Junil Bang

Junil Bang

Auto-generated profile, based on publicly available information

Junil Bang


Research Focus & Metrics

Academic Career Length

8Years (2019-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
31 January 2020 in The Journal of Korean Institute of Information Technology
Verified
Journal Article
Closed access
SHSeongeun Hong
Seongeun Hong
TPTaeju Park
Taeju Park
BJBang Junil
Bang Junil
HKHwajong Kim
Hwajong Kim
스마트 팜의 생육, 생산량의 정확한 예측모델은 스마트 팜의 생산성 향상 및 자동화에 가장 중요한 기술이다. 하지만, 국내의 생육 및 생산량 예측 연구는 연 단위, 월 단위의 생산량 예측연구가 대부분이다. 스마트 팜과 같은 농장 단위 데이터를 사용한 예측 모델 개발연구는 미흡하며, 생산량 예측(추정)을 위한 연구에서는 데이터 기반이 아닌 통계모델을 도출하는 연구가 대부분이다. 그렇기에, 본 연구자는 데이터기반 생육, 생산량 예측에 대한 연구로 스마트 팜 환경에서 발생한 데이터를 사용한 예측모델을 개발하였다. 연구에서는 다중선형회귀, 랜덤 포레스트, 딥러닝(ConvLSTM) 알고리즘을 비교분석하였고, 딥러닝 기법을 적용한 ConvLSTM모델이 개별 농가와 평균 농가의 R² 점수가 가장 높았다. 실험 결과 생산량 예측 모델의 R² 점수는 0.981이고, 생장량 예측 R² 점수는 0.805를 얻었다.

31 January 2021 in The Journal of Korean Institute of Information Technology
Verified
Journal Article
Closed access
HLHyeonsu Lee
Hyeonsu Lee
SHSeongeun Hong
Seongeun Hong
JBJunil Bang
Junil Bang
HKHwajong Kim
Hwajong Kim
고도로 발달된 개인 정보 식별 기술에 의해 개인에 대한 식별이 용이해지면서, 정보 사회에서 정보 주체의 권리를 보장할 수 있는 다양한 방안이 요구되고 있다. 연합학습은 이러한 요구에 의해 제안된 기계학습 방식으로 데이터를 비공개로 유지하면서 기계학습 알고리즘을 훈련하기 위한 특정 접근 방식이다. 본 논문에서는 개인정보보호 이슈에 민감한 의료 산업에 연합학습을 적용할 때 발생할 가능성이 있는 문제점을 파악하기 위해 망막 환자 데이터셋을 실제 의료기관이 데이터를 보유하고 있는 환경처럼 데이터 분포를 불균형하게 분할했다. 여기서 발생하는 클래스 불균형 문제에 다양한 학습 최적화 기법을 적용한 실험을 진행한 결과, 언더 샘플링 및 TopkAvg 기법을 적용한 실험에서 F1 score 0.96을 달성했으며, 학습 시간도 단축시켰다.

31 March 2023 in The Journal of Korean Institute of Information Technology
Verified
Journal Article
Closed access
JBJunil Bang
Junil Bang
SHSeongeun Hong
Seongeun Hong
SJSukhwan Jeon
Sukhwan Jeon
JLJoowon Lee
Joowon Lee
HKHwajong Kim
Hwajong Kim
이 연구는 요양병원 환자를 병상의 영상장치로 촬영하고, 이 영상으로 동작 인식 모델을 구축하여 요양병원의 많은 환자를 돌보는 간병인에게 도움을 주는 시스템 중 연합학습 구현에 해당한다. 그래프 기반 동작 인식 딥러닝 모델의 연합학습에 비식별화 및 경량화가 된 ETRI-Activity3D 관절 데이터를 활용하였고, 시계열 그래프의 연합학습을 위해 STGCN(Spatio-Temporal Graph Convolutional Networks) 기반 동작 인식 모델을 경량화 등의 모델 수정을 하였다. 연합학습은 오픈 소스인 Flower를 기반으로 구현하였다. 연합학습 클라이언트에서 집계 알고리즘으로 취합한 글로벌 모델이 로컬 소유의 원본 데이터만을 사용한 모델보다 우수한 정확도를 보였다. 동일한 물적 시간적 자원으로 수행한 중앙집중형 모델과 비교하여 약 98%의 성능을 달성하였다.

