-
구글딥마인드와 공동연구를 통해 인공지능으로 시각을 상상하다
‘노란 포도'나 `보라색 바나나'와 같이 본 적 없는 시각 개념을 이해하고 상상하는 인공지능 능력 구현이 가능해졌다.
우리 대학 전산학부 안성진 교수 연구팀이 구글 딥마인드 및 미국 럿거스 대학교와의 국제 공동 연구를 통해 시각적 지식을 체계적으로 조합해 새로운 개념을 이해하는 인공지능 새로운 모델과 프로그램을 수행하는 벤치마크를 개발했다고 30일 밝혔다.
인간은 `보라색 포도'와 `노란 바나나' 같은 개념을 학습하고, 이를 분리한 뒤 재조합해 `노란 포도'나 `보라색 바나나'와 같이 본 적 없는 개념을 상상하는 능력이 있다. 이런 능력은 체계적 일반화 혹은 조합적 일반화라고 불리며, 범용 인공지능을 구현하는 데 있어 핵심적인 요소로 여겨진다.
체계적 일반화 문제는 1988년 미국의 저명한 인지과학자 제리 포더(Jerry Fodor)와 제논 필리쉰(Zenon Pylyshyn)이 인공신경망이 이 문제를 해결할 수 없다고 주장한 이후, 35년 동안 인공지능 딥러닝 분야에서 큰 도전 과제로 남아 있다. 이 문제는 언어뿐만 아니라 시각 정보에서도 발생하지만, 지금까지는 주로 언어의 체계적 일반화에만 초점이 맞춰져 있었고, 시각 정보에 관한 연구는 상대적으로 부족했다.
안성진 교수가 이끄는 국제 공동 연구팀은 이러한 공백을 메우고자 시각 정보에 대한 체계적 일반화를 연구할 수 있는 벤치마크를 개발했다. 시각 정보는 언어와는 달리 명확한 `단어'나 `토큰'의 구조가 없어, 이 구조를 학습하고 체계적 일반화를 달성하는 것이 큰 도전이다.
연구를 주도한 안성진 교수는 “시각 정보의 체계적 일반화가 범용 인공지능을 달성하기 위해 필수적인 능력이며 이 연구를 통해 인공지능의 추론능력과 상상능력 관련 분야의 발전을 가속할 것으로 기대한다”고 말했다.
또한, 딥마인드의 책임 연구원으로 연구에 참여한 연구원이자 현재 스위스 로잔연방공과대학교(EPFL)의 찰라 걸셔(Caglar Gulcehre) 교수는 “체계적 일반화가 가능해지면 현재보다 훨씬 적은 데이터로 더 높은 성능을 낼 수 있게 될 것이다”라고 전했다.
이번 연구는 12월 10일부터 16일까지 미국 뉴올리언스에서 열리는 제37회 신경정보처리학회(NeurIPS)에서 발표될 예정이다.
관련논문: “Imagine the Unseen World: A Benchmark for Systematic Generalization in Visual World Models”, Yeongbin Kim, Gautam Singh, Junyeong Park, Caglar Gulcehre, Sungjin Ahn, NeurIPS 23
2023.11.30
조회수 2845
-
트랜스포머 대체할 차세대 월드모델 기술 세계 최초 개발
우리 대학 전산학부 안성진 교수 연구팀이 미국 럿거스 대학교와 협력하여 트랜스포머 및 재귀신경망 기반의 월드모델을 대체할 차세대 에이전트 월드모델 기술을 세계 최초로 개발했다.
월드모델은 인간의 뇌가 현실 세계의 경험을 바탕으로 환경 모델을 구축하는 과정과 유사하다. 이러한 월드모델을 활용하는 인공지능은 특정 행동의 결과를 미리 시뮬레이션해보고 다양한 가설을 검증할 수 있어, 범용 인공지능의 핵심 구성 요소로 여겨진다.
특히, 로봇이나 자율주행 차량과 같은 인공지능 에이전트는 학습을 위해 여러 가지 행동을 시도해 보아야하는데, 이는 위험성과 고장 가능성을 높인다는 단점을 갖는다. 이에 반해, 월드모델을 갖춘 인공지능은 실세계 상호작용 없이도 상상모델 속에서 학습을 가능케 해 큰 이점을 제공한다.
그러나 월드모델은 자연어처리 등에서 큰 발전을 가능하게 한 트랜스포머와 S4와 같은 새로운 시퀀스 모델링 아키텍처의 적용에 한계가 있었다. 이로 인해, 대부분의 월드모델이 성능과 효율성 면에서 제약이 있는 고전적인 재귀적 신경망에 의존하고 있었고 안성진 교수팀은 작년 세계최초로 트랜스포머 기반의 월드모델을 개발하였으나 추론 계산속도나 메모리능력에서 여전히 개선할 문제를 갖고 있었다.
이러한 문제를 해결하기 위해, 안성진 교수가 이끄는 KAIST와 럿거스 대학교 공동연구팀은 재귀적 신경망과 트랜스포머 기반 월드모델의 단점을 극복한 새로운 월드모델의 개발에 성공했다. 연구팀은 S4 시퀀스 모델에 기반한 S4 World Model (S4WM)을 개발하여, 재귀적 신경망의 최대 단점인 병렬처리가 가능한 시퀀스 학습이 불가능하다는 문제를 해결하였다. 또한, 재귀적 신경망의 장점인 빠른 추론시간을 유지하도록 하여 느린 추론 시간을 제공하는 트랜스포머 기반 월드모델의 단점을 극복했다.
연구를 주도한 안성진 교수는 "병렬 학습과 빠른 추론이 가능한 에이전트 월드모델을 세계 최초로 개발했다ˮ며, 이는 "모델기반 강화학습 능력을 획기적으로 개선해 지능형 로봇, 자율주행 차량, 그리고 자율형 인공지능 에이전트 기술 전반에 비용절감과 성능 향상이 예상된다ˮ고 밝혔다.
이번 연구는 12월 10일부터 16일까지 미국 뉴올리언스에서 열리는 세계 최고 수준의 인공지능 학회인 제37회 신경정보처리학회(NeurIPS)에서 발표될 예정이다.
