163559 research outputs found
Sort by
The influence of n-3 polyunsaturated fatty acids on cognitive function in individuals without dementia: a systematic review and dose–response meta-analysis
No full textBackground
Omega-3 polyunsaturated fatty acids (n-3 PUFA) have been suggested as a cognitive enhancing agent, though their effect is doubtful. We aimed to examine the effect of n-3 PUFA on the cognitive function of middle-aged or older adults without dementia.
Methods
We reviewed randomized controlled trials of individuals aged 40years or older. We systematically searched PubMed/MEDLINE, EMBASE, CINAHL, PsycINFO, and Cochrane Library databases. We used the restricted cubic splines model for non-linear dose–response meta-analysis in terms of the standardized mean difference with 95% confidence intervals.
Results
The current meta-analysis on 24 studies (n 9660; follow-up 3 to 36months) found that the beneficial effect on executive function demonstrates an upward trend within the initial 12months of intervention. This effect is prominently observed with a daily intake surpassing 500mg of n-3 PUFA and up to 420mg of eicosapentaenoic acid (EPA). Furthermore, these trends exhibit heightened significance in regions where the levels of blood docosahexaenoic acid (DHA) + EPA are not very low.
Conclusions
Supplementation of n-3 PUFA may confer potential benefits to executive function among the middle-aged and elderly demographic, particularly in individuals whose dietary DHA + EPA level is not substantially diminished.This study was supported by a funding from the Research and Publication Projects of Ottogi Ham Taiho Foundation, Seoul, Republic of Korea, and the Korea Dementia Research Project through the Korea Dementia Research Center (KDRC), funded by the Ministry of Health & Welfare and Ministry of Science and ICT, Republic of Korea (grant number: HU20C0015). Dr. Ej Lim, Dr. Bae, Dr. Han, and Dr. Kim have received research support by a grant from the Korean Health Technology Research and Development Project of the Ministry of Health, Welfare, and Family Affairs, Republic of Korea (grant number A092077)
소규모 서식지에서 꼬리명주나비와 사향제비나비의 생태적 지위 분할
No full text학위논문(석사) -- 서울대학교대학원 : 사범대학 과학교육과, 2024. 2. Kim Jae Geun.Niche partitioning of Sericinus montela and Atrophaneura alcinous in small scale habitats Jang, Jae Yeon Major in Biology Dept. of Science Education The Graduate School Seoul National University With their varying feeding patterns, butterflies that coexist on the same host plant are potentially competitors and are excellent models for studying niche partitioning. I evaluated the food quality of A. contorta in two different conditions of shady and sunny area, the A. contorta leaf preference of two specialist insects, and performance of two insects on two types of A. contorta leaves. Results showed that distributions of S. montela and A. alcinous were divided by elevation and light intensity. S. montela was found mainly in places with low elevation and high light intensity, while A. alcinous was found in places with high elevation and low light intensity. As a result of the preference and performance for A. contorta leaves at the areas of different light intensity, A. alcinous preferred A. contorta leaves at area of low light intensity over leaves at area of high light intensity even after they were fed on A. contorta leaves grown at low light intensity until the third instar. The assimilation rate of S. montela was higher when it consumed A. contorta leaves at area of high light intensity than when it consumed leaves at area of low light intensity. This suggests that when a species uses resources with specific characteristics through niche partitioning, the species becomes more suitable for survival when it uses those resources. Preference and assimilation rate of S. montela and A. alcinous for food plant leaves grown in different habitats appears to support this niche partitioning pattern. This study indicates that small-scale elevation differences on the riverside cause differences in tree distribution and resource partitioning between the two butterflies, by influencing their prey habitat. This provides a reason for the niche partitioning of the two butterfly species and indicates that it contributes an important role in their coexistence. Keywords: niche partitioning, host plant, elevation, light intensity, C/N ratio Student Number: 2022-28958 This research was supported by Korea Ministry of Environment (2022003640003) and Basic Science Research Program through the National Research Foundation of Korea (NRF) funded by the Ministry of Education (NRF-2021R1I1A2041895).숙주 식물을 공유하는 나비는 잠재적인 경쟁자가 될 가능성이 높으며, 다양한 먹이 습관으로 인해 생태적 지위 분할을 조사할 때 훌륭한 연구 대상이다. 이 연구에서는 상대광도가 낮은 곳과 높은 곳의 두 가지 다른 조건에서 쥐방울덩굴(Aristolochia contorta)의 먹이 품질, 두 가지 특이적 초식 곤충의 쥐방울덩굴의 잎 선호도, 두 가지 유형의 쥐방울덩굴 잎에 대한 두 초식 곤충의 성능을 평가했습니다. 꼬리명주나비(Sericinus montela)와 사향제비나비(Atrophaneura alcinous)의 분포는 고도와 광도에 따라 나누어졌다. 꼬리명주나비는 고도가 낮고 광도가 높은 곳에서 주로 발견되었고, 사향제비나비는 고도가 높고 광도가 낮은 곳에서 발견되었다. 광도가 다른 영역에서 쥐방울덩굴의 잎에 대한 선호도와 성능을 조사한 결과, 사향제비나비는 3 령까지 낮은 광도에서 자란 쥐방울덩굴의 잎을 먹인 후에도 높은 광도의 영역에 있는 잎보다 낮은 광도의 영역에 있는 쥐방울덩굴의 잎을 선호하였다. 꼬리명주나비의 동화율은 낮은 광도 영역에서 잎을 섭취했을 때보다 높은 광도 영역에서 쥐방울덩굴의 잎을 섭취했을 때 더 높았다. 이는 종이 생태적 지위 분할을 통해 특정 특성을 가진 자원을 사용할 때 해당 자원을 사용할 때 종이 생존에 더 적합하다는 것을 의미한다. 서로 다른 서식지에서 자란 숙주 식물 잎에 대한 꼬리명주나비 및 사향제비나비의 선호도와 동화율은 이러한 생태적 지위 분할 패턴을 뒷받침하는 것으로 판단된다. 이 연구는 하천에서의 소규모 고도 차이가 먹이 서식지에 영향을 미쳐 두 나비 사이의 나무 분포와 자원 분할에 차이를 일으킨다는 것을 나타낸다. 이는 두 나비 종의 생태적 지위 분할에 대한 이유를 제공하고 이것이 공존에 중요한 역할을 한다는 것을 나타낸다.Abstract i
List of Figures v
List of Tables vi
1. Introduction 1
2. Materials and Methods 5
2.1. Study sites and quadrat survey 5
2.2. Soil analysis 7
2.3. Food quality analyses 7
2.4. Preference test 8
2.5. Performance test 9
2.6. Data analysis 10
3. Results 11
3.1. Field survey 11
3.2. C/N ratio and specific leaf area 16
3.3. Preference test 16
3.4. Performance test 17
4. Discussion 20
5. Conclusion 25
References 27
국문 초록 34
Appendix 1 . 36
Appendix 2 . 38
Appendix 3 . 39석
사용자 체감 품질 향상을 위한 심층 강화학습 기반 비디오 전송 최적화
No full text학위논문(박사) -- 서울대학교대학원 : 공과대학 컴퓨터공학부, 2024. 2. 권태경.The last decade has witnessed a remarkable increase in video streaming appli- cations, propelled by technological advancements and shifts in consumer behav- ior. Video streaming has become a significant part of internet traffic, with both video-on-demand (VOD) consumption and live broadcasting services gaining widespread popularity. The growth in this sector poses both challenges and opportunities for those in network services, content delivery, and the broader streaming industry.
In this evolving landscape, the Quality of Experience (QoE) stands out as a crucial element, essential for ensuring user engagement and retention. QoE encompasses various elements, including video quality, buffering times, smooth- ness of quality transitions, startup delay, and streaming latency. Enhancing QoE is challenging due to the need to balance various conflicting objectives across fluctuating bandwidths and diverse user preferences. Addressing QoE challenges requires balancing multiple conflicting objectives, which is difficult due to unpredictable bandwidth and diverse viewer preferences. Consequently, optimizing QoE requires innovative and flexible solutions that can adapt to changing conditions and meet different user needs.
Deep Reinforcement Learning (DRL) has proven to be an effective approach in this context, offering the ability to adaptively learn and optimize in complex scenarios. It enables streaming services to dynamically adjust their strategies based on fluctuating network conditions, user preferences, and content com- plexity, thereby significantly improving the streaming experience.
This dissertation delves into the pivotal role of QoE in video streaming, with a focus on overcoming latency challenges in live streaming and optimiz- ing content delivery for VoD services. In live streaming, latency is a critical issue as it can disrupt the sense of immediacy essential in interactive broad- casts, such as sports, auctions, or gaming. To address this, Chapter 3 intro- duces LiveABR-FD, a DRL-based approach designed to minimize latency by intelligently dropping similar frames, while minimizing the negative impact on the viewers QoE. In contrast, VoD streaming encounters unique challenges, particularly in understanding and predicting user behavior to enhance content delivery. Mobile Edge Computing (MEC) addresses these challenges by bring- ing computing resources closer to the user, enabling more efficient caching of popular content on edge servers. This approach significantly reduces latency and enhances the viewing experience. Chapter 4 details DECA, a DRL-based framework designed for video chunk caching decisions in mobile edge networks. This model significantly improves the VoD streaming experience by optimizing the placement of video chunks based on the distinct request patterns of individ- ual users, thereby streamlining content delivery. Overall, this dissertation offers valuable insights into the application of DRL techniques for improving live and on-demand video streaming. It demonstrates how these advanced methods can address fundamental challenges in the field, ensuring a high-quality streaming experience for users.
