1일차 (8/11, 수요일) 인공지능과 통신/네트워크 튜토리얼
| 시간 | 주제 | 발표자 |
| 좌장 : 곽정호 교수 (DGIST) | ||
| 10:00-12:00 | Beyond Federated Learning for Beyond 5G: Principles and Applications | 박지홍 교수 (Daekin University) |
| 한정된 무선 자원으로는 차세대 통신망 설계에 한계가 있다. 6세대 통신망은 머신러닝을 통해 이 한계를 극복할 전 망이다. 문제는, 고성능 머신러닝 모델 학습을 위해서는 방대한 양의 고품질 데이터를 수집해야 한다는 점이다. 특 히 실제 사용자가 만들어내는 고품질 데이터는 개인정보에 민감하여 수집에 어려움이 있다. 이러한 배경에서 최근 통신 효율적이고 개인정보를 보호하는 다양한 분산러닝 기법들이 각광 받고 있다. 대표적으로 연합학습은 개별 사 용자의 데이터 대신 사용자의 머신러닝 모델 업데이트 정보만을 공유한다는 점에서 주목받으며 2020년 포브스가 꼽은 차세대 3대 AI 기술로 선정되었다. 본 세미나는 연합학습을 비롯한 최신 분산러닝 기법들의 동작 원리를 살펴 보며 각 기법들의 장단점을 소개하는 것을 목표로 한다. 이를 바탕으로, 보다 효율적인 분산러닝 구조 및 머신러닝 기반 통신망 설계 가능성을 사례를 통해 살펴본다. | ||
| 12:00-13:30 | 중식 | |
| 좌장 : 곽정호 교수 (DGIST) | ||
| 13:30-15:30 | A basic of transfer learning and an application to wireless communication | 옥정슬 교수 (POSTECH) |
| 강화학습을 실제로 적용하기 위해서는 테스크에 대한 사전정보나 메타정보 활용이 필수적이다. 본 강연에서 이 와 관련되어, 테스크 사이에 공유되는 시스템에 대한 메타정보를 서로 전이(Transfer)하고 공유하는 메타강화학습 (Meta Reinforcement Learning)에 대해서 이해해본다. 더불어 이를 무선통신으로 응용/적용한 사례에 대해서 소개한다. | ||
| 15:30-16:00 | 휴식 | |
| 좌장 : 김용준 교수 (DGIST) | ||
| 16:00-18:00 | Deep Reinforcement Learning: Theory and Applications | 곽정호 교수 (DGIST) |
| 일반 강화학습은 계산복잡도와 차원의 저주에 관한 한계를 가지고 있다. 심층강화학습은 GPU의 발전과 더불어 심 층신경망을 강화학습에 도입하여 이러한 문제들을 해결하여 학습성능을 크게 향상시켰다. 본 강연에서는 심층강 화학습의 기본적인 이론에 대해 설명하고, 심층강화학습을 네트워크 분야에 적용한 사례들을 살펴본다. | ||
2일차 (8/12, 목요일) Federated Learning
| 시간 | 주제 | 발표자 |
| 좌장 : 이향원 교수 (건국대) | ||
| 10:00-11:00 | Meta-Learning for Continual & Federated Learning | 윤성환 교수 (UNIST) |
| 본 강연에서는 현재 인공지능 분야에서 크게 각광받고 있는 메타학습(Meta-learning), 연속학습(Continual learning) 기술 그리고 연합학습(Federated learning) 기술을 소개하고자 함. 세 기술은 변화하는 학습 환경 그리고 분산된 시스템에 특화된 최신 학습 기술로 메타학습 기술을 중심으로 통신/네트워크 분야에 적용성이 클 것으로 예상됨. 나아가 상기 기술을 활용하여 연속적인 학습이 가능한 분산형 인공지능 학습을 설계할 때 흥미롭게 살펴볼 수 있는 이슈들을 함께 논의하고자 함. | ||
| 11:00-11:20 | 휴식 | |
| 좌장 : 이향원 교수 (건국대) | ||
| 11:20-12:20 | Multiple Kernel-based Federated Learning | 홍송남 교수 (한양대) |
| RKHS 기반의 다중커널학습의 기본 이론 및 온라인 최적화 이론에 대해서 소개한다. 특히, 스트리밍 데이터의 학 습에 적합한 온라인 분산/연합학습 알고리즘 및 이론적인 분석 방법을 소개한다. | ||
| 12:20-13:30 | 중식 | |
| 좌장 : 김효일 교수 (UNIST) | ||
| 13:30-14:30 | Federation and Split in Wireless AI: Principles and Use Cases | 김성륜 교수 (연세대) |
| 이 발표는 Deep Learnig이 어떻게 5/6G Wireless System에 구현되는 것이 에너지, 계산시간, 통신 효율성 측 면에서 좋을지를 소개하는 것을 담고 있다. Federation과 Split의 개념을 분산처리와 데이터 학습 관점에서 살펴보고, 이를 실제 5G/B5G Vertical에서 어떻게 사용할 수 있는지를 스마트 팩토리 URLLC 사례를 가지고 설명한다. | ||
| 14:30-14:50 | 휴식 | |
| 좌장 : 김용준 교수 (DGIST) | ||
| 14:50-15:50 | Federated Continual and Semi-supervised Learning | 황성주 교수 (KAIST) |
| 15:50-16:10 | 휴식 | |
| 좌장 : 김용준 교수 (DGIST) | ||
| 16:10-17:10 | Federated Learning over Wireless Communication Systems | 전요셉 교수 (POSTECH) |
