CSI (Computer Systems and Intelligence) Lab. 연구실 김경수, 하정수 석사과정과 김유성 교수 논문 "Self-Predictive Dynamics for Generalization of Vision-based Reinforcement Learning " 가 인공지능 분야 최우수 학회 (BK IF=4) International Joint Conferences on Artificial Intelligence (IJCAI) 2022 에 게재 승인되었습니다. 카메라로 관측된 이미지 데이터만으로 로봇, 자동차, 장비 등을 제어하는 비전 기반 강화학습 연구 에서는 실제 제어와 무관한 시각적 방해요소가 학습을 방해하는 어려움이 있습니다. 더불어 학습 후 실제 환경에서 테스트시에는 시각적 방해요소가 (예: 그림자, 날씨 변화 등) 더욱 다양할 수 있는 만큼 학습의 일반화 및 강건한 제어가 요구됩니다. 본 논문에서는 관측된 이미지에 다중 데이터 증강을 적용하고 새롭게 제안한 자기지도 학습 기법을 통해 제어에 밀접한 특징(feature) 만을 효율적으로 추출하는 시각적 방해요소에 강건한 모델을 설계하였습니다. 본 연구는 다양한 비전 기반 로봇 제어 환경과 자율 주행 시뮬레이터 (CARLA) 에서 시각적 방해요소가 증가되어도 선행 연구 대비 학습 효율성이 크게 향상되었으며, 학습 후 새로운 시각적 방해요소 등장에도 가장 강건하게 제어할 수 있음을 보였습니다.
-
- 작성일 2022-04-21
- 조회수 1378
-
- [연구] 이상원 교수 연구실 (안미진 석박통합과정 학생) VLDB2022 논문 게재 승인
- VLDB 연구실 석박통합과정 안미진 학생(지도교수: 이상원) 논문 (제목: Your Read is Our Priority in Flash Storage)이 데이터베이스 분야 최고 학술대회인 VLDB에 게제승인 되었습니다. 올해 VLDB는 호주 시드니에서 개최됩니다. 본 연구에서는 버퍼 관리자와 플래시 저장장치 간의 새로운 I/O command인 RW와 SSD 내부 읽기 데이터 버퍼를 분리하는 R-Buf 기법을 제안합니다. 이 두 기술은 DBMS 버퍼 및 스토리지 버퍼에서 발생하는 읽기 지연 문제를 해결하여, 트랜잭션 성능과 직결되는 읽기가 느린 쓰기에 의해 지연되지 않고 빠르게 처리될 수 있도록 만듭니다. RW 및 R-Buf 기술은 서로 상호 보완적인 기술로 SSD의 성능을 충분히 활용하여 트랜잭션 처리량을 최대 3.9배까지 향상시킵니다.
-
- 작성일 2022-04-18
- 조회수 1155
-
- [연구] 이상원 교수 연구실 (박종혁 석박통합과정 학생) Meta 기술 세미나 초청
- 이상원 교수 연구실 박종혁 석박 통합과정 학생이 Meta (이전, Facebook) DB Engineering Reading session (온라인)에 초청되어 VLDB 2021에 출판한 “SaS: SSD as SQL Database System” 논문을 발표하였습니다. 본 세미나의 주요 목적은 학술 연구를 메타에 적용할 수 있는 방안을 찾는 것이며, Meta 개발자 팀에게 연구 결과물을 소개하고 활발한 질의 응답과정을 가졌습니다. 학회에 게재한 학술 연구의 결과물을 해외 기업의 기술 세미나에 초청을 받은 후, Meta에 있는 관심있는 직책에 대해 탐색할 수 있는 기회도 제공되었습니다. 세미나에서 발표한 논문의 주요내용은 다음과 같습니다. 호스트와 저장장치로 이분화된 컴퓨터 아키텍처 상에서 개발된 기존 DB 엔진은 플래시메모리SSD와 같이 빠른 저장장치상에서 IO 스택 오버헤드가 높고, 수직적 최적화의 어려움이 있습니다. 또한, 데이터센터 환경을 고려하면 네트워크를 통한 가상화 환경, 컴퓨팅/스토리지 노드의 분리는 DB엔진과 스토리지간 간극을 넓혀 IHDE 아키텍처의 비효율성을 증대 시킵니다. 한편, SSD는 그 자체로 컴퓨팅 플랫폼이므로, 완전한 DB 엔진을 수행시킬 수 있습니다. 본 연구에서는 IHDE의 비효율성을 근본적으로 제거하기 위해, SSD를 저장장치이자 동시에 SQL 엔진 역할을 하는 SaS (SSD as SQL Engine) 개발하였습니다. IO 스택이 제거됨에 따라, SaS는 런타임 오버헤드 없이, 데이터베이스 엔진과 SSD 간의 다양한 수직 최적화를 더 탐색할 수 있습니다. SaS는 SSD를 단순 블록 장치에서 데이터베이스 서버로 진화시킵니다. SQL을 기본 인터페이스로 사용합니다. SaS의 이점은 데이터베이스 간 거리가 먼 데이터 센터에서 더욱 두드러질 것입니다. SaS의 장점은 가상화, 스토리지 세분화, 오픈 소프트웨어 스택으로 인해 데이터베이스 엔진과 스토리지 간의 거리가 점점 더 넓어지는 데이터 센터에서 더욱 두드러질 것입니다. 더 많은 컴퓨팅 리소스를 포함하는 컴퓨팅 SSD의 출현으로 SaS는 더욱 실행 가능하고 매력적인 데이터베이스 아키텍처가 될 수 있습니다.
-
- 작성일 2022-04-11
- 조회수 1205
-
- [연구] 허재필 교수 연구실, CVPR 2022 논문 2편 게재 승인