관련논문: “Facing off World Model Backbones: RNNs, Transformers, and S4”Fei Deng, Junyeong Park, Sungjin Ahn, NeurIPS 23, https://arxiv.org/abs/2307.02064
2023.11.09
조회수 2792
-
인공지능 챗봇 이미지 데이터 훈련 비용 최소화하다
최근 다양한 분야에서 인공지능 심층 학습(딥러닝) 기술을 활용한 서비스가 급속히 증가하고 있다. GPT와 같은 거대 언어 모델을 훈련하기 위해서는 수백 대의 GPU와 몇 주 이상의 시간이 필요하다고 알려져 있다. 따라서, 심층신경망 훈련 비용을 최소화하는 방법 개발이 요구되고 있다.
우리 대학 전산학부 이재길 교수 연구팀이 심층신경망 훈련 비용을 최소화할 수 있도록 훈련 데이터의 양을 줄이는 새로운 데이터 선택 기술을 개발했다고 2일 밝혔다.
일반적으로 대용량의 심층 학습용 훈련 데이터는 레이블 오류(예를 들어, 강아지 사진이 `고양이'라고 잘못 표기되어 있음)를 포함한다. 최신 인공지능 방법론인 재(再)레이블링(Re-labeling) 학습법은 훈련 도중 레이블 오류를 스스로 수정하면서 높은 심층신경망 성능을 달성하는데, 레이블 오류를 수정하기 위한 추가적인 과정들로 인해 훈련에 필요한 시간이 더욱 증가한다는 단점이 있다. 한편 막대한 훈련 시간을 줄이려는 방법으로 중복되거나 성능 향상에 도움이 되지 않는 데이터를 제거해 훈련 데이터의 크기를 줄이는 핵심 집합 선별(coreset selection) 방식이 큰 주목을 받고 있다. 그러나 기존 핵심 집합 선별 방식은 훈련 데이터에 레이블 오류가 없다고 가정한 표준 학습법을 위해 개발됐고, 재레이블링 학습법을 위한 핵심 집합 선별 방식에 관한 연구는 부족한 실정이다.
이재길 교수팀이 개발한 기술은 레이블 오류를 스스로 수정하는 최신 재레이블링 학습법을 위해 핵심 집합 선별을 수행하여 심층 학습 훈련 비용을 최소화할 수 있도록 해준다. 따라서, 레이블 오류가 포함된 현실적인 훈련 데이터를 지원하므로 실용성이 매우 높다.
또한 이 교수팀은 특정 데이터의 레이블 오류 수정 정확도가 해당 데이터의 이웃 데이터의 신뢰도와 높은 상관관계가 있음을 발견했다. 즉, 이웃 데이터의 신뢰도가 높으면 레이블 오류 수정 정확도가 커지는 경향이 있다. 이웃 데이터의 신뢰도는 심층신경망의 충분한 훈련 전에도 측정할 수 있으므로, 각 데이터의 레이블 수정 가능 여부를 예측할 수 있게 된다. 연구팀은 이러한 발견을 기반으로 전체 훈련 데이터의 총합 이웃 신뢰도를 최대화하는 데이터 부분 집합을 선별해 레이블 수정 정확도와 일반화 성능을 최대화하는 `재레이블링을 위한 핵심 집합 선별'을 제안했다. 총합 이웃 신뢰도를 최대화하는 부분 집합을 찾는 조합 최적화 문제의 효율적인 해법을 위해 총합 이웃 신뢰도를 가장 증가시키는 데이터를 차례차례 선택하는 탐욕 알고리즘(greedy algorithm)을 도입했다.
연구팀은 이미지 분류 문제에 대해 다양한 실세계의 훈련 데이터를 사용해 방법론을 검증했다. 그 결과, 레이블 오류가 없다는 가정에 따른 표준 학습법에서는 최대 9%, 재레이블링 학습법에서는 최대 21% 최종 예측 정확도가 기존 방법론에 비해 향상되었고, 모든 범위의 데이터 선별 비율에서 일관되게 최고 성능을 달성했다. 또한, 총합 이웃 신뢰도를 최대화한 효율적 탐욕 알고리즘을 통해 기존 방법론에 비해 획기적으로 시간을 줄이고 수백만 장의 이미지를 포함하는 초대용량 훈련 데이터에도 쉽게 확장될 수 있음을 확인했다.
제1 저자인 박동민 박사과정 학생은 "이번 기술은 오류를 포함한 데이터에 대한 최신 인공지능 방법론의 훈련 가속화를 위한 획기적인 방법ˮ 이라면서 "다양한 데이터 상황에서의 강건성이 검증됐기 때문에, 실생활의 기계 학습 문제에 폭넓게 적용될 수 있어 전반적인 심층 학습의 훈련 데이터 준비 비용 절감에 기여할 것ˮ 이라고 밝혔다.
연구팀을 지도한 이재길 교수도 "이 기술이 파이토치(PyTorch) 혹은 텐서플로우(TensorFlow)와 같은 기존의 심층 학습 라이브러리에 추가되면 기계 학습 및 심층 학습 학계에 큰 파급효과를 낼 수 있을 것이다ˮ고 말했다.
우리 대학 데이터사이언스대학원에 재학 중인 박동민 박사과정 학생이 제1 저자, 최설아 석사과정, 김도영 박사과정 학생이 제2, 제3 저자로 각각 참여한 이번 연구는 최고권위 국제학술대회 `신경정보처리시스템학회(NeurIPS) 2023'에서 올 12월 발표될 예정이다. (논문명 : Robust Data Pruning under Label Noise via Maximizing Re-labeling Accuracy)
한편, 이 기술은 과학기술정보통신부 재원으로 정보통신기획평가원의 지원을 받아 SW컴퓨팅산업원천기술개발사업 SW스타랩 과제로 개발한 연구성과 결과물(2020-0-00862, DB4DL: 딥러닝 지원 고사용성 및 고성능 분산 인메모리 DBMS 개발)이다.
2023.11.02
조회수 2681
-
김진국 의과학대학원 교수, 2023 올해의 논문상 수상
우리 대학 의과학대학원 김진국 교수가 지난 25일 스페인 바르셀로나에서 열린 올리고뉴클레오타이드 치료 학회(Oligonucleotide Therapeutics Society)의 2023 연례회의에서 올해의 논문상(Paper of the Year Award)을 수상했다고 26일 밝혔다.
김 교수는 최근 희귀유전질환에 대한 환자맞춤형 치료제를 개발하고 이를 다수의 환자들에게 확대 적용하는데 필요한 가이드라인을 정립한 논문을 지난 7월 국제학술지‘네이처(Nature)’에 출판한 바 있다. 해당 연구는 하버드의과대학의 티모시 유(Timothy Yu) 교수 연구팀과 공동으로 진행하였으며 KAIST 의과학대학원 우시재 박사과정 학생이 주저자로 참여하였고, 과기정통부의 해외우수과학자유치사업Plus(Brain Pool Plus)의 지원을 받았다.
