교과목의 주요 목적은 설명가능 AI와 딥러닝 가속시스템의 주요 개념과 최근 기술 동향을 소개하는데 있음. 특히, XAI 핵심 기법중에서 주의집중, human AI 간 협업, 설명가능 강화학습, GNN 기반의 XAI 기법등을 다루며, 또한 XAI 모델 학습, 추론시 가속 방식에 대하여 시스템 측면에서 엔지니어링을 수행하는 교과목으로 진행.

이 과목에서는 운영체제에 대한 폭넓은 주제를 다룬다. 주요 내용에는 기본적인 운영체제 구조, 메모리 관리, 저장 장치 및 파일 시스템, 프로세스 스케줄링과 자원 관리, 가상화, 분산 시스템 등이 포함된다. 각 주제에 대해 필수 논문을 읽고 토론하며, 컴퓨터 시스템 관련 연구를 희망하는 학생들에게는 모든 논문이 필독서이다. 읽기 목록에는 고전 논문인 “THE” Operating System (CACM 1968)부터 최근 논문인 BarrierFS (FAST 2018)까지 다양하게 포함되어 있다.

인터커넥션 네트워크는 프로세서, 메모리 및 입출력 장치와 같은 다양한 구성 요소 간의 효율적인 통신과 데이터 전송을 촉진하기 때문에 컴퓨터 시스템에서 매우 중요합니다. 이러한 네트워크는 고속 데이터 교환을 가능하게 하고 지연 시간을 최소화하여 병렬 및 분산 컴퓨팅 시스템의 성능과 확장성을 뒷받침합니다. 효과적인 인터커넥션 네트워크는 데이터가 시스템 전반에 걸쳐 신속하고 신뢰성 있게 전송되도록 보장하며, 이는 복잡한 계산을 실행하고 대규모 데이터 처리 작업을 처리하는 데 필수적입니다.

동 과목에서는 현재 운용되고 있는 LTE와 5G 등 상용 이동통신시스템을 소개합니다. 동 과목을 통해 학생들은 시스템의 내부 구성요소와 그들의 상호 정보교환 등을 상세히 살펴봄으로써 전체 이동통신 시스템에 대한 이해를 높일 수 있을 것으로 기대됩니다.

이 과목은 딥러닝과 컨볼루션 신경망(convolutional neural networks)에 대한 이해를 바탕으로, 컨볼루션 신경망과 관련된 최신 연구 주제를 학습하기 위해 개설되었다. 다루는 주제에는 잔차 신경망(residual network), 지식 증류(knowledge distillation), 네트워크 경량화(network minimization), 이미지 간 변환(image-to-image translation), 연속 학습(continual learning), 도메인 적응(domain adaptation), 데이터 증강(data augmentation), 자기 지도 학습(self-supervised learning), 메타 학습(meta-learning), 어텐션(attention) 등이 포함될 수 있다.

이 과목은 신경영상(neuro-imaging) 및 신경영상 처리(neuro-image processing) 기법에 대한 개요를 제공한다. 신경영상 기술의 역사적 발전과 최근 동향, 그리고 관련 영상 처리 기법들을 함께 다룬다. 다양한 신경영상 기법 중 특히 광학 영상(optical imaging)에 중점을 두어 설명하며, 영상 처리 측면에서는 일반적인 영상 처리 기법뿐만 아니라 신경영상에 특화된 기법들도 함께 다룰 예정이다.

이 강의는 고급 멀티미디어 처리 및 학습 기술을 다룬다. 멀티센서리 신호, 영상, 오디오, 언어는 멀티미디어의 핵심 요소이며, 이들을 활용한 멀티모달 학습은 지능형 감시 시스템, 스마트 TV, 인간-기계 인터페이스 시스템 등 실제 응용 분야에서 핵심 기술로 활용되고 있다. 강의에서는 이미지, 비디오, 오디오, 언어의 표현 학습을 포함한 멀티미디어 학습의 기초, 멀티미디어 융합 기법(multimedia fusion schemes), 정렬(multimedia alignment), 주의(attention) 메커니즘 등을 다룬다. 또한, 학생들은 멀티모달 처리 및 학습 분야에서 최근 발표된 논문을 읽고, 학기말 프로젝트를 수행함으로써 실질적인 이해를 심화하게 된다.

딥러닝 기반의 음성전처리, 음성인식, 화자인식, 음성합성 등의 최신 기술을 소개하며 깊이 있고 폭넓게 다루어서, 최근 급속히 확대되고 있는 음성지능 기술의 응용 영역 확장에 필요한 기술적 능력을 배양한다.

본 과목은 다채널 음향 신호로부터 각종 정보를 추출하고 탐지하기 위한 기법과 배경 이론을 다룹니다. 음파의 전파 현상에 대한 물리적 이해에서 출발하여, 음향 홀로그래피, 빔 형성 기법, 가상 현실을 위한 오디오 취득 및 전송, 그리고 심층강화학습 기반 기술을 공부합니다.

영상 복원(image restoration) 및 향상(image enhancement)은 영상 처리와 컴퓨터 비전 분야의 근본적인 문제로 다뤄져 왔다. 영상 복원은 모션 블러, 노이즈, 카메라 초점 흐림 등 다양한 형태로 손상된 입력 영상으로부터 원래의 깨끗한 영상을 추정하며, 이는 손상 과정을 역으로 복원하는 방식으로 수행된다. 반면, 영상 향상은 과학적인 관점에서 실제 데이터를 복원하는 것보다는 손상된 영상의 주관적인 시각 품질을 향상시키는 데 목적이 있으며, 일반적으로 영상이 생성된 과정에 대한 사전 지식 없이 수행된다.

최근 영상 복원 및 향상 기술의 발전과 함께 초고화질 영상에 대한 수요가 증가하고 있다. 특히, 딥러닝 기반 영상 복원 및 향상 기술은 기존 방법에 비해 매우 뛰어난 성능을 보이며 큰 성과를 이루었다. 본 과목에서는 기존의 영상 복원 및 향상 기법과 그 한계를 분석하고, convolutional neural networks, recurrent neural networks, generative networks를 활용한 최신 딥러닝 기반 방법들을 학습한다. 수업, 과제, 학기말 프로젝트를 통해 학생들은 영상 복원 및 향상 분야의 최신 기법을 직접 접하고 경험하게 된다.