Keywords: Video Delivery, Deep Reinforcement Learning (DRL), Quality of Experience (QoE), Adaptive Bitrate Streaming (ABR), Live Video Streaming, Mobile Edge Computing, Optimization
Student Number: 2019-22950최근 기술 발전과 소비자 행동의 변화로 인해 비디오 스트리밍 애플리케이션이 눈에 띄게 증가하였다. 비디오 스트리밍은 인터넷 트래픽의 중요한 부분을 차지하며, VoD 소비와 실시간 방송 서비스 모두 널리 인기를 얻고 있다. 이 분야의 성장은 네트워크 서비스, 콘텐츠 전송 및 다양한 스트리밍 산업의 관계자들에게 도전과 기회를 동시에 제공한다.
이러한 변화하는 환경에서 사용자 체감 품질(QoE)은 매우 중요한 역할을 하며 사용자 참여와 유지에 필수적인 요소 중 하나로 부각되고 있다. QoE는 비디오 품질, 버퍼링 시간, 비디오 품질 전환, 시작 지연 및 스트리밍 지연과 같은 여러 요소를 포함한다. QoE를 향상시키는 것은 변동성이 큰 네트워크 환경과 다양한 사용자 선호도를 고려하여 여러 상충하는 목표를 균헝잡는 것이 필요하기 때문에 어려운 과제이다. 따라서, QoE 문제를 해결하기 위해서는 변화하는 조건에 적응하고 다양한 사용자 요구를 충족할 수 있는 혁신적이고 유연한 모델이 필요하다.
이러한 맥락에서 심층 강화학습(DRL)은 복잡한 시나리오에서 적응적으로 학습하고 최적화할 수 있는 능력을 제공하여 효과적인 해결 방법으로 자리잡고 있다. 이는 스트리밍 서비스가 변동하는 네트워크 조건, 사용자 선호도 및 콘텐츠 복잡
성을 기반으로 동적으로 전략을 조정할 수 있게 함으로써 스트리밍 경험을 크게 향상시킨다.
이 논문은 비디오 스트리밍에서 QoE의 중요성을 탐구하고, 특히 실시간 스트리밍의 지연 문제를 극복하고 VoD 서비스의 콘텐츠 전송을 최적화하기 위해 초점을 맞춘다. 실시간 스트리밍에서의 지연은 상호작용이 필요한 스포츠, 경매, 또는 게임과 같은 상호작용적 방송에서 중요한 문제로 작용할 수 있다. 이를 해결하기 위해, 제3장에서는 시청자의 QoE에 부정적인 영향을 최소화하면서 선택적으로 유사한 프레임을 삭제하여 지연을 최소화하는 심층 강화학습 기반 접근법인 LiveABR-FD를 소개한다. 반면, VoD 스트리밍은 사용자 행동을 이해하고 예측하여 콘텐츠 전송을 향상시키는 고유한 도전에 직면하고 있다. 모바일 엣지 컴퓨팅(MEC)은 이러한 도전을 해결하기 위해 컴퓨팅 리소스를 사용자에게 더 가깝게 가져오고, 엣지 서버에서 인기 있는 콘텐츠를 효율적으로 캐싱할 수 있도록 지원한다. 이 접근 방식은 서비스 지연 시간을 크게 줄이고 시청 경험을 향상시킨다. 제4장에서는 모바일 엣지 네트워크에서 비디오 청크 캐싱 결정을 위한 심층 강화학습기반 프레임워크인 DECA를 제안한다. 이 모델은 개별 사용자의 독특한 요청 패턴에 기반하여 비디오 청크의 캐싱을 최적화함으로써 VoD 스트리밍 경험을 크게 향상시킨다. 이 논문은 실시간 및 VoD 스트리밍 개선을 위한 심층 강화학습 기법의 적용에 대한 통찰력을 제공하며, 이러한 기술이 비디오 스트리밍 분야에서 직면한 핵심 문제들을 어떻게 해결할 수 있는지를 보여주며 사용자들에게 고품질의 스트리밍 경험을 보장한다Abstract i
Chapter 1 Introduction 1
1.1 Introduction 1
1.2 Main Contributions 4
1.2.1 LiveABR-FD: DRL-Based Low Latency Live Video Streaming with Similarity-Based Frame Dropping 4
1.2.2 DECA: User Behavior-aware Video Chunk Caching in Mobile Edge Networks with Deep Reinforcement Learning 6
1.3 Dissertation Organization 7
Chapter 2 Background 8
2.1 Adaptive Bitrate Streaming 8
2.2 Live Video Streaming 9
2.3 Mobile Edge Computing 10
Chapter 3 LiveABR-FD: DRL-Based Low Latency Live Video Streaming with Similarity-Based Frame Dropping 12
3.1 Introduction 12
3.2 Motivation 16
3.3 Model Design 19
3.3.1 Overview 19
3.3.2 Input States 21
3.3.3 Actions 24
3.3.4 Rewards 25
3.3.5 Network Architecture 26
3.4 Training LiveABR-FD 28
3.4.1 Training Methodology 29
3.4.2 Invalid Action Masking 30
3.5 Evaluation 32
3.5.1 Methodology 32
3.5.2 Performance Comparison 34
3.5.3 Performance under Various Network Conditions 39
3.5.4 Ablation Study 41
3.6 Related Work 44
3.6.1 Low Latency Video Streaming 44
3.6.2 Frame Dropping in Video Streaming 45
3.7 Summary 46
Chapter 4 DECA: User Behavior-aware Video Chunk Caching in Mobile Edge Networks with Deep Reinforcement Learning 47
4.1 Introduction 47
4.2 Motivation 51
4.3 System Model 58
4.3.1 Mobile Edge Computing Framework 59
4.3.2 Problem Formulation 61
4.4 Design 64
4.4.1 User Behavior-aware Caching Policy 65
4.4.2 Chunk Score-based Caching Policy 70
4.5 Evaluation 72
4.5.1 Methodology 72
4.5.2 Evaluation Results 75
4.6 Related Work 81
4.6.1 Content Caching in Mobile Edge Networks 81
4.6.2 DRL-aided Caching in Mobile Edge Networks 81
4.6.3 User-aware Video Caching in Mobile Edge Networks 83
4.7 Summary 84
Chapter 5 Conclusion 85
요약 103박
삼차원 합성곱 신경망을 이용한 탄소종이 기체확산층 투과도 예측 및 생성형 AI 모델을 이용한 성능 기반 미세구조 설계
No full text학위논문(박사) -- 서울대학교대학원 : 공과대학 항공우주공학과, 2024. 2. 윤군진.본 연구에서는 기계학습 접근법을 이용해 탄소종이 기체확산층(Carbon Paper GDL)의 이미지에서 투과도를 예측하는 방법론과 주어진 투과도에서 미세구조 이미지를 디자인하는 방법론을 제안한다.
첫 번째 방법론은 3 차원 합성곱 신경망 모델을 통해 탄소종이 기체확산층의 이미지로부터 투과도를 예측한다. 제안된 방법론은 X-선 단층 촬영을 통해 얻은 실제 탄소종이 기체확산층 이미지에서 형태학적 특징을 추출해 공극률, 섬유 배향, 섬유 직경의 통계적 분포를 얻고, 이를 통해 탄소종이 기체확산층의 대표 체적요소 인공 이미지 데이터세트를 생성한다. 다음으로, 생성된 이미지 데이터세트에 대해 Lattice Boltzmann Method (LBM)을 통해 투과도를 분석한다. 총 100,800 개의 대표 체적요소에 대해 투과도를 분석하며 이를 이미지를 통해 투과도를 예측하는 3 차원 합성곱 신경망 학습데이터로 사용한다. 학습이 완료된 3 차원 합성곱 신경망은 학습시킨 인공 데이터 뿐 아니라, 학습하지 않은 데이터인 실제 탄소종이 기체확산층 미소구조 대표 체적요소에 대해서도 투과도를 효과적으로 예측하였다. 3 차원 합성곱 신경망 모델의 학습 데이터 비의존성을 보이기 위해 5-겹 교차검증 방법을 사용하였으며 각각의 검증데이터(validation dataset)에 대한 비의존성을 보였다. 제안된 합성곱 신경망 모델을 이용해 미소영역에서의 투과도를 도출한 후 가우시안 프로세스 추론을 통해 탄소종이 기체확산층의 투과도 및 공극율의 불확실성을 모델링하였다. 이러한 탄소종이 기체확산층 재료 물성의 불확실성이 양성자 교환막 연료전지의 성능에 미치는 영향을 고려하기 위해 COMSOL 을 이용한 다중물리 시뮬레이션을 수행하였다. 제안된 방법은 탄소종이 기체확산층의 투과도를 예측할 수 있는 효과적인 방법론을 제시함과 동시에 탄소종이 기체확산층 물성의 불확실성에 따른 양성자 교환막 연료전지의 성능 범위를 예측할 수 있어 실험 비용을 절감할 수 있다.
두 번째 방법론은 성능이 뛰어나 최근 들어 각광받고 있는 생성형 인공지능 모델인 DDPM(Denoising Diffusion Probabilistic Model)을 활용하여 탄소종이 기체확산층의 미세 구조를 설계한다. 이 방법론을 이용해 원하는 목표 성능 (특정 투과도 및 부피분율)을 가지는 2 차원 탄소종이 기체확산층 미세구조를 생성할 수 있다. 본 연구에서 DDPM 은 (이미지, 성능) 데이터 쌍으로 구성된 2 차원 탄소종이 기체확산층 미세구조 데이터 세트를 이용해 훈련시킨다. 이때 성능은 투과도와 부피분율을 포함하는 레이블 벡터이며 격자 볼츠만 방법을 통해 얻은 투과도와 이미지 처리를 통해 얻은 부피분율을 의미한다. 훈련과정에서 투과도와 부피분율 및 이미지 데이터를 인풋 값으로 받는 Conditional-DDPM 방법론을 이용해 모델을 학습시켰으며 U-Net 아키텍처를 사용해 부피분율과 투과도를 효과적으로 학습시켰다. 제안된 방법론과 같이 학습이 완료된 DDPM 모델을 통해 원하는 성능을 가지는 미세 구조를 생성할 수 있으며, 이는 DDPM 모델을 통해 생성한 미세 구조의 성능과 목표로 했던 성능 간의 오차를 얻어 검증하였다.