해당 학회는 RNA 기반 치료에서 가장 권위있는 학회로 꼽히며 유럽과 미국을 번갈아가며 연례회의를 개최하고 있다. 올해의 논문상은 지난 한 해 동안 출판된 RNA 기반 치료제 개발 연구 논문 중에 기초 분야에서 1편, 임상연계 분야에서 1편, 총 2편의 가장 임팩트 있는 논문들을 선정해 각 논문의 책임저자 1명에게 수여하며, 김 교수의 논문은 임상연계 분야에 선정됐다.
김 교수는 “이번 수상은 저 뿐만 아니라 이 연구에 기여하신 모든 분들께 앞으로 희귀질환에 대한 연구를 더욱 매진하라고 주는 상이라 생각한다”고 밝혔다. 상금(USD $1,000) 전액은 희귀질환 재단(A-T Children’s Project)에 기부하기로 했다고 밝혔다.
<참고문헌>“A framework for individualized splice-switching oligonucleotide therapy” Nature (2023)
https://www.nature.com/articles/s41586-023-06277-0
2023.10.26
조회수 2838
-
기존 대비 50배 이상 압축 가능한 뉴크론 개발
희소 행렬에 해당하는 2억 건의 비디오 시청 내역을 10킬로바이트(KB) 크기로 성공적으로 압축할 수 있으며 기존 기술을 이용해 1기가바이트(GB)로 압축한 것보다도 압축으로 인한 정보 손실이 적은 기술이 개발됐다.
우리 대학 김재철AI대학원 신기정 교수 연구팀은 기존 대비 50배 이상 우수한 압축률의 희소 행렬 압축 기술인 뉴크론(NeuKron)을 개발했다고 9일 밝혔다.
희소 행렬이란 높은 비율의 원소가 0인 행렬을 의미하며, 전자상거래 구매 내역, 소셜 네트워크에서의 친구 관계, 문서와 단어 간 포함 관계 등 다양한 종류의 데이터가 희소 행렬 형태로 저장 및 활용된다. 예를 들어, 전자상거래 구매 내역의 경우, 행렬의 각 행이 각 구매자에 해당하고, 각 열이 각 상품에 해당하며, 각 원소는 해당 구매자가 해당 상품을 구매한 수량을 의미한다. 예를 들어, i행 j열 원소는, i번째 구매자가, j번째 상품을 구매한 수량에 해당한다. 각 구매자는 전체 상품 중, 일부만을 구매하기 때문에, 해당 행렬은 원소 대부분이 0인 희소 행렬이다.
실세계 데이터로부터 얻어진 대규모 희소 행렬을 효율적으로 다루기 위해서는, 압축 기술이 필수적이다. 예를 들어, 1억 명의 구매자와 1억 개의 상품으로 구성된 전자상거래 구매 내역의 경우, 행렬은 전체 구매자 수와 전체 상품 수의 곱에 해당하는 1경 개의 원소를 갖는다. 또한, 희소 행렬 압축은 많은 응용문제에 활용되고 있다. 예를 들어, 많은 추천시스템은 희소 행렬을 손실 압축한 뒤, 복원하는 과정을 통해, 각 구매자가 각 상품을 구매하고자 하는 의향을 추론한다. 또한, 이때의 복원 오차를 기반으로 이상 데이터를 탐지하고 교정하기도 하며, 매개 변수 행렬 압축을 통해서 인공지능 모델을 경량화하기도 한다.
신기정 교수팀은 희소 행렬의 압축률을 크게 개선할 수 있는 손실 압축 기술인 뉴크론을 개발했다. 뉴크론은 실세계 데이터에서 흔하게 발견되는 자기 유사성에 착안했는데, 자기 유사성이란 대상의 일부분을 확대해 볼 때, 대상의 전체와 닮은 패턴이 나타나는 성질을 의미한다. 뉴크론은 크게 세 가지 단계로 구성된다. 첫 번째 단계는, 행렬이 자기 유사적인 구조를 가질 수 있도록 행과 열을 재배열하는 것이며, 두 번째 단계는, 재배열된 행렬을 재귀적으로 분해하는 과정을 통해, 행렬의 각 원소를 위치 수열로 인코딩하는 것이다. 마지막 단계는 각 위치 수열을 입력으로 행렬의 원소값을 추론하는 순환신경망을 학습하는 것이다. 이때, 순환신경망은 행렬의 자기 유사성을 기반으로 정확한 추론을 수행한다.
신기정 교수팀의 뉴크론 기술은 희소 행렬뿐 아니라, 희소 텐서의 압축에도 적용할 수 있다. 행렬이 행과 열로 구성된 2차원 데이터라면, 텐서는 행렬을 3차원 이상으로 일반화한 것이다. 예를 들어, 3차원 텐서는 행렬을 수직으로 쌓은 형태이다. 실제로 행렬과 텐서를 포함 10개의 실세계 데이터 세트를 사용해 검증한 결과, 동일 복원 오차 하에서, 뉴크론은 기존 기술 대비 50배 이상 우수한 압축률을 보였다.
우리 대학 김재철AI대학원 권태형 박사과정, 고지훈 석박사통합과정이 공동 제1저자, 전북대학교 정진홍 교수가 공동 저자로 참여한 이번 연구는 올해 5월에 미국 오스틴에서 열리는 미 컴퓨터협회 웹 학술대회(이하 ACM WWW)에서 발표될 예정이다. (논문 제목: NeuKron: Constant-Size Lossy Compression of Sparse Reorderable Matrices and Tensors) 올해 32회를 맞은 ACM WWW는, 웹 분야 최우수 학회로, 전 세계에서 해당 분야 전문가들이 참석해 최신 연구 성과를 공유한다.
신기정 교수는 "다양한 실세계 데이터 그리고 인공지능 모델의 매개 변수가 희소 행렬의 형태로 표현된다ˮ라며, "희소 행렬 압축 기술을 추천시스템, 이상 탐지, 인공지능 모델 경량화 등 다양한 분야에 활용 가능할 것으로 기대한다ˮ라고 설명했다.
한편 이번 연구는 정보통신기획평가원의 지원을 받은 강건하고 공정하며 확장 가능한 데이터 중심의 연속 학습 과제와 한국연구재단의 지원을 받은 부호화된 그래프 마이닝 과제의 성과다.
