고종환 교수 연구실, 학부연구생 주저자 논문 ICCV 2025 발표

[그림1]  ICCV 공식 홍보 이미지

고종환 교수 연구팀 소속 학부연구생 한석호(시스템경영공학과 3학년), 윤서연(전기전자공학부 졸업) 학생이 주도한 논문이, 세계 최고 권위의 인공지능 및 컴퓨터 비전 국제학술대회인 ICCV 2025 (International Conference on Computer Vision)에 발표 승인되었다.

[그림2] (왼쪽부터) 성균관대 전자전기공학부 고종환 교수, 학부연구생 한석호, 학부연구생 윤서연

특히 본연구는 학부생들이 1저자로 참여하여 아이디어 기획부터 실험 설계, 결과 분석, 논문 작성에 이르기까지 연구 전반을 주도하여 수행한 굉장히 이례적인 성과로 본교의 탁월한 연구역량과 잠재력을 세계적으로 입증한 사례라 할 수 있다.

더 나아가 해당 연구는 미국 University of Arizona 소속 Huanrui Yang 교수팀과의 공동 연구로 수행되었으며, 이는 IRIS 연구실의 강한 글로벌 연구 네트워크 지속적인 해외연구진과의 교류를 통해 얻은 뜻깊은 국제협력연구 성과이기도 하다. 

[그림2]  기존 비트 단위 분해 양자화 기법(좌), 본 연구에서 제안하고 있는

Memory-Efficient Bit Sparsification Quantization(MSQ) 혼합 정밀도 양자화 기법(우)

본 논문 “MSQ: Memory-Efficient Bit Sparsification  Quantization“은 모바일이나 엣지 디바이스처럼 연산 자원이 제한된 환경에서도 고성능 인공지능 모델을 효과적으로 학습시키기 위한 새로운 양자화 기법을 제안한다. 기존의 양자화 기술은 혼합 정밀도 양자화 (mixed-precision quantization)를 통해 모델의 계산량을 줄이고자 했지만, 각 층별 최적 정밀도 탐색의 복잡성과 높은 메모리 소모라는 한계가 존재했다. 

비트 단위 분해 양자화(Bit-level Splitting Quantization)는 모델 학습과 동시에 각 레이어의 정밀도를 함께 학습하는 방식으로, 가중치를 비트 단위로 쪼개어 학습 가능한 파라미터로 처리한다. 하지만 이 과정에서 메모리 사용량이 크게 증가하는 한계가 있다.

MSQ는 비트 분해 없이 중요도가 낮은 비트(LSB)만을 선택적으로 제거함으로써, 학습 중 메모리와 연산량을 동시에 절감할 수 있도록 설계되었다.

[그림3] 다양한 배치 크기(가로축)  따른 훈련 시간(세로축) 및 학습 파라미터 수(원의 크기)비교

MSQ는 모델 민감도를 반영한 정보와 함께 여러 개의 LSB를 한 번에 제거할 수 있도록 설계하여, 메모리 사용량 절감 에 더불어 학습 속도 역시 향상시켰다.