또한, DDPM 모델을 이용해 미세구조를 생성할 때 투과율과 부피분율의 내재적인 관계를 고려하여 성능 레이블 벡터 (투과도, 부피분율)를 생성함으로써 실제적이고 의미 있는 미세구조를 생성하고 생성된 미세 구조가 목표 성능 조건을 가지는 것을 확인하였다.
제안된 두가지 방법론을 통해 기체확산층의 구조-투과도의 관계를 얻을 수 있다. 즉, 미세구조 이미지를 통해 기체확산층의 투과도를 예측할 수 있으며 역으로 특정 투과도와 부피분율을 가지는 미세구조 이미지를 생성해낼 수 있다. 본 연구에서는 기체확산층과 투과도 관계에 대한 방법론을 제시하였지만, 다른 응용분야에서 목표 성능 향상을 위해 구조를 예측하고 설계하도록 제안된 방법론을 확장할 수 있다. 마지막으로, 제안된 생성 모델과 제조공정변수와의 결합을 통해 원하는 성능을 갖는 물질을 설계하기 위한 제조공정변수를 도출하는 연구로 확장될 수 있다.This paper introduces two novel methodologies aimed at establishing the structure-property relationship for carbon paper GDL using a machine learning approach. The first methodology employs a 3D Convolutional Neural Network (CNN) model to predict carbon paper GDL permeability. The model is trained on an artificial dataset of carbon paper GDL representative volume elements (RVEs) generated by extracting morphological features from actual carbon paper images obtained through X-ray tomography. These morphological features include statistical distributions of porosity, fiber orientation, and diameter. Permeability analysis using the Lattice Boltzmann Method (LBM) is performed on 100,800 RVEs, and the 3D CNN model trained on the artificial dataset accurately predicts the permeability of actual carbon paper GDL RVEs. The model's reliability is validated using a 5-fold cross-validation method and demonstrates independence from the validation dataset fold. Furthermore, Gaussian Process Regression (GPR) was applied to model carbon paper GDL material uncertainty, and a Multiphysics simulation was performed on a Proton Exchange Membrane Fuel Cell (PEMFC) to estimate its performance uncertainty while considering carbon paper GDL material uncertainty. The proposed method provides an effective way to predict the permeability of carbon paper GDLs and can also predict the performance range of proton exchange membrane fuel cells according to the uncertainty of GDL properties, thus reducing experimental costs.
The second methodology involves leveraging a Denoising Diffusion Probabilistic Model (DDPM), a powerful generative machine learning model, to design the microstructure of carbon paper GDLs. This model is capable of creating 2D carbon paper GDL microstructures that align with specific target performance criteria, such as desired permeability and volume fractions. Its adaptability to different performance criteria makes it a valuable tool for generating microstructures trained to various needs. The DDPM is trained using a 2D carbon paper GDL microstructure dataset that comprises pairs of (image, performance) data. In this context, 'performance' is a label matrix that includes permeability and volume fraction, with permeability obtained using LBM and volume fraction acquired through image processing. A U-net architecture with conditional input image channels effectively learns the volume fraction and permeability. To generate microstructures with the desired performance, a desinated input performance label matrix that contains desired permeability and volume fraction, is created while considering their inherent relationship. This ensures the creation of realistic and meaningful microstructures. The performance results obtained from the generated microstructures using the proposed methodology demonstrate strong consistency with targeted performance objectives. By combining with manufacturing process variables, this method can be extended to design carbon paper GDL with desired permeability, providing a comprehensive approach for carbon paper GDL microstructure optimization.CONTENTS
Predicting Carbon Paper GDL Permeability with 3D CNN and Performance-Based Microstructure Design using Generative AI model i
ABSTRACT i
CONTENTS iv
List of Figures vii
List of Tables xi
Chapter 1. Introduction 1
1.1. Study Background 1
1.2 Literature Survey on Gas Diffusion Layer 5
1.3. Literature Survey on Structure-Property Links in Computational Materials Science 9
1.4. Literature Survey on Microstructure Characterization and Reconstruction 11
1.5 Machine Learning Approaches for Performance Prediction and Performance based Design for Gas Diffusion Layer 16
1.6 Purpose of Research 17
Chapter 2. Permeability Prediction of an Actual Gas Diffusion Layer by Training a Synthetic Gas Diffusion Layer Dataset Generated Through Microstructure Reconstruction 24
2.1. Study Background 24
2.2 Morphological Characterization of Gas Diffusion Layer 28
2.2.1 X-ray Tomography Microscope Image 28
2.2.2 X-ray Tomography Microscope Image Processing 29
2.2.3 Actual GDL Voxel Image Dataset Generation 31
2.2.4 Characterization of Fiber Orientation/ Fiber Diameter/ Porosity 32
2.3. Artificial Gas Diffusion Layer Dataset Generation using Microstructure Reconstruction Algorithm 35
2.3.1 Microstructure Characterization and Reconstruction Algorithm 35
2.3.2 Artificial Microstructure Dataset Generation 37
2.3.3 Data Augmentation for Artificial Microstructure Dataset 38
2.4. Permeability Labeling Using Lattice Boltzmann Method 39
2.4.1 3D Lattice Boltzmann Method 39
2.4.2 Permeability Evaluation of GDL 42
2.4.3 Permeability Evaluation of Actual GDL Dataset and Artificial GDL Dataset 44
2.5. Permeability Prediction using Trained 3D Convolutional Neural Network 45
2.5.1 3D-Convolutional Neural Network 45
2.5.2 3D-CNN Architecture Design and Training 48
2.5.3 3D-CNN Model Performance and Permeability Prediction 52
2.5.4 3D-CNN Model Performance Compare to Previous Studies 54
2.5.5 Computational time of 3D-CNN Model 55
2.5.6 Five-fold Stratified Cross Validation 56
2.6. Multiphysics Simulation of PEMFC Considering Material Uncertainties of the GDL 60
2.6.1 Geometrical Modeling 60
2.6.2 Governing Equations of Multiphysics Simulation 63
2.6.3 Multiphysics Simulation Results 68
2.6.3.1 Multiphysics Simulation without GDL Uncertainty 68
2.6.3.2 Material Uncertainties of the GDL 71
2.6.3.3 Effect of the Material Uncertainties in GDL on PEMFC Performance 75
Chapter 3. Performance-based Design of 2D Gas Diffusion Layer Microstructure using Denoising Diffusion Probabilistic Model 78
3.1. Study Background 78
3.2. 2D GDL Microstructure Dataset Construction 81
3.2.1 XRM Image and Image Processing 82
3.2.2 Two-dimensional GDL Microstructure Dataset Generation 83
3.2.3 Permeability Estimation Using Lattice Boltzmann Method 84
3.2.4 Training Dataset and Pre-processing 88
3.3. GDL Microstructure Generation Using Denoising Diffusion Probabilistic Model 89
3.3.1 Denoising Diffusion Probabilistic Model 89
3.3.2 U-Net Architecture and Hyperparameters 94
3.3.3 Image Denoising and Quality Improvement in the Training Progression of DDPM 97
3.4. GDL Microstructure Generation Conditioned by Permeability and Volume Fraction 103
3.4.1 Label Generation for Generative Model 103
3.4.2 Training of Proposed Generative Machine Learning Model with Conditions 105
3.4.3 Permeability and Volume Fraction Estimation of Generated Microstructure Dataset 107
Chapter 4. Conclusions 109
4.1 Summary 109
4.2 Contribution of the Present Work 110
4.3 Limitation and Future Work 112
Bibliography 114
Abstract in Korean 126박
무손실 이미지 압축 및 손실 비디오 압축을 위한 사전 정보 기반 딥러닝
No full text학위논문(박사) -- 서울대학교대학원 : 공과대학 전기·정보공학부, 2024. 2. 조남익.Despite the development of efficient communication hardware and protocols, it is still hard to meet the bandwidths for transmitting the ever-increasing number of data such as images and videos. Therefore, there is a growing need for improved image and video compression techniques to facilitate the transmission of this expanding visual content. Traditional compression methods leverage prior information to reduce spatial and temporal redundancy, thereby enhancing compression efficiency. Recently, learning-based methods, particularly those employing convolutional neural networks (CNNs), have achieved remarkable success in image and video compression. However, these methods often exhibit limited performance as they merely replace modules in conventional approaches with learning-based counterparts, neglecting the utilization of prior information specifically optimized for the learning-based modules. To address these limitations, this dissertation introduces several novel approaches that efficiently integrate prior information into the compression framework. The initial sections of this dissertation focus on lossless image compression using duplex neural networks and frequency decomposition. Additionally, this dissertation extends the research to lossy video compression.
First, a new lossless image compression method based on the learning of pixel values and contexts through multilayer perceptrons (MLPs) is proposed. The prediction errors and contexts obtained by MLPs are forwarded to adaptive arithmetic encoders, like the conventional lossless compression schemes. The MLP-based prediction has long been attempted for lossless compression, and recently convolutional neural networks (CNNs) are also adopted for the lossy/lossless coding. While the existing MLP-based lossless compression schemes focused only on accurate pixel prediction, the pixel values and contexts are jointly predicted. Also, channel-wise progressive learning, residual learning, and duplex network schemes are designed and proposed in this MLP-based framework, which leads to improved coding gain compared to the conventional methods. Experiments show that the proposed method performs better than the conventional non-learning algorithms and also recent learning-based compression methods with practical computation time.