| 연합학습은 서버와 다수의 무선 기기가 연합하여 데이터의 직접적인 전송 없이도 학습 모델을 훈련시킬 수 있는 분산형 기계학습 기술이다. 본 강의에서는 통신-효율적인 연합학습을 실현하기 위한 다양한 송/수신 기술들을 소 개하고자 한다. 특별히, 연합 학습의 통신 오버헤드를 효과적으로 줄일 수 있는 모델 압축 기법들과 함께, 압축된 모델을 정확하게 복구할 수 있는 수신 알고리즘들을 소개하고자 한다. | ||
3일차 (8/13, 금요일) Machine Learning 및 Deep Reinforcement Learning 응용
| 시간 | 주제 | 발표자 |
| 좌장 : 김용준 교수 (DGIST) | ||
| 10:00-11:00 | Privacy-Preserving Machine Learning | 노종선 교수 (서울대) |
| The recent development of cloud computing and machine learning raises a privacy problem. Fully homomorphic encryption (FHE) is a specific class of public key encryption schemes that allows computation over encrypted data. In this talk, the following aspects of privacy-preserving machine learning (PPML) based on FHE will be introduced: (a) Comparison of FHE and machine learning operations in the aspect of priority and efficiency. (b) How to apply homomorphic operations and its packing method to machine learning algorithms through approximation and other modifications. (c) The-state-of-art research trends and results of PPML based on FHE. | ||
| 11:00-11:20 | 휴식 | |
| 좌장 : 곽정호 교수 (DGIST) | ||
| 11:20-12:20 | 분할학습(Split Learning) 기술동향: 의료 AI응용을 중심으로 | 정소이 박사 (고려대) |
| Federated Learning 기술은 실제 데이터를 다른 플랫폼과 공유하지 못하기 때문에 개인정보보호의 측면에서 매 우 유용하다. 이에 대한 연구의 연장선상에서 Split Learning 최근 많은 연구가 이루어지고 있으며 분산컴퓨팅의 발전에 따라 그 중요성과 실용성은 더욱 강조되고 있다. 이와 같은 Split Learning에 대한 기본적인 이론과 발전 방향에 대해서 가장 먼저 논하고 이를 기반으로 한 의료 및 헬스케어 응용을 위한 플랫폼에서 다양한 활용 가능성에 대하여 추가적으로 논한다. | ||
| 12:20-13:30 | 중식 | |
| 좌장 : 김용준 교수 (DGIST) | ||
| 13:30-14:30 | Fair Machine Learning | 서창호 교수 (KAIST) |
| 우리는 AI가 만연한 시대에 살고있다. AI 비서, 자율주행. 이제는 이를 넘어서 인권이나 공정성 관련된 영역까지 AI가 인간을 대체하고 있다. 이러한 시대에 중요한 질문 한 가지는, 과연 편향성이 없는 공정한 AI 기술 개발이 가능한가이다. 데이터를 기반으로 한 머신러닝 기술. 편향된 데이터로는 편향된 결정을 내리는 모델이 만들어 질 거라 예상하기 쉽다. 본 강연에서는 편향된 데이터로도 공정한 결정을 내리는 AI 기술을 소개하고자 한다. 이는 정보이론/통계분야에서 자주 사용하는 “커널밀도추정” 방안을 기초로 한다. | ||
| 14:30-14:50 | 휴식 | |
| 좌장 : 곽정호 교수 (DGIST) | ||
| 14:50-15:50 | Social Learning over Networks: Belief and Biased Decision-making | 서대원 교수 (DGIST) |
| Social learning considers how others’ behavior influences human learning. In this talk, we review a few in- teresting social learning theory results in engineering and discuss the effect of human perception bias. The result implies that human perception bias from behavioral economics is nearly optimal for social learning. | ||
| 15:50-16:10 | 휴식 | |
| 좌장 : 곽정호 교수 (DGIST) | ||
| 16:10-17:10 | Survey on DRL-based Caching and Computing at the Wireless Edge | 최민석 교수 (제주대) |
| 모바일 에지 네트워크의 대표적인 기술인 에지 컴퓨팅과 무선 캐싱에서 심층 강화학습 (DRL)이 어떻게 활용되는 지에 관한 최신 기술 동향을 소개한다. 셀룰러 네트워크, CDN, V2X network, Video streaming 등에서 DRL이 활용되는 다양한 시나리오 관점과 Q-learning, DQN, Actor-critic, A3C 등 활용되는 DRL 기술 관점에서 최신 기술을 소개하며, 무선 캐싱과 에지 컴퓨팅, 연합 학습 등을 아울러 분산 시스템을 DRL 기반으로 구축하는 최신 연구에 대해서 알아본다. | ||