사진1: RAMO 연구원들과김성륜 교수님
사진 2: 왼쪽 위부터 남혜린, 최진혁, 이지훈, 국수진 연구원이 각각 Oral 세션과 Interactive 세션에서 발표를 진행중이다.
지난 23년 5월 28일 ~ 6월 1일, 이탈리아 로마에서 개최된 IEEE International Conference on Communications (ICC) 에 RAMO 소속인 남혜린, 최진혁, 이지훈, 국수진 연구원이 각각 논문을 Oral 세션과 Interactive 세션에서 발표하였다.
ICC는 통신 분야에서 GLOBECOM과 더불어 가장 규모가 큰 학회 중 하나로, 이번 2023 ICC는 코로나 이후 처음으로 현장 발표가 수행되었다. 해당 학회는 올해 1098편이 억셉되었으며, 이 중 한국 논문은 총 17편이다.
RAMO 연구원들은 AI와 통신을 접목한 연구 3편과, 차량 주행에 Over-the-air computation을 활용한 연구 1편을 발표하였으며, 각 논문에 대한 내용은 아래와 같다.
논문 1: Active Wireless Split learning via Online Cloud-Local Server Delta-Knowledge Distillation
내용: Edge learning 기법 중 분할 학습 (Split learning) 은 빈번한 통신 로드로 인한 문제가 크다. 분할 학습은 학습 과정에 Uplink 와 Downlink 채널 통신이 모두 진행되는데, 해당 논문에서는 이 때 전송하는 데이터의 중요성을 전송 전에 예측하여 해당 데이터만 전송하여 학습하는 통신 효과적인 기법을 제안하였다.
논문 2: Enabling AI Quality Control via Feature Hierarchical Edge Inference
내용: 해당 논문에서는 AI 성능 조절을 통한 효율적 Feature Hierarchical Edge Inference 네트워크를 제안하였다. 기존 고정된 형태의 AI 성능을 딥러닝 과정 내의 Feature Hierarchy 특성과 Edge Network 구조의 특성을 동시에 활용하여, 조절 가능한 형태로 만들고 이를 이용해 최적화 문제를 구성하고 이를 해결하였다.
[Online]. Available: https://arxiv.org/abs/2211.07860
논문 3: Over-the-Air Consensus for Distributed Vehicle Platooning Control
내용: 차량 군집 주행용 분산 제어를 위한 Over the air consensus 알고리즘을 제안하였다. 이 알고리즘은 무선 통신 환경의 superposition 특성을 활용하여 저지연 차량 제어를 수행한다. 해당 알고리즘은 5G new radio 환경에서 시뮬레이션을 통해, 군집주행에서의 유용성 및 적절성을 검증하였다.
[Online]. Available: https://arxiv.org/abs/2211.06225
논문 4: Joint Data Deepening-and-Prefetching for Energy-Efficient Edge Learning
내용: Edge learning을 진행할 때 단말에서 소비되는 에너지를 줄이기 위한 새로운 엣지 러닝 방식을 제안하였다. 해당 알고리즘은 데이터가 가지고 있는 feature 단위의 중요도를 활용하여 엣지 러닝에 필요한 데이터의 양을 감소시키면서도 학습의 성능은 저하되지 않는 에너지 효율적 엣지 러닝 방식이다.
[Online]. Available: https://arxiv.org/abs/2211.07146