New Research(특별세션-신진교수 최신연구소개)

  • 홈ˆ
  • Programs
  • New Research(특별세션-신진교수 최신연구소개)

[신진교수특별세션 상세프로그램]
일자 및 장소 : 20D1D2 / 12.20(수)~21(목) 10:00~12:00 / 104호

양은호 교수(KAIST)


고차원 데이터 분석을 위한 확률 그래프 모델

12.20(수) 10:00~10:30

확률 그래프 모델(Probabilistic Graphical Models)은 다변량 확률 분포를 효율적으로 표현하기 위한 프레임워크로서, 통계학, 전산학 등에서 확률 변수들 사이의 복잡한 상관성, 인과성 등의 상호 작용을 모델링하기 위하여 사용된다. Medical diagnosis/Image understanding/Bioinformatics/NLP/Finance 등 다양한 분야에서 다변량 변수 분석을 위한 핵심 툴로 사용되고 있다. 본 강의에서는, 확률 그래프 모델의 기본 개념에 대해서 설명하고, 기계 학습 관점에서의 그래프 모델 학습 및 추론에 대해서 소개 한다.

 

Bio

2004 서울대학교 공학사
2006 서울대학교 공학석사
2006-2009 KT 중앙연구소 전임연구원
2014. Ph.D. University of Texas, Austin
2014-2016 Research staff member, IBM T.J. Waston Research Center

연구분야: Machine Learning

이성진 교수(DGIST)


Improving File System Performance Using a Decoupled Defragmenter

12.20(수) 10:30~11:00

본 발표에서는 플래시 기반의 모바일 스토리지에서의 파일 단편화 문제에 대한 분석과 함께 이를 해결하기 위한 단편화 제거 기법에 대해 논한다. 이를 위해 먼저 다양한 모바일 폰에서 파일 시스템 단편화가 발생시키는 성능상의 문제에 대하여 자세히 알아본다. 이후 플래시 저장장치에서 파일 단편화가 지니는 특성에 대해 다양한 실험 결과를 바탕으로 분석하고 전통적인 HDD와의 차이점에 대해 알아본다. 마지막으로 상기 관찰을 바탕으로 플래시 저장장치의 단편화 문제를 해결하기 위한 Janus라는 단편화 제거 기술에 대해 소개하고 그 효과에 대해 살펴본다.

 

Bio

Sungjin Lee is an assistant professor at ICE, DGIST. Before joining DGIST in July 2017, he was a postdoctoral associate in the Computation Structures Group (CSG) at MIT CSAIL led by Prof. Arvind. At MIT, he worked on the development of system software for high-performance storage systems, in particular, for non-volatile memory systems. Sungjin Lee earned the PhD and MS degrees in computer science and engineering from the Seoul National University (SNU) in 2013 and 2007, respectively, and received the BE degree in electrical engineering from the Korea University in 2005. His current research interests include system software, storage systems, operating systems, and embedded software.

서영균 교수(경북대)


Data-Driven Simulation Service Framework

12.20(수) 11:00~11:30

Computer simulation is widely used in a variety of computational science and engineering fields, including computational fluid dynamics, nano physics, computational chemistry, structural dynamics, and computer-aided optimal design, to simulate the behavior of a system. As the demand for the accuracy and complexity of the simulation grows, however, the cost of executing the simulation is rapidly increasing. It, therefore, is very important to lower the total execution time of the simulation especially when that simulation makes a huge number of repetitions with varying values of input parameters. In this work we introduce a simulation service system that provides the ability to predict the result of the requested simulation without actual execution for that simulation: by recording and then returning previously obtained or predicted results of that simulation. To achieve the goal of avoiding repetitive simulation, the system provides two main functionalities: (1) storing simulation-result records into database and (2) predicting from the database the result of a requested simulation using statistical machine learning techniques. In our experiments we evaluate the prediction performance of the system using real airfoil simulation result data. Our system on average showed a very low error rate at a minimum of 0.9% for a certain output variable. Using the system any user can receive the predicted outcome of her simulation promptly without actually running it, which would otherwise impose a heavy burden on computing and storage resources.