- 비주얼컴퓨팅연구실(지도교수: 허재필)의 논문 2편이 컴퓨터 비전 및 인공지능 분야의 Top-tier 학술대회인 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2022에 게재 승인되었습니다. 논문 #1: “Local Attention Pyramid for Scene Image Generation” (인공지능학과 박사과정 심상헌, 인공지능학과 박사과정 현상익, 인공지능학과 박사과정 배대현) 논문 #2: “Task Discrepancy Maximization for Fine-grained Few-Shot Classification” (인공지능학과 석사과정 이수빈, 인공지능학과 석사과정 문원준) “Local Attention Pyramid for Scene Image Generation” 에서는 장면 영상 생성(scene image generation)에서 물체 별 품질 불균형 문제(class-wise visual quality imbalance issue)가 발생한다는 것을 확인하였으며, 이를 완화하기 위해서 새로운 네트워크 모듈을 제안하였습니다. 제안하는 모듈은 장면 영상의 특징인 여러 물체가 전체 영상에 산재해 있다는 점에 착안하여, 생성모델이 여러 로컬 영역들(local regions)에 높은 주의 점수(attention score)를 계산하도록 설계하였습니다. 본 연구에서는 제안된 기법을 이미지 생성분야의 여러 선행 연구들에 적용하였으며, 일관되게 이미지 생성 품질이 향상됨을 확인하였습니다. “Task Discrepancy Maximization for Fine-grained Few-Shot Classification” 에서는 Fine-grained few-shot classification의 성능향상을 위한 모듈(Task Discrepancy Maximization, TDM)을 제시하였습니다. Few-shot classification은 기존에 학습하지 않았던 카테고리를 적은 수의 라벨링 데이터로 학습하는 분야입니다. 제안하는 모듈은 라벨링 된 데이터(Support-set)을 이용하여 각 카테고리별 차별적인 특징을 예측하고 강조하는 서브모듈(Support Attention Module, SAM)과 분류해야 하는 데이터(Query-set)을 이용하여 분류 대상과 관련 있는 특징을 강조하는 서브모듈(Query Attention Module, QAM)로 구성되어 있습니다. 제안된 모듈은 기존 방법들의 성능을 모두 향상시켰으며 Fine-grained few-shot classification 분야에서 가장 높은 성능을 달성하였습니다. [논문 #1 정보] Local Attention Pyramid for Scene Image Generation Sang-Heon Shim, Sangeek Hyun, DaeHyun Bae, and Jae-Pil Heo IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022 Abstract: In this paper, we first investigate the class-wise visual quality imbalance problem of scene images generated by GANs. The tendency is empirically found that the class-wise visual qualities are highly correlated with the dominance of object classes in the training data in terms of their scales and appearance frequencies. Specifically, the synthesized qualities of small and less frequent object classes tend to be low. To address this, we propose a novel attention module, Local Attention Pyramid (LAP) module tailored for scene image synthesis, that encourages GANs to generate diverse object classes in a high quality by explicit spread of high attention scores to local regions, since objects in scene images are scattered over the entire images. Moreover, our LAP assigns attention scores in a multiple scale to reflect the scale diversity of various objects. The experimental evaluations on three different datasets show consistent improvements in Frechet Inception