Additionally, a novel approach for lossless image compression method is proposed, which proceeds the encoding in a coarse-to-fine manner to separate and process low and high-frequency regions differently. Previous works do not consider the performance drop in the high-frequency region, giving equal consideration to the low and high-frequency areas. In the proposed methods, the low-frequency components are initially compressed and then used as additional input for encoding the remaining high-frequency region. The low-frequency components act as a strong prior in this case, which leads to improved estimation in the high-frequency area. In addition, the frequency decomposition process is designed to be adaptive to color channel, spatial location, and image characteristics. As a result, the proposed method derives an image-specific optimal ratio of low/high-frequency components. Experiments show that the proposed method achieves state-of-the-art performance for benchmark high-resolution datasets.
This dissertation extends the research to lossy video compression. This dissertation proposes a new lightweight hybrid video codec consisting of a conventional video codec (HEVC or VVC), a lossless image codec, and a new restoration network. Precisely, the encoder consists of a conventional video encoder and a lossless image encoder, transmitting a lossy-compressed video bitstream along with a losslessly-compressed reference frame. The decoder is constructed with corresponding video/image decoders and a new restoration network, which enhances the compressed video in two-step processes. In the first step, a network trained with a video dataset restores the details lost by the conventional encoder. Then, the video quality is further boosted with the guidance of a reference image, which is a losslessly compressed video frame. The reference image provides video-specific information, which can be utilized to better restore the details of a compressed video. Experimental results show that when the HEVC is employed as a baseline in the proposed framework, the overall coding gain is comparable to recent top-tier neural codecs while requiring much less encoding time and lower complexity. When combined with the VVC, the proposed method brings significant gain over the VVC, thus achieving state-of-the-art coding performance.
Finally, this dissertation proposes an image-wise implicit neural representation (INR) method for video compression. NeRV was originally proposed an an approach for learning video representation through image-wise implicit neural representation (INR), resulting in improved performance and computation time. Subsequent NeRV-based researches focused on improving representation learning, but neglected the inherent properties of videos. In this dissertation, a Scene-Adaptive Neural Representation for Videos (SANeRV) is proposed, which integrates the general property of videos and adapts to the characteristic of individual videos. First, a network is designed to incorporate temporal redundancy, which is a general property in videos, by decomposing the learning process into two parts: global representation and residual representation. The global representation captures the shared components throughout the video, while the residual representation learns frame-specific details. Regarding the characteristic of individual videos, the proposed method adapts the network architecture based on the presence of scene changes and the dynamism of the video. Experiments show that the proposed method achieves the state-of-the-art performance in video regression tasks for both the UVG and MCL-JCV datasets. Furthermore, SANeRV outperforms other implicit methods in downstream tasks such as video compression and inpainting.효율적인 통신 하드웨어와 프로토콜의 발전에도 불구하고, 이미지와 비디오와 같은 데이터의 양이 지속적으로 증가함에 따라 전송 대역폭을 충족하는 것은 여전히 어렵다. 따라서, 이러한 확장되는 시각적 콘텐츠의 전송을 용이하게 하기 위해 개선된 이미지 및 비디오 압축 기술에 대한 필요성이 커지고 있다. 기존의 압축 방법은 공간 및 시간 중복성을 줄이기 위해 사전 정보를 활용하여 압축 효율성을 향상시킨다. 최근에는 합성곱 신경망(CNN)을 활용한 학습 기반 방법들이 이미지와 비디오 압축 분야에서 높은 성과를 얻어냈다. 그러나 이러한 방법들은 기존의 접근법에서 모듈을 학습 기반 모듈로 대체하는 것에 그치기 때문에, 학습 기반 모듈에 특화된 최적화된 사전 정보의 활용을 간과하는 한계가 있다. 이러한 한계를 극복하기 위해, 본 학위 논문에서는 사전 정보를 효율적으로 압축 프레임워크에 통합하는 여러 개의 신규 접근 방식을 제안한다. 본 학위 논문의 초기 부분에서는 이중 네트워크와 주파수 분해를 활용한 무손실 이미지 압축에 초점을 맞추고 있으며, 후반부에는 비디오 압축에 대한 연구를 다룬다.
첫째로, 다중 레이어 퍼셉트론 (MLP)을 통해 픽셀 값과 문맥을 학습하는 새로운 무손실 이미지 압축 방법을 제안한다. MLP로부터 얻은 예측 오차와 문맥 (Context)은 기존의 무손실 압축 방식과 유사하게 적응형 산술 부호화기로 전달된다. MLP 기반 예측은 오랫동안 무손실 압축을 위해 시도되었으며, 최근에는 CNN이 손실/무손실 코딩에도 채택되었다. 기존의 MLP 기반 무손실 압축 방식은 정확한 픽셀 예측에만 초점을 맞추었지만, 본 학위 논문에서는 픽셀 값과 문맥이 공동으로 예측된다. 또한, 채널별 점진적 학습, 잔차 학습 및 이중 네트워크 구조가 이 MLP 기반 프레임워크에서 설계되어 제안되며, 이를 통해 기존 방법과 비교하여 향상된 코딩 성능 향상이 이루어진다. 실험 결과는 제안된 방법이 기존의 비학습 알고리즘 및 최근의 학습 기반 압축 방법과 비교하여 더 나은 성능을 발휘하며, 실용적인 계산 시간 내에서 수행된다.
또한, 고주파 영역과 저주파 영역을 분리하고 다르게 처리하기 위해 인코딩을 고주파에서 저주파로 coarse-to-fine으로 진행하는 새로운 무손실 이미지 압축 방법을 제안한다. 이전 연구들은 고주파 영역에서의 성능 저하를 고려하지 않고 저주파 및 고주파 영역에 동등한 고려를 부여했다. 제안된 방법에서는 저주파 성분을 초기에 압축하고 남은 고주파 영역을 인코딩하는 데 추가 입력으로 사용한다. 이 경우 저주파 성분은 강력한 사전 정보로 작용하여 고주파 영역에서의 추정을 개선한다. 또한, 주파수 분해 과정은 색상 채널, 공간 위치 및 이미지 특성에 적응적으로 설계되었다. 이로 인해 제안된 방법은 이미지별로 최적의 저주파/고주파 성분 비율을 도출한다. 실험 결과는 제안된 방법이 기준 고해상도 데이터셋에 대해 최첨단 성능을 달성한다는 것을 보여준다.
이 학위 논문은 손실 비디오 압축으로 연구를 확장한다. 이 학위 논문에서는 전통적인 비디오 코덱(HEVC 또는 VVC), 손실 없는 이미지 코덱, 그리고 우리의 새로운 복원 네트워크로 구성된 경량 하이브리드 비디오 코덱을 제안한다. 정확히 말하면, 인코더는 전통적인 비디오 인코더와 손실 없는 이미지 인코더로 구성되어 손실 압축된 비디오 비트스트림과 손실 없이 압축된 참조 프레임을 전송한다. 디코더는 해당하는 비디오/이미지 디코더와 새로운 복원 네트워크로 구성되어 압축된 비디오를 두 단계의 과정으로 향상시킨다. 첫 번째 단계에서는 비디오 데이터셋으로 훈련된 네트워크가 전통적인 인코더에 의해 손실된 디테일을 복원한다. 그런 다음 참조 이미지인 손실 없이 압축된 비디오 프레임의 안내로 비디오 품질을 추가로 향상시킨다. 참조 이미지는 비디오에 특화된 정보를 제공하여 압축된 비디오의 디테일을 더 잘 복원하는 데 활용될 수 있다. 실험 결과는 제안된 프레임워크에서 HEVC를 기준으로 할 때 전체 코딩 이득이 최근의 최고 수준의 신경 코덱과 비교할 만하며, 인코딩 시간이 훨씬 적고 복잡성이 낮다는 것을 보여준다. VVC와 결합했을 때, 제안된 방법은 VVC에 비해 상당한 이득을 가져와 최첨단의 코딩 성능을 달성한다.