 

Bio

Young-Kyoon Suh is an Assistant Professor in the School of Computer Science and Engineering at Kyungpook National University (KNU), Daegu, Korea. Prior to joining KNU, he worked as senior researcher at Korea Institute of Science and Technology Information (KISTI), Daejeon, Korea. He holds a PhD degree in Computer Science from University of Arizona, USA. His research interests include database design/systems/ergalics, big data, performance evaluation, and data-driven convergence. He is a recipient of Best Poster Award of IEEE/ACM CCGrid 2016. He also holds two Best Paper Awards from EDB 2016 and BigDas 2017.

유민수 교수(포항공대)


High-Performance Computing (HPC) Systems for Scalable and Energy-Efficient Deep Learning

12.20(수) 11:30~12:00

Deep learning is currently the fastest-growing field in machine learning and is transforming the various segments of our lives. This fast evolving technology was pioneered by GPU-accelerated computing systems and has enabled machines to be trained at a speed, accuracy, and scale that can drive innovation in artificial intelligence. In this talk, I will discuss two of my recent works focused on building accelerator-centric systems for scalable and energy-efficient deep learning: (a) by leveraging throughput-optimized GPUs for training, and (b) by using latency and energy-optimized ASICs for inference.

 

Bio
Minsoo is an assistant professor at the Department of Computer Science and Engineering at POSTECH, South Korea. He was formerly with NVIDIA Research as a senior research scientist developing hardware & software systems for accelerating deep learning applications. He holds a B.E. from Sogang University (2007), a M.S. from KAIST (2009) and a Ph.D. from the University of Texas at Austin (2014).

조성현 교수(DGIST)


Recent results in image deblurring

12.21(목) 10:00~10:30

One goal in computational photography is to overcome limitations of traditional cameras such as blur. Blur, which is one of the most annoying artifacts in photographs, is caused by long exposure time or lens aberration. Deblurring is a problem to remove blur from a blurry image so that valuable hidden information can be revealed. Deblurring can benefit consumer cameras, medical imaging, aerial and satellite imaging, and many others. In this talk, I will briefly introduce some of our past and recent results in image deblurring including convergence analysis of deblurring, and deblurring in low-light environments. Besides deblurring, I will share my ideas on possible future directions in computational photography research.

 

Bio

Sunghyun Cho is an assistant professor at DGIST. Before joining DGIST, he worked for Samsung Electronics from April 2014 to April 2017, and worked as a post-doctoral research scientist at Adobe Research in Seattle from March 2012 to March 2014. He received his Ph.D. in Computer Science from POSTECH in Feb. 2012, and B.S. degrees in Computer Science, and in Mathematics from POSTECH in 2005. He spent six months in Beijing in 2006 as an intern at Microsoft Research Asia, and also spent four months in Seattle in 2010 as an intern at Adobe Research. In 2008, he was awarded Microsoft Research Asia 2008/09 Graduate Research Fellowship Award. His research interests include computational photography, image/video processing, computer vision, computer graphics, etc.

안성용 교수(부산대)


멀티코어 시스템에서 NVMe SSD를 위한 입출력 자원 관리 기법

12.21(목) 10:30~11:00

NVMe SSD는 기존 SATA나 SAS와 같은 하드디스크 기반 인터페이스의 한계를 극복하기위해 개발된 PCIe 기반의 SSD 인터페이스이다. NVMe 인터페이스는 core별 I/O queue의 운용이 가능해 멀티코어 시스템에서 I/O queue에 대한 lock contention overhead를 줄이고 SSD의 internal parallelism을 활용해 SSD 성능을 극대화할 수 있다는 장점이 있다. 그러나 이러한 장점에도 불구하고 NVMe SSD를 제대로 활용하기 위해서는 여전히 운영체제의 I/O stack에서 개선되어야할 부분이 존재한다. 특히 Linux container 시스템의 기존 입출력 자원 관리 기법은 multi-queue 구조를 제대로 지원하지 못하고 있다. 이를 비롯해 NVMe SSD을 위한 I/O stack 개선과 관련된 연구를 소개하고자 한다.