2023.03.09
조회수 4005
-
난치성 뇌전증 80%까지 유전자 진단 성공
우리 대학 의과학대학원 이정호 교수팀이 소아 난치성 뇌전증인 국소피질이형성증 환자 뇌 조직 연구를 통해 극미량의 뇌세포에 존재하는 돌연변이 검출하는 방법을 개발하고, 이를 통해 질병 발생의 메커니즘을 이해하고 치료의 초석을 마련했다고 15일 밝혔다.
이번 연구내용은 세계적 신경의학 학술지 `신경학 연보(Annals of Neurology)'에 지난 1월 26일 字 게재됐다.
뇌전증은 반복적인 발작을 특징으로 하는 신경질환이다. 뇌전증 유병률은약 0.5~1%로, 전세계적으로 5000만명이 넘는 환자가 있고, 국내에서는 30~40만명 정도로 치매, 뇌졸중 다음으로 많은 신경질환이다. 뇌전증 발작을 억제시키는 FDA(미국 식품의약국)에서 허가받은 항경련제가 20개가 넘는데도 불구하고, 발작이 조절되지 않아 일상생활에 지장을 초래하는 난치성 뇌전증 환자의 비율이 전체 뇌전증 환자의 30%에 이른다. 기존 항경련제는 뇌의 과도한 흥분을 억제해 발작 증상을 예방, 조절할 뿐, 질환의 원인, 질환 자체에는 영향을 주지는 못하고 있고, 뇌전증 발생 원인은 유전적 요인, 뇌염, 뇌종양 등 다양하지만 아직도 뇌전증 환자의 과반수 이상은 정확한 원인을 모르기 때문이다. 특히, 소아 난치성 뇌전증의 경우, 발작이 조절되지 않으면 뇌손상으로 이어져 지적장애, 발달장애로 인해 평생 장애를 갖고 살아가야 될 수 있으며 그들을 케어할 사회적 비용 또한 높아 치료제 개발이 절실하다.
국소피질이형성증은 태아의 뇌 발달과정 중에 생긴 이상으로 대뇌 피질이 국소적으로 비정상적인 구조를 띄며 뇌전증 발작을 동반하는 대표적인 소아 난치성 뇌전증 질환이다. 국소피질이형성증 난치성 뇌전증은 치료제가 없으며, 뇌절제술이 현재로서는 유일한 치료법이지만, 수술 후에도 재발하는 환자 비율이 30~40%로 높고, 수술이 불가능한 환자도 적지 않다.
연구팀은 기존에 전혀 원인을 알지 못했던 국소피질이형성증이 엠토르(이하 mTOR)* 경로 관련 유전자들에 뇌 세포 특이적으로 돌연변이가 생겨 발작이 발생된다는 사실을 2015년 네이쳐 메디슨 (Nature Medicine)에 세계 최초로 보고한 바 있다. 국제 뇌전증 협회 (ILAE)는 이를 반영하여 국소피질이형성증의 새로운 진단 기준을 2022년 개정하였다. 그러나 기존 뇌 돌연변이 분석 방법으로는 약 50%의 환자에게서만 유전적 진단이 가능하다는 한계를 갖고 있다.
* 엠토르(mTOR): 세포의 성장과 분열을 조절하는 신호전달 단백질
연구팀은 동물 실험 연구에서 전체 뇌세포의 1% 이하에 해당하는 극미량의 뇌세포만 해당 유전변이를 가져도 뇌 전체 발작 활성도를 변화시켜 발작을 초래한다는 것을 이미 확인한 바 있다. 이를 착안해 연구팀은 기존 뇌 조직 유전자 진단에서는 음성이 나온 환자 뇌조직에서 mTOR 경로의 발현 이상을 갖는 뇌 신경세포만 선택적으로 수집하는 방식으로 기존의 진단 방법의 한계를 극복하고자 했다.
기존방법으로 원인을 찾지 못한 국소피질이형성증 19명 환자 뇌 신경세포의 mTOR 활성화 신호를 표시하여 유세포 분석기를 통해 수집했고 유전체 염기서열 분석을 진행했다. (그림 1) 이 중 30%의 환자는 극미량의 돌연변이를 갖고 있었으며, 20%의 환자는 mTOR의 억제 유전자인 GATOR1 복합체의 생식세포 돌연변이를 갖고 있음을 밝혔다. 네덜란드 뇌 은행으로부터 공여받은 3명의 환자 뇌 조직에서 연구팀의 방법을 통해 3명 모두에서 유전적 진단이 가능했다.
이러한 진단적 접근은 기존 방식과 비교해 돌연변이를 약 34배까지 민감하게 검출하는 것과 동시에 전체 국소피질이형성증 환자의 유전적 진단율을 80%까지 끌어올릴 수 있었다. (그림 2) 이는 국소피질이형성증의 근본 원인을 규명하는 새로운 접근법을 제시하고, 난치성 뇌전증의 치료에 주요한 전기를 마련할 것으로 예상된다. 이번 연구 성과는 KAIST 교원 창업 기업인 소바젠㈜을 통해 국소피질이형성증 환자의 정확한 유전자 진단을 돕고 해당 환자에서 돌연변이 유전자를 정밀 타겟하는 혁신 RNA 치료제 개발에 이용될 예정이다.
KAIST 의과학대학원 졸업생으로 현재 서울 아산병원 소아청소년과에 근무하고 있는 의사과학자인 논문의 제1 저자 김자혜 박사는 "극미량의 체성돌연변이를 검출하는 새로운 접근을 통해 국소피질이형성증 발생의 정확한 원인을 이해하고, 이를 바탕으로 난치성 뇌전증 치료제 개발을 위한 작은 발판이 되길 바란다ˮ라고 말했다.
한편 이번 연구는 서경배과학재단, 한국연구재단, 보건산업진흥원사업을 통해 수행됐다.
2023.02.15
조회수 4539
-
약물 상호작용 예측하는 美 FDA 수식, 틀렸다
여러 약물을 동시에 복용하면, 약물간의 상호작용에 의해 약효가 달라질 수 있다. 우리 대학 수리과학과 김재경 교수 연구팀(기초과학연구원 수리 및 계산 과학 연구단 의생명 수학 그룹 CI)은 채정우‧김상겸 충남대약대 교수팀과 공동으로 미국 식품의약국(FDA)이 사용을 권장하는 약물 상호작용 예측 수식이 부정확했던 원인을 규명하고, 정확도를 2배 이상 높인 새로운 수식을 제시했다.