Distance (FID) and Frechet Segmentation Distance (FSD) over the state-of-the-art baselines. Furthermore, we apply our LAP module to various GANs methods to demonstrate a wide applicability of our LAP module. [논문 #2 정보] Task Discrepancy Maximization for Fine-grained Few-Shot Classification SuBeen Lee, WonJun Moon, and Jae-Pil Heo IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022 [Oral presentation] Abstract: Recognizing discriminative details such as eyes and beaks is important for distinguishing fine-grained classes since they have similar overall appearances. In this regard, we introduce Task Discrepancy Maximization (TDM), a simple module for fine-grained few-shot classification. Our objective is to localize the class-wise discriminative regions by highlighting channels encoding distinct information of the class. Specifically, TDM learns task-specific channel weights based on two novel components: Support Attention Module (SAM) and Query Attention Module (QAM). SAM produces a support weight to represent channel-wise discriminative power for each class. Still, since the SAM is basically only based on the labeled support sets, it can be vulnerable to bias toward such support set. Therefore, we propose QAM which complements SAM by yielding a query weight that grants more weight to object-relevant channels for a given query image. By combining these two weights, a class-wise task-specific channel weight is defined. The weights are then applied to produce task-adaptive feature maps more focusing on the discriminative details. Our experiments validate the effectiveness of TDM and its complementary benefits with prior methods in fine-grained few-shot classification.
-
- 작성일 2022-03-31
- 조회수 1444
-
- [연구] 이상원 교수 연구실 (안미진 석박통합과정 학생), SIGMOD 2022 국제학술대회 논문 게재 승인
- VLDB 연구실(지도교수: 이상원)의 안미진(소프트웨어플랫폼학과 석박과정)의 “Avoiding Read Stalls on Flash Storage” 논문이 ACM International Conference on Management of Data (SIGMOD) 2022에 게재 승인되었습니다. SIGMOD은 데이터베이스 분야의 Top-tier 학술대회이며, 2022년에는 미국 필라델피아에서 개최됩니다. 본 연구에서는 버퍼 관리자와 플래시 저장장치 간의 새로운 I/O 아키텍처로 Write-After-Read (WAR) 프로토콜을 제안합니다. 페이지 miss 시 사용 가능한 버퍼 프레임이 없을 때, WAR는 LRU tail의 dirty 페이지를 별도의 DRAM 공간으로 일시적으로 복사하고 miss 페이지를 stall 없이 저장장치에서 읽어옵니다. 복사된 dirty 페이지들은 저장장치에 비동기적으로 write 됩니다. 이러한 방식으로 read/write 간 리소스 충돌을 해결하고 read stall을 방지함으로써, WAR 프로토콜 기반의 DBMS 엔진은 더 많은 read 및 write I/O를 병렬로 실행하여 CPU와 저장장치의 성능을 잘 활용할 수 있습니다. 결과적으로 WAR는 기존 대비 트랜잭션 처리량을 2.9배까지 증가시키고, 트랜잭션 응답 시간을 70%까지 감소시킵니다.
