이화여자대학교MCNL

dd

우리 연구실 이주홍 박사과정 학생(1저자)의 논문 “SV-SAE: Layer-wise Pruning of Autoencoder based on Link Contributions”이 SCIE저널인 IEEE Access에 게재 승인을 받았습니다.  

본 논문은 엣지 디바이스 환경에서의 딥러닝 모델 사용을 위한 경량화 알고리즘을 제안하였습니다. 특히, 본 연구에서는 비지도학습 모델인 오토인코더에 특화된 가지치기(Pruning) 방법을 고안하였습니다. 링크와 노드의 중요도를 기반으로 상대적으로 중요하지 않은 부분을 가지치기하여, 모델의 추론 정확도를 유지하면서 연산량을 줄였습니다. 특히, 링크와 노드의 중요도를 계산할 때 Shapley value를 사용함으로써, 경량화된 모델에 설명가능성(Explainability)를 부여하였습니다. 또한, 대칭적인 인코더-디코더 구조에 적합한 가지치기 임계값과 순서를 설정함으로써 모델의 효율성을 높였습니다. 제안한 방식을 활용하면 상당히 적은 연산 자원으로도 오토인코더의 데이터 복원 성능을 유지할 수 있음을 실험으로 입증하였습니다.

본 논문이 게재된 IEEE Accesss는 전자공학, 컴퓨터 과학, 신호 처리 등 다양한 분야의 최신 연구를 신속하게 공개하는 우수한 SCIE 저널입니다 (Impact Factor 3.9).