체내 흡수된 약물은 간을 비롯한 여러 장기의 효소에 의해 대사되어 체내에서 사라진다. 두 가지 이상의 약을 함께 복용할 경우, 하나의 약이 다른 약의 대사를 변화시켜 체외 배설을 촉진하거나 억제할 수 있다. 목표로 한 치료 효과를 내지 못하거나 부작용이 발생할 가능성이 있다. 이를 ‘약물 상호작용(DDI)’이라고 한다.
약물 상호작용에 따라 약물의 제거 속도를 정확하게 예측하는 것은 의약품 처방 및 신약 개발에 있어 매우 중요하다. 의료진은 약물을 복합처방할 때 의약품 사용설명서에 명시된 약물 상호작용 정보를 토대로 처방을 내린다. 신약 개발 과정에서도 약물 상호작용을 필수로 연구하여 표시하도록 되어 있다.
FDA는 약물 상호작용을 평가하고, 다약제 복용 과정의 부작용을 최소화하기 위한 가이던스(Guidance‧지침서)를 1997년 처음 발행했다(2020년 1월 개정). 신약 개발과정에서 신약 후보물질과 시판된 모든 약물의 상호작용을 모두 평가하는 것이 현실적으로 불가능하기 때문에 FDA는 가이던스에서 제시한 수식을 활용해 약물 상호작용을 간접적으로 평가하도록 권고하고 있다.
문제는 이 수식의 정확도가 떨어진다는 점이다. FDA가 제시하는 수식은 효소의 반응속도를 설명하는 ‘미카엘레스-멘텐 식’을 기반으로 한다. 이 수식은 약물 대사에 관여하는 체내 효소의 농도가 낮다는 것을 전재로 한다. 연구진은 실제 간에서 약물 대사에 관여하는 효소 농도는 예측에 사용돼온 값보다 1000배 이상 높은 것으로 확인함으로써 기존 FDA 수식이 부정확한 원인을 찾았다.
채정우 충남대약대 교수는 “연구자들은 과학적인 근거가 부족한 인위적인 수를 곱하는 식으로 FDA의 수식을 보정해서 사용해왔다”며 “과거의 과학자들이 당시의 정설이던 천동설을 기반으로 행성의 움직임을 설명하기 위해 복잡한 궤도를 도입했던 것과 유사한 상황”이라고 말했다.
연구진은 수학-약학 협력연구를 통해 약물 상호작용을 설명할 수 있는 새로운 수식을 개발했다. 의심 없이 사용돼 온 기존 식 대신 효소의 농도에 상관없이 정확하게 약물의 대사 속도를 예측할 수 있는 새로운 수식을 유도했다.
이후, 새로 쓰인 수식을 이용해 약물 상호작용을 예측하고, 실제 실험으로 측정된 값과 비교했다. 그 결과, 인위적인 보정 없이도 예측 정확도가 2배 이상 증가한 것으로 확인됐다. 기존 FDA 수식은 약물 상호작용을 2배의 오차범위 내에서 예측한 비율이 38%인데 반해, 수정된 식은 80%에 달했다.
생물학적 제제를 제외한 대부분의 의약품은 FDA 가이던스에 따라 약물의 상호작용을 평가한다. 이 결과는 약효와 부작용에 직결된다. 정확한 수식을 활용한 약물 상호작용 연구 및 약물 처방이 필요한 이유다.
김상겸 충남대약대 교수는 “약물 상호작용 예측 정확도의 개선은 신약개발의 성공률과 임상에서의 약물 효율을 높이는데 기여할 것”이라며 “임상약리학 분야 최고의 저널에 논문을 발표한 만큼, 이번 연구결과에 따라 FDA 가이던스가 수정될 것으로 기대한다”고 말했다.
김재경 교수는 “수학과 약학의 협력 연구 덕분에 당연히 정답이라고 생각했던 수식을 수정하고, 인류의 건강한 삶을 위한 단서를 찾을 수 있었다”며 “미국 FDA 가이던스에 ‘K-수식’이 들어가길 꿈꿔본다”고 말했다.
이번 연구결과는 2022년 12월 15일(한국시간) 임상약리학 분야 권위지인 ‘임상약리학 및 약물치료학(Clinical Pharmacology and Therapeutics, IF 7.051)’ 온라인 판에 실렸다.
※ 논문명: Beyond the Michaelis-Menten: Accurate Prediction of Drug Interactions through Cytochrome P450 3A4 Induction
2023.01.09
조회수 4821
-
인공지능으로 정확한 세포 이미지 분석..세계 AI 생명과학 분야 대회 우승
우리 대학 김재철AI대학원 윤세영 교수 연구팀이 세계 최고 수준의 인공지능(AI) 학회인 `뉴립스(NeurIPS, 신경정보처리시스템학회) 2022'에서 개최된 `세포 인식기술 경진대회'에서 취리히 리서치센터, 베이징대, 칭화대, 미시간대 등 다수의 세계 연구팀을 모두 제치고 1위로 우승을 달성했다고 28일 밝혔다.
뉴립스는 국제머신러닝학회(ICML), 표현학습국제학회(ICLR)와 함께 세계적인 권위의 기계학습 및 인공지능 분야 학회로 꼽힌다. 뛰어난 연구자들이 제출하는 논문들도 승인될 확률이 25%에 불과할 정도로 학회의 심사를 통과하기 어려운 것으로 알려져 있다.
윤세영 교수 연구팀은 이번 학회에서 `세포 인식기술 경진대회(Cell Segmentation Challenge)'에 참가했다. 이기훈(박사과정), 김상묵(박사과정), 김준기(석사과정)의 3명의 연구원으로 구성된 OSILAB 팀은 초고해상도의 현미경 이미지에서 인공지능이 자동으로 세포를 인식하는 MEDIAR(메디아) 기술을 개발해 2위 팀과 큰 성능 격차로 1위를 달성했다.
세포 인식은 생명 및 의료 분야의 시작이 되는 중요한 기반 기술이지만, 현미경의 측정 기술과 세포의 종류 등에 따라 다양한 형태로 관찰될 수 있어 인공지능이 학습하기 어려운 분야로 알려져 있다. 세포 인식기술 경진대회는 이러한 한계를 극복하기 위해 초고해상도의 현미경 이미지에서 제한된 시간 안에 세포를 인식하는 기술을 주제로 개최됐다.