31 May 2019 in The Journal of Korean Institute of Information Technology
Verified
Journal Article
Closed access
GLGoo Yeon Lee
Goo Yeon Lee
JBJunil Bang
Junil Bang
KCKyung Jin CHA
Kyung Jin CHA
HKHwa Jong Kim
Hwa Jong Kim
센서 등 많은 IoT 디바이스들은 화면출력 및 입력장치 등이 결여된 경우가 많아 개인정보보호법이나 GDPR 등에서 요구하는 개인정보수집 동의 절차를 만족시키기 어려워, 해당 비즈니스 분야 발전에 법적인 걸림돌로 작용하고 있다. 본 연구에서는 법적인 요건을 만족하는 IoT 시스템에서의 개인정보수집 동의 절차를 설계한다. 설계된 방식에서는 먼저 사용자의 개인정보가 암호화된 상태로 수집되며, 이후 데이터 수집 서버와 사용자 에이전트 사이에 개인정보 수집을 기반으로 연관을 맺음으로서 암호화된 내용을 복호화 한다. 이러한 연관 동의과정에서 사용자 에이전트는 데이터 수집 서버의 개인정보수집 약관 등을 이해하고 복호화키를 제공한다. IoT 시스템에서의 이러한 방식의 개인정보수집 동의 절차는 GDPR 등의 법령에서 정하는 투명성, 자율성 등의 요건을 만족함으로서 개인정보를 취급하는 IoT 비지니스 분야의 발전에 크게 기여할 것으로 판단된다.

31 December 2023 in The Journal of Korean Institute of Information Technology
Verified
Journal Article
Closed access
JLJoowon Lee
Joowon Lee
SJSukhwan Jeon
Sukhwan Jeon
JBJunil Bang
Junil Bang
HKHwajong Kim
Hwajong Kim
현재 연구되고 있는 많은 인공지능 관련 분야의 경우, 개인정보보호 문제 등으로 인하여 민감한 데이터의 공유가 불가능한 실정이다. 이러한 문제 해결을 위하여 연합학습이 주목받고 있으나, 기존의 연합학습 방법은 낮은 성능을 지닌 일부 클라이언트로 인하여 글로벌 모델 생성 시 성능 저하가 발생할 수 있다. 본 논문에서는 연합학습 과정에서 글로벌 모델의 성능에 악영향을 미치는 파라미터를 제외하고 집계하는 방법인 정확도 기반 참여 제한 연합학습을 제안한다. 제안하는 방법은 정확도를 기반으로 낮은 성능의 클라이언트를 감지하고 글로벌 모델 생성 시 참여를 제한하도록 동작한다. MNIST 데이터를 활용해 구성한 iid 및 non-iid환경에서 성능 평가를 시행하여 기존 연합학습 대비 글로벌 모델이 목표 성능에 도달하는 라운드 횟수를 iid 상황에서는 평균 2라운드, non-iid 상황에서는 평균 7.77라운드 단축하였음을 보인다.

31 October 2022 in The Journal of Korean Institute of Information Technology
Verified
Journal Article
Closed access
SHSeongeun Hong
Seongeun Hong
JBJunil Bang
Junil Bang
YKYoungjin Kim
Youngjin Kim
HKHwajong Kim
Hwajong Kim
최근 IoT 장치가 널리 보급되면서 많은 센서가 존재하고 다양한 정보를 측정하고 있다. 특히, 집은 사용자의 생활에 큰 부분을 차지하고 다양한 센서의 설치가 가능해 다양한 정보를 수집하기 쉽다. 사용자의 현재 위치와 장치 사용 정보, 시간정보를 분석해 사용자의 행동이나 패턴, 습관 등을 찾아낼 수 있고 이런 행동 예측은 다양한 서비스를 가능하게 한다. 사용자의 행동 예측 기존 연구에서는 행동의 발생한 시간이 매우 중요한데 모델 학습에 이러한 정보가 활용되지 않았다. 따라서, 본 연구에서는 스마트 홈 환경에서 센서 데이터 이외에도 발생 시간 정보를 사용하는 사용자의 행동 예측 모델을 제안한다. 발생 시간의 모델 입력 활용, 여러 데이터 세트에서의 모델 성능 평가 결과 Bi-LSTM 보다 제안된 모델의 정확도가 1.2~5.7% 높았다.