 

Bio

2012, Ph.D., Computer Science and Engineering, Seoul National University
2016-Present Assistant Professor, School of Computer Science and Engineering, Pusan National University
2012-2016 Senior engineer, Samsung Electronics

윤세영 교수(KAIST)


노이즈가 존재하는 환경에서의 Power Method

12.21(목) 11:00~11:30

Power Method 은 여러 분야에 적용이 가능한 매우 간단하면서 강력한 입력 행렬 데이터로부터 eigenvector 추출 알고리즘이다. 최근 우리가 처리해야 하는 데이터양이 많아지면서 데이터를 압축하여 처리하여야 하는 경우가 많아지는데, 이 경우 행렬 데이터는 원본 데이터와 차이를 가지게 된다. 이 차이는 Power Method의 성능을 저하하는 요인이 된다. 본 연구에서는 노이즈에 따라서 Power Method의 성능이 어떻게 변하는지와 성능을 어떻게 개선해야 하는지를 다룬다.

 

Bio

KAIST 전기 및 전자 공학과에서 2006년에 학사학위를 받고, 조동호 교수님의 지도하에 통신 네트워크 분석 연구를 통하여 박사학위를 2012년에 받았습니다. 박사후연구과정으로 스웨덴 KTH, 프랑스 Microsoft Research-INRIA joint center, 영국 Microsoft Research, 그리고 미국 Los Alamos National Lab.에서 각각 1년 내외의 기간 동안 근무하며 기계학습분야의 연구를 진행하였습니다. 2017년 7월에 KAIST 산업및시스템공학과 조교수로 부임하여 기계학습 알고리즘의 이론적인 이해와 최적화에 대한 연구를 활발하게 진행하고 있습니다.

한경식 교수(아주대)


Understanding People and Society through Social Media Analysis

12.21(목) 11:30~12:00

소셜컴퓨팅(Social Computing)은 컴퓨터정보학과 인문사회학의 결합을 통해 웹에서 일어나는 사회과학적인 이슈 및 현상에 대해 분석하고 사회적 상호작용과 사람들간의 인터렉션을 지원할 수 있는 방법에 대해서 연구하는 분야이다. 특히 소셜미디어 빅데이터를 활용한 다양한 연구가 활발히 진행되고 있으며, 데이터를 해석할 수 있는 다양한 기술의 등장 및 발전에 따라 소셜미디어 데이터의 활용 가능성은 더욱 높아지고 있다. 본 강연에서는 (1) 소셜미디어 연구에서 활용되고 있는 다양한 도메인, 방법론 및 연구 결과를 소개하고, (2) 이미지와 태그를 바탕으로 사용자 특성에 따른 소셜미디어 사용 패턴의 차이 및 사용자 모델링 대해서 다룬다.

 

Bio

2015 Pennsylvania State University 박사
2015-2017 U.S. Pacific Northwest National Laboratory 연구원

연구분야
Human-Computer Interaction, Social Computing, Data Science
Empirical Analysis of the Subjective Impressions and Objective Measures of Domain Scientists'Visual Analytic Judgments, CHI 2017
Teens are from Mars, Adults are from Venus: Analyzing and Predicting Age Groups with Behavioral Characteristics in Instagram, Web Science 2016
Generation Like: Comparative Characteristics in Instagram, CHI 2015

상기 일정은 사정에 따라 변경될 수 있습니다.

서울시 서초구 방배로 76 (방배동, 머리재빌딩 401호) 우)06704 | (Tel)1588-2728 | (Fax)02-521-1352 | 고유번호 : 114-82-03170 | 대표 : 엄영익

Copyright (c) KIISE. All rights reserved.