연구팀은 기계학습에서 소수의 학습 데이터를 더 효과적으로 활용해 성능을 높이는 데이터 기반(Data-Centric) 접근법과 인공신경망의 구조를 개선하는 모델 기반(Model-Centric) 접근법을 종합적으로 활용해 MEDIAR(메디아) 기술을 개발했다. 개발된 인공지능 기술을 통해 정확하게 세포를 인식하고 고해상도 이미지를 빠르게 연산함으로써 대회에서 좋은 성과를 얻을 수 있었다. 지도교수인 KAIST 김재철AI대학원 윤세영 교수는 “MEDIAR는 세포 인식기술 경진대회를 통해 개발됐지만 기상 예측이나 자율주행과 같이 이미지 속 다양한 형태의 개체 인식을 통해 정확한 예측이 필요한 많은 분야에 적용할 수 있다”라고 향후 다양한 활용을 기대했다.
팀을 이끌었던 이기훈 박사과정은 "처음 접하는 분야에서도 성과를 낼 수 있었던 것은 평소 기본기를 중요시하는 교수님의 가르침 덕분ˮ이라며 "새로운 문제에 끊임없이 도전하자는 것이 연구팀의 기본 정신ˮ이라고 강조했다. 이어 같은 연구실 김상묵 박사과정은 "연구 과정에서 많은 실패가 있었지만, 세상에 꼭 필요한 기술이라는 생각으로 끝까지 노력했다ˮ라며 "혼자서라면 절대 해내지 못했던 결과인 만큼 팀원들에게 정말 감사하다ˮ라고 수상 소감을 전했다. 같은 연구실 김준기 석사과정은 "팀원들과 이룬 성과가 의료 분야 인공지능이 겪는 현실의 문제를 해결하는 데 도움이 될 수 있기를 바란다”라고 밝혔다.
연구팀은 생명과학 분야 연구의 발전을 돕기 위해 개발된 기술을 전면 오픈소스로 공개한다고 밝혔다. 학습된 인공지능 모델과 인공지능을 구현하기 위한 프로그램의 소스 코드는 개발자 플랫폼인 깃허브 (GitHub)를 통해 이용할 수 있다.
2022.12.28
조회수 5410
-
창업원, 2022 스타트업 페스티벌 개최
우리 대학이 13일부터 이틀간 2022 스타트업 페스티벌을 개최했다. 올해로 9회째를 맞는 이번 행사는 KAIST 창업원의 연간 성과를 공유하고 앞으로의 방향성을 모색하기 위해 마련된 자리다. 행사 첫날인 13일에는 한 해 동안의 창업 성과를 소개하는 행사들로 꾸려졌다. 오전에는 교원창업 워크숍을 열어 창업원 초빙교수인 최호숙 변호사가 창업을 시작하는 기업의 주요 법률상담 사례를 공유했다. 이와 함께, 창업을 희망하는 교원들을 위한 기술 실시 계약서 작성 요령을 알아보고 창업에 앞서 개인별 역량과 준비 상태를 점검하고 초기 창업자가 직면하는 위험에 대처할 수 있도록 돕는 '창업역량 자가 진단 프로그램 개발' 내용 발표도 이어졌다. 오후에는 2022년을 대표하는 KAIST의 창업기업과 '룬샷(Loonshots)' 프로그램을 통한 학생창업 성과를 소개하는 시간이 마련됐다. 올해는 ▴나니아랩스(제조 분야 인공지능 솔루션) ▴임팩트 AI(인공지능·빅데이터 솔루션) ▴Plume.D(3D 아바타 렌더링 솔루션) ▴심투리얼(디지털 트윈 가상환경 서비스) ▴셀리아즈(망막질환 치료제 개발) ▴스파이더코어(인공지능 기반 RNA 치료제 개발) ▴트루밸류(진로 교육 솔루션 서비스) 등 7개 기업이 창업 지원 프로그램의 기업 소개 대상으로 선정됐다.이 중, 나니아랩스는 조천식모빌리티 대학원 강남우 교수가 대기업 수요 기반 매칭 프로그램(KAIST Entrepreneurial Partnership, 이하 KEP)을 통해 올해 4월 창업한 기업이다. 엔지니어링 설계에 필요한 데이터를 자동으로 생성·평가·최적화 추천하는 통합 제조 플랫폼을 이용해 제품 개발에 필요한 시간과 비용을 획기적으로 단축하는 서비스를 제공하고 있다. 또한, 인간 개발자가 아닌 인공지능이 프로그램 코드를 스스로 설계하는 '노코드 서비스형 소프트웨어(No-code AI SaaS)'도 함께 제공한다.
이런 기술력을 바탕으로 창업 4개월 만에 현대자동차그룹(제로원)으로부터 투자를 받았으며, 지난 10월 열린 그린비즈니스위크 2022 K-테크 스타트업 왕중왕전에서 교원 부분 대상을 차지했다. 현재, 현대자동차, 현대모비스와 LG전자 등이 나니아랩스의 기술을 개발에 활용하고 있다. 또한, 학생창업 기업으로는 KAIST가 올해 새로 도입한 '룬샷 스타트 챌린지'에 선정된 ▴Plan IT(블록체인 기반 AI 아트 크리에이터 플랫폼) ▴Kiddle(작업전시 및 판매공간) ▴Bookend(클라우드& 인공지능 도서편집기 기반 출판사)가 소개된다. '룬샷' 은 창업 이전 단계의 참신한 아이디어를 가진 학생들을 대상으로 아이디어를 검증할 비용 및 창업 코칭을 지원하는 창업지원 프로그램이다. 우리 대학은 올해 17개의 교원창업 기업을 배출해 투자 유치는 물론 매출 및 고용 창출 등 실질적인 성과를 창출하고 있다. 또한, 6개 학생창업 기업과 44개 예비 학생창업팀을 지원하고 있다. 행사 둘째 날에는 대전지역 창업생태계 활성화를 위해 노력하는 KAIST 동문 기업 CEO, 벤처캐피털, 창업기획사, 창업기업가 등이 참석하는 토크 콘서트와 세미나 등이 열렸다. 산·학·연 관계자들이 한자리에 모여 스타트업의 주요 현안과 지속 가능한 발전을 위한 방향성을 논의했다.
또한, 부대행사로 창업기업 제품 전시 체험 부스가 열린다. 남주한 문화기술 대학원 교수의 창업기업인 뉴튠(Neutune)은 사용자가 아티스트의 음악을 자유롭게 조합하여 소장하고 공유할 수 있는 '믹스 오디오' 서비스를 선보였다. 이와 함께, 토브데이터(TOVDATA)의 기업의 개인정보 관리 서비스 프로그램인 '플립(Plip)'과 인공지능 솔루션을 기반으로 가상 얼굴을 제작해 저작권과 초상권에서 자유로운 마케팅 솔루션을 제공하는 플립션(Fliption)의 서비스도 체험 기회도 현장에서 제공됐다.