마지막으로 이 학위 논문에서는 영상 압축을 위한 이미지 기반 (INR) 방법을 제안한다. NeRV는 원래 이미지별 암시적 신경 표현 (INR)을 통해 비디오 표현을 학습하는 접근 방식을 제안하여 성능과 속도를 향상시켰다. 후속 NeRV 기반 연구는 표현 학습 개선에 중점을 두었지만 비디오의 고유한 속성은 다루지 않았다. 본 학위논문에서는 비디오의 일반적인 속성을 고려하고 개별 비디오의 특성에 적응하는 SANeRV(Scene-Adaptive Neural Representation for Videos)를 제안한다. 첫 째, 학습 과정을 전역 표현과 잔여 표현의 두 부분으로 분해하여 비디오의 일반적인 속성인 시간적 중복성을 통합하도록 네트워크를 설계한다. 전역 표현은 비디오 전반에 걸쳐 공유 구성 요소를 캡처하는 반면, 잔차 표현은 프레임별 세부 정보를 학습한다. 개별 비디오의 특성과 관련하여 제안된 방법은 장면 변화의 유무와 비디오의 역동성을 기반으로 네트워크 아키텍처를 적용한다. 실험을 통해 제안된 방법이 UVG 및 MCL-JCV 데이터셋 모두에 대한 최첨단 성능을 달성한다는 것을 보여준다. 또한 SANeRV는 비디오 압축 및 인페이팅과 같은 다운스트림 작업에서 다른 방법보다 성능이 뛰어나다.Abstract i
Contents iv
List of Tables viii
List of Figures x
1 Introduction 1
1.1 Motivation 1
1.2 Contribution 4
1.3 Contents 4
2 Lossless Image Compression by Joint Prediction of Pixel and Context Using
Duplex Neural Networks 5
2.1 Motivation and Overview 5
2.2 Related Work 7
2.3 Method 10
2.3.1 Overview of the Proposed Method 11
2.3.2 Reversible Color Transform 12
2.3.3 Channel-wise Progressive Prediction 12
2.3.4 Residual Prediction 14
2.3.5 Efficient Support Pixel 15
2.3.6 Loss 16
2.3.7 Progressive Training 17
2.3.8 Binarization through Adaptive Arithmetic Coding 18
2.3.9 Duplex Network 19
2.4 Experiments 20
2.4.1 Datasets 20
2.4.2 Implementation Details 21
2.4.3 Experimental Results 21
2.5 Discussions 26
2.5.1 Ablation Study 26
2.5.2 Pixel Prediction Analysis 26
2.5.3 Context Analysis 28
2.5.4 Result Analysis 30
2.6 Summary 32
3 LC-FDNet: Learned Lossless Image Compression with Frequency Decomposition
Network 36
3.1 Motivation and Overview 36
3.2 Related Works 39
3.3 Method 40
3.3.1 Overview 40
3.3.2 Reversible Color Transform 41
3.3.3 Framework 41
3.3.4 Architecture 42
3.3.5 Architecture Detail 45
3.3.6 Decoding Procedure 47
3.3.7 Loss Function 48
3.4 Experiments 49
3.4.1 Dataset 49
3.4.2 Implementation Details 49
3.4.3 Compression Result 50
3.4.4 Inference Time 52
3.5 Discussion 53
3.5.1 Subimage Order Analysis 53
3.5.2 Adaptive Frequency Decomposition Analysis 56
3.5.3 Ablation Study 57
3.5.4 Frequency Component Analysis 58
3.6 Summary 59
4 Lightweight Hybrid Video Compression Framework Using Reference-Guided
Restoration Network 61
4.1 Motivation and Overview 61
4.2 Related Works 64
4.3 Method 66
4.3.1 Overview 66
4.3.2 General Enhancement 66
4.3.3 Reference based Enhancement 67
4.3.4 Multiple Reference Frame 69
4.4 Experiments 70
4.4.1 Experimental Setup 70
4.4.2 Compression Result 71
4.4.3 Running Time and Model Complexity 71
4.4.4 Comparison with Post-processing Methods 75
4.4.5 Step Analysis 75
4.4.6 Confidence Map 77
4.4.7 Alignment Comparison 79
4.4.8 Reference Frame Analysis 80
4.5 Reference Frame Selection 82
4.6 Multiple Reference Frame and RD Curve 83
4.7 Summary 83
5 SANeRV: Scene-Adaptive Neural Representation for Videos 84
5.1 Motivation and Overview 84
5.2 Related Works 88
5.3 Method 89
5.3.1 Overview 89
5.3.2 Global and Residual Representation 90
5.3.3 Time Relevant Extraction 91
5.3.4 Decoder 93
5.3.5 Loss 94
5.3.6 Adaptation to Individual Videos 94
5.4 Experiments 96
5.4.1 Dataset 96
5.4.2 Implementation Details 97
5.4.3 Video Regression 97
5.4.4 Scene Change Adaptation 100
5.4.5 Dynamism Adaptation 101
5.4.6 Video Compression 102
5.4.7 Video Inpainting 104
5.5 Summary 104
6 Conclusion 105
Abstract (In Korean) 128박
자원이 제한된 환경에서 딥 뉴럴 네트워크를 위한 학습 기술
No full text학위논문(박사) -- 서울대학교대학원 : 공과대학 전기·정보공학부, 2024. 2. 이정우.이 학위 논문에서는 세 가지 다른 딥러닝 기술에서의 효율성을 향상시키기 위한 방법들을 탐구한다. 이러한 딥러닝 기술들은 메타 러닝, 전이 학습, 그리고 초소형 딥 러닝을 포함하며 각각의 효율성을 향상시키기 위한 새로운 방법을 제안한다. 첫째로, 적은 양의 데이터로 학습하는 대한 메타 러닝(meta learning) 알고리즘은 일반적으로 에피소드 훈련 방식으로 진행된다. 각 에피소드는 일반적으로 제한된 수의 서포트(support) 및 쿼리(query) 샘플들로 구성되며, 특정한 퓨삿(few-shot) 작업들을 모방한다. 그러나 이러한 프레임워크는 각 범주의 제한된 수의 범주 및 각 범주 내의 샘플 부족으로 인한 어려움을 직면한다. 이는 결과적으로 메타 훈련 데이터 집합과 각 에피소드의 서포트 집합에 과적합(overfitting)되기 쉬우며 에피소드들의 정확도마다 상당한 편차를 일으키며 모델 성능의 신뢰도(reliability)를 저해한다. 이러한 문제점에 대처하기 위해, 다중 입력 다중 출력(multi-input multi-output) 구성을 가지는 최신 앙상블 방법을 기반으로 하는 혁신적인 메타-앙상블 학습 방식을 도입한다. 이 방식은 기존 메타 러닝 알고리즘에 결합되어 하나의 모델 내에서 여러 하위 네트워크들이 동시에 여러 에피소드로 학습을하고 예측을 취합할 수 있도록 한다. 다음으로, 전이 학습의 일반적인 방법인 미세 조정(fine-tuning)은 다양한 분야에서 널리 사용된다. 하지만, 미세 조정은 이미 좋은 일반화 능력을 가지고 있는 사전 훈련된 특징 추출기(feature extractor)에 특징 왜곡(feature distortion)을 일으킨다. 새로운 타겟 도메인에 적응(adaptation)하는 동안 특징 왜곡을 최소화하는 것이 중요하다. 최근 연구는 미세 조정을 수행하기 전에 내부 분포 데이터셋(in-distribution datasets)에 대해 헤드 레이어(head layer)를 조정하여 특성 왜곡을 다루는 좋은 결과들을 보여주었다. 그러나, 미세 조정 중에 배치 정규화 레이어(batch normalization layer)를 다루는 것에 있어 상당한 제약이 발생하여 성능이 최적화되지 않는다. 이러한 어려움을 해결하기 위해, 도메인 인식 미세 조정(domain-aware fine-tuning)을 소개한다. 이는 배치 정규화 변환과 선형 프로빙(linear probing) 및 미세 조정의 통합으로 구성되어 있다. 배치 정규화 변환은 미세 조정 중에 신경망의 변화를 최소화하여 특징 왜곡을 효과적으로 완화한다. 또한, 선형 프로빙 및 미세 조정의 통합을 통해 헤드 레이어를 최적화하고 점진적으로 특징 추출기를 조정한다. 배치 정규화 레이러를 활용하고 선형 프로빙 및 미세 조정을 통합함으로써 도메인 인식 미세 조정은 특징 왜곡을 크게 완화하고 내부 분포 및 외부 분포 데이터셋 모두에서 모델 성능을 향상시킨다. 마지막으로, 네트워크 증강 (network augmentation)은 초소형 딥 러닝을 위한 방법론들 중 하나이다. 네트워크 증강은 대규모 데이터 셋을 다루면서 초소형 신경망의 성능을 향상시키는 것을 목표로 한다. 네트워크 증강은 초소형 모델에게 더욱 큰 증강 모델로부터 추가적인 지도(supervision)를 제공하여 과소적합(underfitting) 문제를 완화하지만, 종종 증강 모델의 용량을 충분히 활용하지 못하여 자원 할당이 비효율적으로 이루어진다. 초소형 모델에서 과소적합을 심화시키지 않으면서 증강 모델의 용량을 완전히 활용하기 위해 다중 입력 네트워크 증강(multi-input network augmentation)이라는 새로운 기술을 제안한다. 이는 초소형 신경망을 다중 입력 구성으로 변환하고 학습 중에는 초소형 신경망에는 단일 입력을 허용하고 증강 모델에는 다양한 다중 입력을 허용한다. 또한, 이 다중 입력 구성은 학습 후에는 원래의 단일 입력 구성으로 다시 변환될 수 있다.In this dissertation, I explore methods to enhance the efficiency of three distinct deep learning techniques. These deep learning techniques include meta-learning, transfer learning, and tiny deep learning, and I propose novel methods to improve the efficiency of each. First, meta-learning algorithms for few-shot learning have predominantly adopted an episodic training approach. Each episode typically consists of a limited number of support and query samples, simulating specific few-shot tasks. However, this framework encounters challenges due to the limited number of categories and the scarcity of samples within each category. Consequently, it is prone to overfitting on both the meta-training dataset and the support set of each episode, leading to a substantial variance in the accuracy of each episode. These issues diminish the reliability in model performance. To address these challenges, I introduce a novel meta-ensemble learning approach based on a recent ensemble method featuring a multi-input multi-output (MIMO) configuration. It allows multiple subnetworks within a single model to simultaneously learn from multiple episodes and aggregate their predictions. Next, fine-tuning, one of common transfer learning methods, has become a widely adopted approach across various domains. However, fine-tuning can lead to feature distortion in pre-trained feature extractors, which may already possess strong generalization capabilities. Mitigating feature distortion during adaptation to new target domains is crucial. Recent studies have shown promising results in handling feature distortion by aligning the head layer on in-distribution datasets before performing fine-tuning. Nevertheless, a significant limitation arises in the treatment of batch normalization layers during fine-tuning, resulting in suboptimal performance. To address this challenge, I introduce Domain-Aware Fine-Tuning (DAFT). DAFT incorporates batch normalization conversion and the integration of linear probing and fine-tuning. The batch normalization conversion method effectively mitigates feature distortion by minimizing modifications to the neural network during fine-tuning. Additionally, the integration of linear probing and fine-tuning optimizes the head layer while gradually adapting the feature extractor. By leveraging batch normalization layers and integrating linear probing and fine-tuning, DAFT significantly mitigates feature distortion and achieves improved model performance on both in-distribution and out-of-distribution datasets. Lastly, Network Augmentation (NetAug) is one of methodologies for tiny deep learning. It aims to enhance the performance of tiny neural networks when dealing with large-scale datasets. Although NetAug provides additional supervision to smaller models from larger augmented models, mitigating underfitting, it often underutilizes the capacity of the augmented models, resulting in suboptimal resource allocation. To more utilize the capacity of larger augmented models without exacerbating underfitting in tiny networks, I propose a new technique called Multi-Input Network Augmentation (MINA). MINA transforms tiny neural networks into a multi-input configuration, allowing a single input for the tiny neural network and a more diverse range of multi-input for the augmented model during training. Additionally, this multi-input configuration can be converted to the original single-input configuration after training.Abstract i
