2023 최컴특 기말고사 정리

9주차 : 유사 데이터 검색 기술 소개 ( 김종익 교수님 )

• 복잡한 데이터 타입을 지원해야함

• 에러, 비선형, 표현 차이를 잘 관용 할 수 있어야함

• 정점과 선의 갯수 차이

• 안맞는 파티션을 찾는 온라인 파티셔닝 알고리즘을 개발

• 만약 안맞는 파티션이 threshold보다 높을경우 GED 연산을 피할 수 있다.

• 쿼리 그래프가 데이터 그래프와 유사하다면 쿼리 결과는 데이터 그래프의 한 부분집합이다.

• GED : 그래프 페어 사이에 가능한 모두 vertex를 열거한다

• 가장 작은 Graph edit 연산을 열거하는것을 찾는다.

11주차 : DSLAB ( 김경섭 교수님 )

• Assembly process

• Encoding problem in genomes
• Contig를 Vector로 어떻게 바꿀 것인가?

• Genomic Signal Processing

• Sliding Windows

• K-mer composigion vector

• AE

• AE (Encoder + Clustering): params lower?

• Kalman Filter , RNN
• Kalman : process noise와 measurement nosie
• RNN : 신경망

11주차 : Edge computing ( 최훈 교수님 )

• 이동 통신망 기방 edge computing

• 1ms정도밖에 안걸림

• 서비스 지연 = 코어망 지연 + 액세스망 지연

• MEC 적용시
• 스마트폰 - 기지국 - MEC 교환국에서
 
 

• 차량의 리소스를 통해 데이터를 처리

• 클라우드 컴퓨팅에 비해 지연시간이 짧고

• 원격 서버나 데이터 센터로 전송하는 데이터량을 줄임

• 거리에 있는 풍부한 컴퓨팅 리소스를 활용

12주차 : 분산컴퓨팅 및 분산학습 ( 양희철 교수님 )

1. 데이터의 증가와 연산량 때문에..

2. 소통 지연율을 줄일 수 있다.

3. 위협으로부터 유연한 복구

4. node failure를 막을 수 있다.

• 일반적인 분산 컴퓨팅 모델

• 맵 리듀스 프레임워크

• 막힘 현상 : 높은 지연 아웃라이어가 주는 효과

• shuffle transper가 MapReduce에서 얼마나 시간을 사용하는가

• Stragger effect = Low computation Latency

• Computation LOad = No starggler effect

• Motivation
• 모델이 커지고 있다 : 계산 비용

• 병렬 연산
• 데이터 병렬연산
• 데이터를 GPU N개에 나눠서 학습시킴
• 병렬 연산 쉽고, 높은 유용성
• 모델 병렬 연산
• 모델을 GPU N개에 나눠서 학습시킴
• 병렬 연산 어렵고, 로드 밸런싱 이슈

• Algorithms
• 연합 학습
• 엣지와 디바이스 사이에서 합동학습
• 분할 학습
• 네트워크위에서 합동 추론
• Peer-to-peer split learning
• 탈중앙화 학습

13 주차 : 신뢰 컴퓨팅 ( 장진수 교수님 )

• Rest, Transit, Use 할때 Protection

• 앞 두개는 Prevalent data security model

• 나머지 3개는 Holistic data security model

• MPC and HE
• Secure Multiparty computation
• Homomorophic Encryption
 

• Intel SGX

• AMD SEV

• ARM TrustZone

• MEE - ( Processor Key ) - 물리메모리 ( EPC ) - 주소 공간

• Processor Key - Snooping

• Normal World

• Secure World

• GrayKey

• Cellebrite UFED

13 주차 : Representation Learning on Heterogeneous Graphs ( 임성수 교수님 )

• Node Classification

• Link Prediction

• Community/anomaly detection\
• partial node label → predict missing node labels

• Graph classification & regression
• partial links → predict missing links

• nodes, links, … → summarzie position graph structures or properties

• Encoder : vector → low-dementional space embedding

• Decoder : vector embedding to node similarity

• minimize a reconstruction loss

• given graph G → find node embeddings

• update each node embedding using its neighborhood

• Parameters sharing

• GraphSAGE
• Node sampling
• Inductive capability

• GAT
• Multi-HEAD attention

• Taxomomy
• Heteogeneous graphs

• the semantics sets concepts and relations between tehem

• Knowledge graph embedding
• minimize a reconstruction loss using the adjacency tensor A

• MetaPaths : Sequence of node types and link types

• MetaPath instances : node sequence following the schema defined by P

• Metapath-based neighbors
• The Set of nodes which connect with node i via metapath P

• HAN
• semantic-level attention using metapath-based neighbors

• MAGNN
• metapath istances connecting the node with its metapath-based neighbors

• Metapath Instance sampling

• Linear transformation

• Generate MI-based graphs

• MI embedding using GATs
• Node embedding
• Parameter learning

14 주차: Intelligent Networks ( 김기일 교수님 )

• 애드혹 통신
• 기지국 없이 무선 통신 기능이 탑재된 디바이스들 간의 네트워크 형성
• 드론간의 군집비행 : 실시간 위치 정보 동기화가 중요
• 이상 데이터의 실시간 감지를 위한 통신 경로 최적화 연구
• 링크 품질, 거리 혼잡도 등 네트워크 상황에 따라 경로를 최적화해야함.

• 인체영역 통신
• 디지털 헬스케어 - 초근처리 통신
• TARA
• 온도가 낮은 노드를 NEXT-HOP으로 선택
• HOT-SPOT 지역을 만나면 이전 노드로 되돌아간다.
• 고신뢰, 저전력 통신 기술 연구
• 개인화된 이동 패턴을 심층강화학습을 통해 학습

• 차세대 이동통신
• 5G 초저지연

• 모델링 & 시뮬레이션
• 네트워크 시뮬레이션 : NS-3, OPNET
• AI for Network