김영태 KAIST 창업원장은 "올 한해는 '1랩 1창업'이란 비전 아래 다방면의 창업 지원 정책을 추진한 결과 교원창업이 특히 활성화된 한 해였다"라고 말했다. 이어, 김 원장은 "KAIST 스타트업 페스티벌은 창업 기업들의 성과를 돌아보고 서로 격려하며, 경제 침체의 위기 속에서 스타트업의 생존과 성장을 위한 지원방안을 모색하는 화합과 협력의 장으로 열렸다"라고 전했다.이번 행사는 우리 대학 대전 본원의 창업원 K-Space와 KI빌딩 퓨전홀 등에서 현장 진행되고 온라인(zoom)에서도 중계됐다.
2022.12.14
조회수 4959
-
KAIST, 세계적 권위의 AI 학회에서 연구 역량 입증
우리 대학 연구진이 인공지능 분야에서 세계 최고의 권위를 자랑하는 신경정보처리시스템학회(이하, NeurIPS)에서 왕성한 연구 역량과 위상을 입증했다. NeurIPS는 산업계와 학계에서 최신 인공지능 연구를 발표하는 권위 있는 국제학회다. 우리 대학은 2020년에 20편, 2021년에 45편의 논문을 발표했고, 올해도 작년 수준과 비슷한 37편을 게재해 인공지능 분야에서의 왕성한 연구 능력을 학계에 선보였다. 특히, 예종철 김재철AI대학원 교수의 논문(Energy-Based Contrastive Learning of Visual Representations)이 상위 6%만을 선정하는 구두 발표 논문으로 선정되어 질적으로도 우수한 연구 수준을 인정받았다. 이뿐만이 아니라 지난달 28일부터 미국 루이지애나주 뉴올리언스에서 열린 NeurIPS 2022 학회에서 우리 대학 교수진과 동문이 눈에 띄게 활약했다. 오혜연 전산학부 교수(KAIST 인공지능연구원 부원장)와 조경현 동문(KAIST 전산학부 학사 졸업)은 학술위원장 (Program chair)을, 안성진 전산학부 교수는 워크숍위원장(Workshop chair)을 맡았다. 김주호 전산학부 교수는 기조 강연자로 초청되어 ‘인터렉션 센트릭 AI(Interaction-Centric AI)’를 주제로 발표했다. 오혜연 교수는 “다수의 KAIST 연구진이 국제학회 조직위원 및 기조 강연자로 선정되었다는 것은 인공지능 연구 분야에서 KAIST의 위상이 세계적으로 높아졌음을 시사한다”라고 설명했다.
2022.12.11
조회수 4711
-
세계 최초로 사람처럼 사물의 개념을 스스로 학습하는 장면 인식 기술 개발
우리 대학 전산학부 안성진 교수 연구팀이 미국 럿거스(Rutgers) 대학교와 공동연구를 통해 사람의 라벨링 없이 스스로 영상 속 객체를 식별할 수 있는 인공지능 기술을 개발했다고 1일 밝혔다. 이 모델은 복잡한 영상에서 각 장면의 객체들에 대한 명시적인 라벨링 없이도 객체를 식별하는 최초의 인공지능 모델이다.
기계가 주변 환경을 지능적으로 인지하고 추론하기 위해서는 시각적 장면을 구성하는 객체들과 그들의 관계를 파악하는 능력이 필수적이다. 하지만 이 분야의 연구는 대부분 영상의 각 픽셀에 대응하는 객체의 라벨을 사람이 일일이 표시해야 하는 지도적 학습 방식을 사용했다. 이 같은 수작업은 오류가 발생하기 쉽고 많은 시간과 비용을 요구한다는 단점이 있다.
이에 반해 이번에 연구팀이 개발한 기술은 인간과 유사하게 환경에 대한 관측만으로 객체의 개념을 스스로 자가 학습하는 방식을 취한다. 이렇게 인간의 지도 없이 스스로 객체의 개념을 학습할 수 있는 인공지능은 차세대 인지 기술의 핵심으로 기대돼왔다.
비지도 학습을 이용한 이전 연구들은 단순한 객체 형태와 배경이 명확히 구분될 수 있는 단순한 장면에서만 객체를 식별하는 단점이 있었다. 이와 달리 이번에 안성진 교수 연구팀이 개발한 기술은 복잡한 형태의 많은 객체가 존재하는 사실적인 장면에도 적용될 수 있는 최초의 모델이다.
이 연구는 그림 인공지능 소프트웨어인 DALL-E와 같이 텍스트 입력을 통해 사실적인 이미지를 생성할 수 있는 이미지 생성 연구에서 영감을 얻었다. 연구팀은 텍스트를 입력하는 대신, 모델이 장면에서 객체를 감지하고 그 객체의 표상(representation)으로부터 이미지를 생성하는 방식으로 모델을 학습시켰다. 또한, 모델에 DALL-E와 유사한 트랜스포머 디코더를 사용하는 것이 사실적이고 복잡한 영상을 처리할 수 있게 한 주요 요인이라고 밝혔다.
연구팀은 복잡하고 정제되지 않은 영상뿐만 아니라, 많은 물고기가 있는 수족관과 교통이 혼잡한 도로의 상황을 담은 유튜브 영상과 같이 복잡한 실제 영상에서도 모델의 성능을 측정했다. 그 결과, 제시된 모델이 기존 모델보다 객체를 훨씬 더 정확하게 분할하고 일반화하는 것을 확인할 수 있었다.
연구팀을 이끈 안성진 교수는 "인간과 유사한 자가 학습 방식으로 상황을 인지하고 해석하는 혁신적인 기술ˮ이라며 "시각적 상황인지 능력을 획기적으로 개선해 지능형 로봇 분야, 자율 주행 분야뿐만 아니라 시각적 인공지능 기술 전반에 비용 절감과 성능향상을 가져올 수 있다ˮ고 말했다.
이번 연구는 미국 뉴올리언스에서 지난 11월 28일부터 개최되어 12월 9일까지 진행 예정인 세계 최고 수준의 기계학습(머신러닝) 학회인 제36회 신경정보처리학회(NeurIPS)에서 발표됐다.