Contents iii
List of Tables vi
List of Figures ix
1 Introduction 1
1.1 Background 1
1.1.1 Meta-Learning 2
1.1.2 Transfer Learning 3
1.1.3 Tiny Deep Learning 4
1.2 Contributions and Organization 6
2 Meta-Ensemble Learning for Enhancing Few-Shot Learning 7
2.1 Introduction 7
2.2 Related Work 10
2.2.1 Generalization in Meta-Learning 10
2.2.2 Ensemble Learning 11
2.3 Method 11
2.3.1 Preliminary: Meta-Learning Framework 11
2.3.2 Task Level MIMO Configuration 13
2.4 Experiments 15
2.4.1 Experimental Setup 15
2.4.2 Performance as M Varies 17
2.4.3 Independent Subnetworks 18
2.4.4 Generalization Improvement 21
2.4.5 Performance Improvement 22
2.5 Conclusion 26
3 Domain-Aware Fine-Tuning for Enhancing Neural Network Adaptability 27
3.1 Introduction 27
3.2 Related Work 30
3.3 Method 31
3.3.1 Converting Batch Normalization 31
3.3.2 Integrating LP and FT 35
3.4 Experiments on Classification Task 37
3.4.1 Experimental Setup 38
3.4.2 Experimental Results 40
3.5 Experiments on Segmentation Task 42
3.5.1 Experimental Setup 42
3.5.2 Experimental Results 43
3.6 Additional Experiments 44
3.6.1 Robustness 44
3.6.2 Ablation Study 45
3.6.3 Visualizing with Cosine Similarity 47
3.7 Conclusion 48
4 Multi-Input Network Augmentation for Enhancing Tiny Deep Learning 53
4.1 Introduction 53
4.2 Related Work 55
4.2.1 Augmentation Methods 55
4.2.2 Neural Architecture Transformation 56
4.3 Method 57
4.3.1 Preliminary: Network Augmentation 58
4.3.2 Multi-Input Configuration 58
4.3.3 Batch Normalization Reset 60
4.3.4 Deployment 61
4.3.5 Determining the Optimal Number of Inputs 62
4.4 Experiments on ImageNet 63
4.4.1 Experimental Setup 63
4.4.2 Experimental Results 65
4.4.3 Evaluation of Robustness 68
4.4.4 Other Input Augmentation Methods 69
4.5 Experiments on Downstream Tasks 70
4.5.1 Experimental Setup 70
4.5.2 Experimental Results 71
4.6 Conclusion 72
5 Conclusion 75
5.1 Summary 75
Abstract (In Korean) 95박
헬리코박터 파일로리 제균 연령에 따른 조기위암의 내시경적 절제술 후 이시성 위종양의 발생 위험 평가
No full text학위논문(석사) -- 서울대학교대학원 : 의과대학 의학과, 2024. 2. 김상균.배경: 헬리코박터 파일로리 제균은 조기 위암의 내시경 점막하 절제술 후 발생하는 이시성 위종양의 발병률 감소시킬 수 있다. 이 연구는 헬리코박터 파일로리 제균 연령에 따라 조기위암의 내시경적 절제술 후 이시성 위종양의 발생 위험을 평가하고자 하였다.
방법: 2005년부터 2018년까지 헬리코박터 파일로리 감염이 있고 조기위암에 대해 내시경 점막하 절제술을 시행 받은 환자들을 후향적으로 분석하였다. 환자들은 헬리코박터 파일로리 제균 연령에 따라 4개의 그룹으로 분류되었다: 그룹1 (<50세), 그룹2 (50-59세), 그룹3 (60-69세), 그룹4 (≥70세).
결과: 연구에 포함된 모든 환자들은 내시경적 절제술 후 최소 5년 동안 추적 관찰되었다. 5년 누적 이시정 위종양 발생률은 그룹 1,2,3,4에서 각각 2.1%, 7.0%, 8.7%, 16.7%였다(P <0.001). 그룹 3과 4는 이시성 위종양의 발생 위험에서 그룹 1에 비해 유의한 차이를 보였다 (위험비 4.66, 95% 신뢰구간 1.09-19.92; 위험비 10.75, 95% 신뢰구간 2.45-41.72). 그룹 3과 4는 개정된 시드니 시스템을 기반으로 평가한 중등도 이상의 장상피화생 유무를 보정한 후에도 그룹 1에 비해 이시성 위종양의 발생 위험이 높았다 (위험비 4.40, 95% 신뢰구간 1.03-18.84; 위험비 10.14, 95% 신뢰구간 2.31-44.57).
결론: 조기위암에 대한 내시경 점막하 절제술 이후 이시성 위종양의 발생률은 헬리코박터 파일로리 제균 연령에 따라 증가하였다. 헬리코박터 파일로리 제균 연령이 60세 이상인 경우는 중등도 이상의 장상피화생의 유무를 보정한 후에도 이시성 위종양 발생의 독립적인 위험 요인이었다.Background: Helicobacter pylori (H. pylori) eradication can reduce the incidence of metachronous gastric neoplasm (MGN) after endoscopic submucosal dissection (ESD) for early gastric cancer (EGC). This study aimed to evaluate the risk of developing MGN after ESD for EGC based on age at H. pylori eradication. Methods: Data of patients who underwent curative ESD for EGC with H. pylori infection between 2005 and 2018 were retrospectively analyzed. The patients were divided into 4 groups according to age at H. pylori eradication: Group 1 (< 50 years), Group 2 (50 - 59 years), Group 3 (60 - 69 years), and Group 4 (≥ 70 years). Results: All patients were followed up for a minimum of 5 years after ESD. The 5-year cumulative incidence of MGN was 2.1%, 7.0%, 8.7%, and 16.7% in Group 1, 2, 3, and 4, respectively (P <0.001), and the Group 3 and 4 showed a significant increase in the risk of MGN (hazard ratio [HR] 4.66, 95% confidence interval [CI] 1.09 – 19.92; HR 10.75, 95% CI 2.45 – 47.12). After adjusting for moderate to severe intestinal metaplasia based on the updated Sydney system, Group 3 and 4 remained significantly associated with MGN (HR 4.40, 95% CI 1.03 – 18.84; HR 10.14, 95% CI 2.31 – 44.57). Conclusions: The incidence of MGN after ESD for EGC increased with age at H. pylori eradication. Age at H. pylori eradication ≥ 60 years was an independent risk factor for MGN, even after adjusting the presence of advanced intestinal metaplasia. Keywords: Early gastric cancer; Endoscopic submucosal dissection; Metachronous gastric neoplasm; Helicobacter pylori; Eradication Student Number: 2022-26018Chapter 1. Introduction 1
Chapter 2. Methods 3
Chapter 3. Results . 8
Chapter 4. Discussion 19
Bibliography 24
Supplements 29
Abstract in Korean . 31석
자체 지도 마스크 오토인코더
No full text학위논문(석사) -- 서울대학교대학원 : 데이터사이언스대학원 데이터사이언스학과, 2024. 2. 이준석.Masked Autoencoder (MAE) is a self-supervised approach for general fea- ture representation learning, widely applicable to a variety of downstream tasks in computer vision. Instead of randomly sampling the patches to mask, several subsequent works have explored informed masking strategies to enhance MAE. The majority of these advanced methods, however, require external models or labeled data, fading out the benefit of self-supervised nature of MAE. In this paper, we commence with a meticulous analysis on inherent operations of MAE, discovering that MAE learns patch-wise clustering from a surprisingly early stage of pre-training. Taking advantage of this observation, we propose our novel Self-guided MAE, achieving superior feature representation learning and eventually downstream task performance by a more informative masking. Our approach is completely free from reliance on external models or supplemen- tary information. Our comprehensive experiments across various downstream tasks verify the effectiveness of the proposed method.Masked Autoencoder (MAE)는 컴퓨터 비전에서 다양한 downstream tasks에 일반적으로 적용 가능한 feature representation 학습을 위한 self-supervised 학습 방식이다. 여러 후속 논문들이 MAE를 향상시키기 위해 무작위로 이미지를 마스킹하는 대신, 유의미한 정보에 기반한 마스킹 전략을 탐구했다. 그러나 이러한 발전된 방법들의 대부분은 외부 모델이나 레이블이 있는 데이터를 필요로 하여, MAE의 self-supervision 특성의 이점을 감소시킨다. 본 논문에서는 MAE의 내재적 작동 원리에 대한 세밀한 분석으로 시작하여, MAE가 사전 훈련의 굉장히 이른 단계에서부터 patch-level clustering을 학습한다는 것을 보인다. 이 관측 사실에 기반하여, 본 논문에서는 정보 기반 마스킹을 통해 우수한 feature representation 학습과 궁극적으로 더 뛰어난 downstream tasks 성능을 달성하는 새로운 자체지도 MAE를 제안한다. 해당 모델의 접근 방식은 외부 모델이나 추가 정보에 전혀 의존하지 않으며, 다양한 downstream tasks에서 실시한 종합적인 실험들의 결과가 제안된 방법의 효과를 검증한다.Abstract i
Contents ii
1 Introduction 1
2 Related Works 4
3 Preliminary 6
4 Analysis of MAE 8
4.1 Token Relation 8
4.2 What is Learned by MAE? 9
4.3 When Does MAE Learn Patch Clusters? 13
4.4 Operations of the Decoder 15
5 Self-Guided Informed Masking 19
6 Experiments 24
6.1 Experimental Settings 24
6.2 Performance on Downstream Tasks 25
6.3 Analysis on the Learned Feature Space 26
6.4 Ablation Studies 29
7 Conclusion 31
A Appendix 32
A.1 Detailed Reasoning for Informed Masking .32
A.2 Convergence of Token Relations .33
A.3 Informed Masking 35
A.4 Transfer Learning on Object Detection and Instance Segmentation 37
A.5 Qualitative Results 38
A.6 Analysis on Ablation Studies 39
Abstract (In Korean) 50석
Development of a technology to improve the tracking performance of autonomous driving tractors using single GPS
No full text학위논문(석사) -- 서울대학교대학원 : 농업생명과학대학 바이오시스템공학과, 2024. 2. 김학진.자율주행 농기계의 실용화와 관심이 증가되면서 국내 농업 환경에서도 단계별 자율 주행에 관한 관심이 많아지고 있다. 대규모로 경작하는 농가에서는 이미 해외에서 들여온 자동 조향 키트를 구매하여 작업 보조 수단의 자율주행 시스템을 실제 작업에 적용 및 활용하고 있다. 종래의 연구에서는 Dual GPS Antenna 및 Wheel Angle 센서를 트랙터에 장착한 Feedback 제어 시스템으로 구성된 자율주행 트랙터 연구들이 수행되었다. 이와 같은 Feedback 제어 시스템에서는 Wheel Angle 센서의 출력을 통해 현재 각도를 실시간으로 측정하고 현재 조향 시스템의 상황을 정확히 파악할 수 있기에 이를 입력 요소에 전달하여 불확실성과 다양한 환경 변화에 보다 안정적이고 높은 정확도와 강건성을 확보하며 제어할 수 있는 장점이 있다. 하지만 전륜축에 장착되는 Wheel Angle 센서는 농작업시 가혹한 환경 조건으로 인해 빈번하게 고장이 발생하는 단점이 존재하고, 상용화 시 농작업 관리자의 비용적 측면과 간소화된 시스템 적용에 대한 요구사항을 충족시키기가 어렵다. 이에 본 연구에서는 Wheel Angle Sensor 가 없는 Single GPS Antenna, 전자 제어장치 (ECU) 시스템 구성으로 트랙터의 조향장치를 자동으로 조정하는 Feedforward 방식의 제어를 통해 횡방향 오차를 감소시키고 추종 안정성을 높이는 시스템을 개발하고 이를 실제 다양한 트랙터에 적용하여 연구의 유효성을 확인하였다. 조향 바퀴를 작동시키기 위해서 EPS (Electric Power Steer) 를 트랙터의 조향축에 장착시키고 EPS 에 내장된 엔코더를 통해 실시간 모터의 위치값을 측정한다. 기존 Feedback 시스템에서 Stanley Controller 모델을 사용할 때는 조향 바퀴의 값을 모니터링 하고 시스템 적으로 Bias 가 없다는 전제 하에 제어를 수행하기에 제어 안정성과 강건성을 유지할 수 있다. 하지만 오비트롤 시스템 특성상 유압의 편차가 지속적으로 발생하여 조향 제어의 일관성을 유지할 수 없다는 점과 Feedforward 시스템에서 조향 바퀴 값을 정확히 측정할 수 없는 시스템 한계 상황에서 일관적인 제어성을 확보할 수 없기에 기존 Stanley Controller 모델에 실시간 EPS 위치값을 모니터링하며 조향 바퀴의 중심값을 예측하고 유압 편향에 대한 보상을 실시간으로 반영하여 조향 제어를 수행하는 알고리즘을 추가하였다. 또한 추종성능을 높일 수 있도록 전동기 모터의 제어 응답성을 향상시키고, 교반 제어 시 성능을 저하시키는 요인을 찾아 제어 추종성을 개선할 수 있는 방안을 연구하였다. 연구를 수행한 결과 Single GPS Antenna 환경에서 Wheel Angle Sensor 없이도 2.5 km/h 주행 속도 내에서 직진 추종 성능의 수준이 Lateral Deviation (RMSE) 기준 2.5cm 와 Heading Error (RMSE) 1.062deg 범위 안에서 제어됨을 확인 할 수 있었고, 목표 경로에 도달하는 시간을 약 5% 이상 줄이는 것과 더불어 제어의 일관성을 확보할 수 있었다. 주요어 : 개루프 시스템, 정유압 시스템, 모터제어, 경로 추종 제어, 자율주행 트랙터 학 번 : 2021-22506In conventional studies were conducted on autonomous tractors consisting of a feedback control system equipped with a Dual GPS Antenna and Wheel Angle sensor on the tractor. In such a feedback control system, the output of the Wheel Angle sensor can measure the current angle in real time and accurately know the current steering system. It has the advantage of being able to secure more stable, high accuracy and robustness against uncertainty and various environmental changes by transmitting this to the input element. However, the wheel angle sensor mounted on the front wheel axle has the disadvantage of frequently breaking down due to harsh environmental conditions during agricultural work. Additionally, upon commercialization, it is difficult to meet agricultural managers' requirements for cost aspects and simplified system application.