-
- 작성일 2022-03-10
- 조회수 1330
-
- [연구] 이지형 교수 연구실 (김누리 석박통합과정 학생), CVPR 2022 국제학술대회 논문 게재 승인
- 정보 및 지능 시스템 연구실(지도교수: 이지형)의 김누리(전자전기컴퓨터공학과 석박과정)의 “Propagation Regularizer for Semi-supervised Learning with Extremely Scarce Labeled Samples” 논문이 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2022에 게재 승인되었습니다. CVPR은 컴퓨터 비전 및 인공지능 분야의 Top-tier 학술대회이며, 2022년에는 미국 뉴올리언스에서 개최됩니다. 본 연구에서는 기존 준지도 학습(Semi-Supervised Learning, SSL)에서 레이블 데이터가 클래스 당 1~2개밖에 없는 상황에서 성능 향상을 위한 Regularization 방법과 모델 선택 방법을 제안합니다. 레이블 데이터가 매우 부족한 상황에서 SSL은 학습 과정에서 확증 편향(Confirmation bias) 문제가 심각하게 나타난다는 것을 확인했으며, 이를 완화하기 위해서 언레이블 데이터에 대한 pseudo-label의 엔트로피를 최대화하는 Regularization을 제안합니다. 또한 레이블 데이터가 매우 부족한 상황에서 SSL은 확증 편향으로 인하여 학습 과정이 매우 불안정함을 확인했으며, 이러한 상황에서 검증 데이터를 추가로 활용하지 않고 최적의 모델을 선택하기 위한 방법을 제안합니다. 제안된 Regularization 방법과 모델 선택 방법을 통해 CIFAR-10, CIFAR-100, SVHN 데이터에서 기존 방식 대비 8.9%에서 120.2%까지 향상된 성능을 달성하였습니다
-
- 작성일 2022-03-10
- 조회수 1294
-
- [연구] 고영중 교수 자연어처리연구실, DSTC10 Track 3 우승
- 자연어처리연구실 손동철 석사과정(소프트웨어학과), 장영재 학부연구생이 Dialogue System Track Challenge 10(DSTC10)의 Track 3 SIMMC 2.0: Situated Interactive Multimodal Conversational AI에 참가하여 Sub-task#1 Multimodal Disambiguation과 Sub-task#3 Multimodal Dialog State Tracking에서 1위를 차지했습니다. 자연어처리 연구실은 Track 3 이외에도 Track 2 Knowledge-grounded Task-oriented Dialogue Modeling on Spoken Conversations의 두 sub-track에 참가하여 각각 5위와 4위를 차지했습니다. DSTC는 2013년 대화 상태 추적(Dialogue state tracking) task를 해결하는 대회로 시작했고, 2016년 대화시스템으로 그 대상을 확장하여 2021년 10번째 대회가 개최되었습니다. 1위를 차지한 Track 3는 이미지와 텍스트 대화 데이터를 모두 활용하여 대화시스템을 구축하는 task로 4개의 sub-task들로 이루어져 있습니다. 1위를 차지한 첫 번째 sub-task는 사용자 발화의 모호함을 판별하는 task이고, 세 번째 sub-task는 사용자가 원하는 상품에 대한 조건을 추적하는 task입니다. Track 2는 지식 정보를 활용한 대화시스템을 구축하는 task를 해결하는 track으로 대화를 추적하는 sub-track 1(Dialogue State Tracking)과 사용자 발화에 대해 지식 정보를 포함한 응답을 생성하는 sub-track 2(Task-oriented Conversational Modeling with Unstructured Knowledge Access)로 이루어져 있습니다. DSTC10은 AAAI 2022 학술대회의 Workshop에서 논문이 발표된다.
-
- 작성일 2022-02-23
- 조회수 1207