인공지능 기반 SW 유사성 탐지 모델 설계에 관한 연구
A Study on AI-based SW Similarity Detection Model Design
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
현재 우리는 4차 산업혁명이라 불리는 시대에 살고 있으며, 이러한 시대를 대변하는 핵심 기술로 인간의두뇌를 이용하여 수행할 수 있는 지능 활동의 대부분을 컴퓨터가 대신하는 인공지능을 활용하고 있다. 인공지능에 의해 다양한 시스템 및 SW는 점차적으로 진화하고 있으며, SW 사용성은 매우 빠르게 증가하고 있다. 하지만, SW 사용성이 증가함에 따라 이에 대한 복제 및 오용 등의 문제가 발생됨에 따라 연구소 및 기업에서는 SW 유사성 발생되고 있다. 따라서, 본 연구에서는 SW 유사성을 위해 인공지능을 활용한 유사성 탐지 모델을 설계하고자 한다. 본 연구의 유사성 탐지 모델 설계는 유사성 탐지 모델에서의 Few-Shot Learning은 데이터가 충분한 DataSet을 사용하여 메타 러닝을 진행하고, 각 클래스에 포함된 데이터가 적은데이터를 분류하여, 인간의 뇌를 합리적으로 표현하는 딥러닝의 인지와 학습을 기반으로 한다.
Abstract
Currently, we live in an era called the Fourth Industrial Revolution, and as a key technology representing this era, we use artificial intelligence instead of computers for most of the intelligence activities that can be performed using the human brain. Various systems and SW are gradually evolving due to artificial intelligence, and SW usability is increasing very rapidly. However, as SW usability increases, problems such as reproduction and misuse occur, and research institutes and companies are demanding SW similarity. Accordingly, this study aims to design a similarity detection model using artificial intelligence for SW replication emotion. The similarity detection model design of this study is based on the Few-Shot Learning in a similarity detection model proceeds with meta-learning using DataSet with sufficient data, the data with less data contained in each class, and the recognition and learning of deep learning that rationally expresses the human brain.
참고문헌 (20)
- 이규대, "유사성 비교에서 세부항목 설정 기준", 한국소프트웨어감정평가학회 논문지, 12(1), pp.21~25 (2016), 한국소프트웨어감정평가학회
- 이규대, "임베디드 기기 감정에서 디바이스드라이버 유사성 설정", 한국소프트웨어감정평가학회 논문지, 14(1), pp.27~32 (2018), 한국소프트웨어감정평가학회
- 김시열, "소프트웨어 감정의 간이절차 활용 논의에 대한 검토", 한국소프트웨어감정평가학회 논문지, 15(2), pp.25~33 (2019), 한국소프트웨어감정평가학회[DOI]
- "Joint Pedestrian and Body Part Detection via Semantic Relationship Learning" (2019)[URL]
- Gao, H., "Parts Semantic Segmentation Aware Representation Learning for Person Re-Identification", Appl. Sci, 9, pp.1239~ (2019)
- Ronneberger, O., "U-net: Convolutional networks for biomedical image segmentation", International Conference on Medical Image Computing and Computer-Assisted Intervention, pp.234~241 (2015)
- Bouindour, S., "An On-Line and Adaptive Method for Detecting Abnormal Events in Videos Using Spatio-Temporal ConvNet", Appl. Sci, 9, pp.757~ (2019)
- Ren, S., "Faster r-cnn: Towards real-time object detection with region proposal networks", Adv. Neural Inf. Process. Syst, 28, pp.91~99 (2015)
- "Data-Driven Model-Free Tracking Reinforcement Learning Control with VRFT-based Adaptive Actor-Critic" (2019)[URL]
- Wei, C., "Obtaining Human Experience for Intelligent Dredger Control: A Reinforcement Learning Approach", Appl. Sci, 9, pp.1769~ (2019)
- Zheng, H.T., "A Deep Temporal Neural Music Recommendation Model Utilizing Music and User Metadata", Appl. Sci, 9, pp.703~ (2019)
- Y. LeCun, "Deep learning", Nature, 521(7553), pp.436~444 (2015)
- M. I. Jordan, "Machine learning: Trends perspectives and prospects", Science, 349(6245), pp.255~260 (2015)
- "Development and validation of a deep learning algorithm for improving Gleason scoring of prostate cancer" (2018)[URL]
- K. Arulkumaran, "Deep reinforcement learning: A brief survey", IEEE Signal Process. Mag, 34(6), pp.26~38 (2017)
- M. Gheisari, "A survey on deep learning in big data", Proc. IEEE Int. Conf. Comput. Sci. Eng. (CSE), pp.173~180 (2017)
- S. Pouyanfar, "A survey on deep learning : Algorithms techniques and applications", ACM Comput. Surv, 51(5), pp.92~ (2018)
- R. Vargas, "Deep learning: A review", Proc. Adv. Intell. Syst. Comput, 1(11), pp.1~11 (2017)[DOI]
- Xue-Wen Chen, "Big Data Deep Learning: Challenges and Perspectives", IEEE Access, 2, pp.514~525 (2014), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
- Y. LeCun, "Convolutional networks and applications in vision", Proc. IEEE Int. Symp. Circuits Syst, pp.253~256 (2010)