The purpose of this study is to develop a system that reduces lateral error and improves tracking stability through feedforward control that automatically adjusts the tractor's steering system using a single GPS antenna and electronic control unit (ECU) system without a wheel angle sensor. And the effectiveness of the study was confirmed by applying it to various tractors.
To operate the steering wheel, an EPS (Electric Power Steer) is mounted on the steering shaft of the tractor and the position value of the real-time motor is measured through the encoder built into the EPS. When using the Stanley controller model in the existing feedback system, control stability and robustness can be maintained because the value of the steering wheel is monitored, and control is performed under the premise that there is no Bias systematically.
However, due to the characteristics of the orbit control system, the hydraulic pressure deviation continues to occur, and the consistency of steering control cannot be maintained. In addition, consistent control cannot be secured due to system limit situations in which steering wheel values cannot be accurately measured in the Feedforward system. Therefore, an algorithm was added to the Stanley Controller model to perform steering control by monitoring the real-time EPS position value, predicting the center value of the steering wheel, and reflecting compensation for hydraulic deviations in real time. In addition, the control responsiveness of EPS was improved to increase the straight-line tracking performance of the
tractor, and performance degradation factors were found and improved during agitation control.
As a result of the study, it was confirmed that the straight-line tracking performance within 2.5 km/h speed without the Wheel Angle Sensor in the Single GPS Antenna was controlled within the lateral deviation 2.5 cm (RMSE) and heading error 1.062 deg (RMSE). And it was possible to reduce the time to reach the target path by more than 5% as well as ensure consistency of control.1. 서론 １
1.1. 연구의 배경 １
1.2. 연구의 목적 ５
1.3. 문헌조사 ６
2. 재료 및 방법 １２
2.1. 자율주행 시스템 구성 １２
2.2.1. 자율주행 플랫폼 １２
2.2.2. INS System (GNSS/IMU) １４
2.2.3. EPS System １６
2.2.4. 현장 평가 기대 １８
2.3. 경로 추종 알고리즘 구성 ２２
2.3.1. 시스템 아키텍쳐 ２２
2.3.2. 경로 추종기 ２１
2.3.3. 유압 편차 보상 알고리즘 ２４
2.4. 모터 제어 성능 최적화 ２８
2.4.1. 모터 시험 환경 ２９
2.4.2. 제어 응답성 시험 방안 ３０
3. 결과 및 고찰 ３３
3.1. 유압 편차 보상 알고리즘 유효성 검증 ３３
3.2. 모터 제어 응답성 시험 결과 ３６
3.2.1. 단일 스텝 및 교반 시험 ３６
3.2.2. 자율주행 데이터 프로파일 적용 검증 시험 ３９
3.2.3. 실차 적용 성능 평가 ４０
3.3. 기대별 유효성 현장 평가 결과 ４２
3.3.1. 65마력 (Luxen65) ４３
3.3.2. 70마력 (YT470) ４６
3.3.3. 107마력 (MR1007) ４９
4. 결론 ５２
5. 참고문헌 ５４
Abstract ５７석
단일분자 형광 기술을 이용한 Rho 의존적 전사 종결의 작동 원리에 대한 연구
No full text학위논문(박사) -- 서울대학교대학원 : 자연과학대학 물리·천문학부(물리학전공), 2024. 2. 홍성철.Single-Molecule Fluorescence Studies on Mechanisms of Rho-Dependent Transcription Termination Eunho Song Graduate School of Nature Science Seoul National University Department of Physics and Astronomy (Physics Major) Genetic information in many organisms is stored in the form of DNA and is then converted into RNA, which is further translated into proteins. In other words, RNA plays a crucial role in the process of genetic information stored in DNA being expressed as proteins. Specifically, the amount of RNA produced directly affects the quantity of protein synthesized, making understanding transcription, the process of RNA synthesis, vital in comprehending gene expression in organisms. Transcription consists of initiation, elongation, and termination stages. However, termination is still elusive compared to other stages. In bacteria, transcription termination is divided into two types: intrinsic termination (factor- independent termination) that does not require additional factors and factor- dependent termination that requires auxiliary factors. A well-known factor responsible for factor-dependent termination in bacteria is factor Rho. Factor Rho is an ATP-dependent helicase with a hexamer structure. Although various studies have contributed to understanding its mechanism of action, controversies have arisen regarding its functioning. Rho's mechanism of action includes Rho binding, RNA release, and Post-termination processes. Rho binding involves debates over whether Rho binds to RNA polymerase (RNAP) first [stand-by] or to the RNA first [catch-up]. There have also been controversies regarding whether RNA release occurs through pushing RNAP [decomposing] or pulling RNA [shearing]. The Post-termination stage pertains to the state of RNAP after termination, with debates between RNAP decomposing and RNAP remaining at the DNA [recycling]. To resolve these controversies, we employed a single-molecule fluorescence assay. We utilized this assay to observe various aspects of Rho's mechanism of action by tracking molecular heterogeneity and exploring relationships between different stages. Single-molecule assays have both spatial resolution, which allows observation at the molecular level, and temporal resolution, which enables real-time monitoring. As a result, they provide insights into the relationships between different stages at the individual molecule level. Consequently, we developed and employed various assays to observe Rho's mechanism of action. As a result, we confirmed the observations reported in previous studies, but we also discovered relationships between each stage. We found that after stand- by termination, decomposing termination always occurs, and after catch-up termination, both decomposing and recycling termination take place. Furthermore, we identified a positive correlation between termination efficiency and pausing time specific to stand-by termination. Even among various mutants of the mgtA terminator, we observed this positive correlation only in stand-by decomposing termination. This discovery goes beyond merely indicating the correlation between kinetic properties and biological phenomena; it also contributes to understanding biological functions. Some Rho terminators are regulated by riboswitches, and we found that stand-by decomposing termination plays a key role in riboswitch regulation. Stand-by termination not only enables RNA to form structures on RNAP but also provides the necessary time for riboswitch structure formation due to its slow termination. By thoroughly understanding these unique phenomena in the process of summarizing Rho's termination mechanism, we showed how physical characteristics are linked to biological functions. In addition to these findings, during the course of my degree, I conducted experiments on fork reversal activity using Werner protein and investigated the forces underlying intrinsic termination in T7 RNA polymerase and E. coli RNA polymerase. I have also attached research on the helicase activity and aggregation phenomenon of nsp13, a part of the SARS-CoV-2 RNA-dependent RNA polymerase. Keyword: Single-molecule fluorescence spectroscopy, Fluorescence Resonance Energy Transfer(FRET), Protein-induced Fluorescence Enhancement(PIFE), Factor-dependent Transcription Termination, factor Rho, mgtA(Magnesium transport A) riboswitch, rut(Rho utilizing) site Student Number: 2019-38378많은 생명체에서 유전정보는 유전정보를 보관하고 있는 DNA의 정보가 RNA의 형태로 바뀐 후에, 단백질로 발현된다. 다시 말해서, DNA에 저장되어 있는 유전정보가 단백질로 발현되는 과정에서, RNA는 대단히 중요한 역할을 한다. 특히, RNA가 얼마나 만들어지는지는 그것을 바탕으로 만들어지는 단백질 생성량에 직접적인 영향을 주기 때문에, RNA가 어떻게 생성되는 transcription을 이해하는 생명체의 유전자 발현을 이해하는 데에 대단히 중요하다.