2022.12.02
조회수 4714
-
세계 최고 수준의 딥러닝 의사결정 설명기술 개발
우리 대학 김재철AI대학원 최재식 교수(㈜인이지 대표이사) 연구팀이 인공지능 딥러닝의 의사결정에 큰 영향을 미치는 입력 변수의 기여도를 계산하는 세계 최고 수준의 기술을 개발했다고 23일 밝혔다.
최근 딥러닝 모델은 문서 자동 번역이나 자율 주행 등 실생활에 널리 보급되고 활용되는 추세 및 발전에도 불구하고 비선형적이고 복잡한 모델의 구조와 고차원의 입력 데이터로 인해 정확한 모델 예측의 근거를 제시하기 어렵다. 이처럼 부족한 설명성은 딥러닝이 국방, 의료, 금융과 같이 의사결정에 대한 근거가 필요한 중요한 작업에 대한 적용을 어렵게 한다. 따라서 적용 분야의 확장을 위해 딥러닝의 부족한 설명성은 반드시 해결해야 할 문제다.
최교수 연구팀은 딥러닝 모델이 국소적인 입력 공간에서 보이는 입력 데이터와 예측 사이의 관계를 기반으로, 입력 데이터의 특징 중 모델 예측의 기여도가 높은 특징만을 점진적으로 추출해나가는 알고리즘과 그 과정에서의 입력과 예측 사이의 관계를 종합하는 방법을 고안해 모델의 예측 과정에 기여하는 입력 특징의 정확한 기여도를 계산했다. 해당 기술은 모델 구조에 대한 의존성이 없어 다양한 기존 학습 모델에서도 적용이 가능하며, 딥러닝 예측 모델의 판단 근거를 제공함으로써 신뢰도를 높여 딥러닝 모델의 활용성에도 크게 기여할 것으로 기대된다.
㈜인이지의 전기영 연구원, 우리 대학 김재철AI대학원의 정해동 연구원이 공동 제1 저자로 참여한 이번 연구는 오는 12월 1일, 국제 학술대회 `신경정보처리학회(Neural Information Processing Systems, NeurIPS) 2022'에서 발표될 예정이다.
모델의 예측에 대한 입력 특징의 기여도를 계산하는 문제는 해석이 불가능한 딥러닝 모델의 작동 방식을 설명하는 직관적인 방법 중 하나다. 특히, 이미지 데이터를 다루는 문제에서는 모델의 예측 과정에 많이 기여한 부분을 강조하는 방식으로 시각화해 설명을 제공한다.
딥러닝 예측 모델의 입력 기여도를 정확하게 계산하기 위해서 모델의 경사도를 이용하거나, 입력 섭동(행동을 다스림)을 이용하는 등의 연구가 활발히 진행되고 있다. 그러나 경사도를 이용한 방식의 경우 결과물에 잡음이 많아 신뢰성을 확보하기 어렵고, 입력 섭동을 이용하는 경우 모든 경우의 섭동을 시도해야 하지만 너무 많은 연산을 요구하기 때문에, 근사치를 추정한 결과만을 얻을 수 있다.
연구팀은 이러한 문제 해결을 위해 입력 데이터의 특징 중에서 모델의 예측과 연관성이 적은 특징을 점진적으로 제거해나가는 증류 알고리즘을 개발했다. 증류 알고리즘은 딥러닝 모델이 국소적으로 보이는 입력 데이터와 예측 사이의 관계에 기반해 상대적으로 예측에 기여도가 적은 특징을 선별 및 제거하며, 이러한 과정의 반복을 통해 증류된 입력 데이터에는 기여도가 높은 특징만 남게 된다. 또한, 해당 과정을 통해 얻게 되는 변형된 데이터에 대한 국소적 입력 기여도를 종합해 신뢰도 높은 최종 입력 기여도를 산출한다.
연구팀의 이러한 입력 기여도 측정 기술은 산업공정 최적화 프로젝트에 적용해 딥러닝 모델이 예측 결과를 도출하기 위해서 어떤 입력 특징에 주목하는지 찾을 수 있었다. 또한 딥러닝 모델의 구조에 상관없이 적용할 수 있는 이 기술을 바탕으로 복잡한 공정 내부의 다양한 예측변수 간 상관관계를 정확하게 분석하고 예측함으로써 공정 최적화(에너지 절감, 품질향상, 생산량 증가)의 효과를 도출할 수 있었다.
연구팀은 잘 알려진 이미지 분류 모델인 VGG-16, ResNet-18, Inception-v3 모델에서 개발 기술이 입력 기여도를 계산하는 데에 효과가 있음을 확인했다. 해당 기술은 구글(Google)이 보유하고 텐서플로우 설명가능 인공지능(TensorFlow Explainable AI) 툴 키트에 적용된 것으로 알려진 입력 기여도 측정 기술(Guided Integrated Gradient) 대비 LeRF/MoRF 점수가 각각 최대 0.436/0.020 개선됨을 보였다. 특히, 입력 기여도의 시각화를 비교했을 때, 기존 방식 대비 잡음이 적고, 주요 객체와 잘 정렬됐으며, 선명한 결과를 보였다. 연구팀은 여러 가지 모델 구조에 대해 신뢰도 높은 입력 기여도 계산 성능을 보임으로써, 개발 기술의 유효성과 확장성을 보였다.
연구팀이 개발한 딥러닝 모델의 입력 기여도 측정 기술은 이미지 외에도 다양한 예측 모델에 적용돼 모델의 예측에 대한 신뢰성을 높일 것으로 기대된다.
전기영 연구원은 "딥러닝 모델의 국소 지역에서 계산된 입력 기여도를 기반으로 상대적인 중요도가 낮은 입력을 점진적으로 제거하며, 이러한 과정에서 축적된 입력 기여도를 종합해 더욱 정확한 설명을 제공할 수 있음을 보였다ˮ라며 "딥러닝 모델에 대해 신뢰도 높은 설명을 제공하기 위해서는 입력 데이터를 적절히 변형한 상황에서도 모델 예측과 관련도가 높은 입력 특성에 주목해야 한다ˮ라고 말했다.
이번 연구는 2022년도 과학기술정보통신부의 재원으로 정보통신기획평가원의 지원을 받은 사람 중심 AI강국 실현을 위한 차세대 인공지능 핵심원천기술개발 사용자 맞춤형 플로그앤플레이 방식의 설명가능성 제공, 한국과학기술원 인공지능 대학원 프로그램, 인공지능 공정성 AIDEP 및 국방과학연구소의 지원을 받은 설명 가능 인공지능 프로젝트 및 인이지의 지원으로 수행됐다.
2022.11.23
조회수 6416