Transcription은 크게 initiation, elongation과 termination으로 이루어져 있는데, 다른 단계에 비해서 termination에 대한 이해가 아직 부족한 상황이다. 박테리아의 경우에는 transcription termination은 별도의 인자를 필요로 하지 않은 intrinsic termination (factor-independent termination)와 부가적인 요인을 필요로 하는 factor-dependent termination으로 나누어진다. 박테리아의 factor-dependent termination을 일으키는 대표적인 인자로 유명한 것은 factor Rho이다.
factor Rho는 hexamer 구조를 가지는 ATP-dependent helicase이다. 그 동안 다양한 연구를 통해서 그 작동원리에 대한 이해가 쌓여왔지만, 그 작동원리에 대해서는 다양한 논란이 존재했다. Rho의 작동 원리는 크게 Rho binding, RNA release와 Post-termination으로 이루어져 있다. Rho binding 과정에서는 Rho가 RNA polymerase (RNAP)에 붙는지[stand-by], RNA에 붙는지[catch-up]에 대한 논쟁이 있었고, RNA release에 있어서는 RNAP를 밀어내는 displacing이 맞는지, RNA를 잡아당기는 shearing이 맞는지에 대한 논쟁이 있었다. Post-termination은 termination 이후에 RNAP의 상태에 대한 논란인데, RNAP가 DNA에서 떨어져 나가는 decomposing과 DNA에 남아있는 recycling이 남아 있었다.
이 논란을 해결하기 위해서는 우리는 single-molecule fluorescence assay를 이용하였다. Single-molecule assay를 이용한 이유는 분자별로 나타나는 heterogneity를 관찰하는 것을 통해 다양한 경로를 관찰하는 동시에, 각 단계 사이에 나타나는 연관관계를 관찰하기 위해서이다. Single-molecule assay는 분자 단위로 볼 수 있는 spatial resolution과 실시간으로 관찰할 수 있는 temporal resolution을 갖추었기 때문에, 특정 분자에서 각 분자별로 각 단계 사이에 어떤 연관관계를 알 수 있다. 이런 이유에서 Rho의 작동 원리를 관찰할 수 있는 다양한 assay들을 개발하고, 관찰하였다.
그 결과 우리는 기존 연구에서 보고된 바를 모두 관찰하였지만, 각 단계 사이에는 연관관계가 있는 것으로 관찰하였다. Stand-by termination이 일어나면 그 이후에 반드시 decomposing termination이 일어나고, catch-by termination은 decomposing과 recycling이 일어난다. 또, decomposing termination은 displacing에 의해서 영향을 받고, recycling termination은 shearing에 의해서 일어난다. 이런 결과를 종합해보면, (1) stand-by – displacing – decompsong, (2) catch-up – displacing – decomposing과 (3) catch-up – shearing – recycling이라는 세 경로만 존재하는 것을 확인하였다. 이를 통해서, Rho의 termination 과정을 three route model로 정리하였다.
하지만 이 three route model을 정리하는 과정에서 stand-by termination이 catch-up termination에 비해서 길게 나타나는 것으로 확인되었다. 이 결과는 기존 통념과 다른데, 그 이유는 stand-by termination은 Rho가 RNAP에 미리 붙어서 기다리기 때문에 termination이 더 느리게 일어날 것으로 예상하였기 때문이다. 이 통념과 다른 결과를 더 이해하기 위해서 termination efficiency와 terminator별로 나타나는 pausing time 사이의 상관관계를 보였다. 만약 stand-by termination이 느리게 일어난다면, termination이 일어날 수 있는 time window가 더 넓다면 더 잘 일어날 것이라고 보았기 때문이다.
이를 위해서, 다양한 terminator에서 termination efficiency와 pausing time을 관찰한 결과 stand-by termination에서만 positive correlation과 유의미하게 관찰되었다. Stand-by decomposing termination에서만 상관관계가 보이는 것은 NusA나 NusG와 같은 transcription factor가 존재하거나, competitor RNA가 존재하거나, crowding agent가 존재하더라도 유지되는 것을 확인하였다. 또, mgtA terminator의 여러 mutant들 사이에서도 stand-by termination에서만 positive correlation이 관찰되어서, stand-by decomposing termination만 이런 상관관계를 가지는 것을 확인하였다.
이 발견은 단순히 kinetic property와 생물학적 현상 사이의 상관관계를 보여주는 데 그치지 않고, 생물학적 기능을 이해하는 데에도 도움이 된다. 일부 Rho terminator는 riboswitch에 의해 regulation되는데, riboswitch regulation에서 stand-by decomposing termination이 중요한 역할을 하는 것으로 확인되었다. RNA가 아닌 RNAP에 붙어서 RNA 구조가 형성될 수 있도록 해줄 뿐만 아니라, Stand-by decomposing termination이 느리게 일어나기 때문에 riboswitch 구조가 형성되는 데 필요한 시간을 주기 때문으로 보인다. 이렇게 단순히 Rho termination의 작동원리를 정리하는 데에 그치지 않고, 그 과정에서 나타난 특이한 현상을 깊이 이해하는 것을 통해서 물리적 특성이 생물학적 기능에 어떻게 이어지는지 보였다는 점에서 의의가 있다.
이 이외에도 학위 과정 중에서, Werner protein 등을 이용해서 fork reversal activity를 관찰한 내용이라든가, T7 RNA polymerase와 E.coli RNA polymerase의 intrinsic termination을 일으키는 힘의 근원을 알아보는 실험도 진행하였다.Chapter 1 Introduction 1
1.1. Single-Molecule FRET . 2
1.1.1. Overview 2
1.1.2. Fluorescence 4
1.1.3. Single-molecule detection 6
1.1.4. FRET (Fluorescence Resonance Energy Transfer) 7
1.1.5. PIFE (Protein Induced Fluorescence Enhancement) 10
1.2. Transcription 12
1.2.1. Overview 12
1.2.2. Transcription 13
1.2.3. Termination 15
1.3. Factor Rho 18
1.3.1. Function 18
1.3.2. Rho terminator 20
1.3.3. Phylogenic Traits 23
References 26
Chapter 2 The progression of Rho-dependent transcription
termination occurs through three pathways 31
2.1. Introduction 32
2.2. Materials and Methods 34
2.2.1. Single-molecule experiments of transcription termination 34
2.2.2. Preparation of E. coli proteins 35
2.2.3. In vitro bulk transcription assay 36
2.2.4. Preparation of transcription templates 37
2.3. Results and Discussion 43
2.3.1. Photo-bleaching test 43
2.3.2. Premature termination test 44
2.3.3. Single-molecule monitoring of transcription termination 47
2.3.4. Co-occurring fast and slow ρ-dependent terminations 49
2.3.5. Co-present catch-up and stand-by pre-terminational modes 54
2.3.6. Generality of termination heterogeneity with five different terminators 57
2.3.7. RNA shearing and RNAP displacing for terminational release of RNA 62
2.4. Discussion 67
Appendix 72
References 82
Chapter 3 Benefits of transcriptional pause on a specific pathway 87
3.1. Introduction 88
3.2. Materials and Methods 91
3.2.1. Statistical analyses 91
3.3. Results and Discussion 92
3.3.1. Transcription termination and readthrough are monitored at the single-molecule level 92
3.3.2. Pause duration correlates with the stand-by, but not catch-up, termination efficiency 96
3.3.3. Slow recognition of RNA rut site by the stand-by ρ permits the riboswitch regulations 104
3.3.4. Trivial effects of NusA/NusG, competitor RNAs, and a crowder on the pause-termination correlations 108
3.4. Discussion 113
Appendix 118
References 125
Abstract in Korean 135
Acknowledgments 141박