[서평] 대학원생 때 알았더라면 좋았을 것들

아직 완독하지 않아서 와닿거나 기억하고 싶은 내용들을 기록했습니다.

 

대학원생 때 알았더라면 좋았을 것들

영어 못해도 영어 논문 잘 읽는 법

p.67 ~ p.76

 

요즘 졸업프로젝트를 하면서 논문 읽을 일이 많아졌다. 당장 2주동안 GPU와 인공지능을 keyword로 논문리뷰와 발표를 준비해야한다. 저번주에 시험끝나고 논문을 한 편 읽었는데, 학부생 4학년따리가 논문을 읽으려고하니 요령도 없이 무식하게 읽기만하다 발표를 망쳐버렸다..

 

그런 나에게 선배 연구자분들이 꿀팁을 준 챕터여서 기록하려고 한다.

 

대학원생은 그 누구도 영어의 벽을 피해갈 순 없다. 특히 최신 연구를 영어 논문으로 접해야하는 대학원생들이라면 정확한 영어 독해 실력은 필수이다. 석박사는 학문의 최전선에서 지식을 받아들이는 전문가를 지향하는 만큼 번역본이 나오기만을 기다려서는 안 될 것이다.

 

- 논문 영어, 겁먹지 마라

논문 영어는 일상 속 영어, 뉴스 속 영어보다 훨씬 쉬운 영어로 이루어져 있다. 논문은 표현의 간결성과 명료성이 매우 중요하기 때문에 이유없이 추상적인 말이나 모호하나 말로 논점을 흐리지 않기 때문이다. 게다가 논문 구조는 대부분 다음과 같은 구성을 따르고 있다.

 

나는 이런 문제를 풀거야 - Abstract

사실 이 문제는 이런 동기에서 연구가 시작된 건데 - Introduction

관련해서 이런저런 접근들이 있었지 - Related works

난 이런 새로운 방식으로 접근해보려고 하는데 - Method

정말 이게 효과적인지 실험도 해봤어 - Experiment

실험 결과는 이렇게 해석할 수 있지 - Discussion

마지막으로 너를 위해서 요약하줄게 - Conclusion

 

- Abstract

세상의 연구자 중 99%는 초록(Abstract)부터 읽는다. 대부분의 논문들은 '초록 읽기' 단계에서 나머지를 읽을지 말지를 결정할 수 있다. 다음은 예시 논문(A hybrid GPU‑FPGA based design methodology for enhancing machine learning applications performance)의 초록이다.

 

The high-density computing requirements of machine learning (ML) is a challenging performance bottleneck. Limited by the sequential instruction execution system, traditional general purpose processors are not suitable for efcient ML.

기존 방법의 한계점 제시

 

In this work, we present an ML system design methodology based on GPU and FPGA to tackle this problem.

The core idea of our proposal is when designing an ML platform, we leverage the graphics processing unit (GPU)’s high-density computing to perform model training and exploit feld programmable gate array (FPGA)’s 

low-latency to perform model inferencing. In between, we defne a model converter, which enable transforming the model used by the training module to one that is used by inferencing module.

한계 극복을 위해선 GPU, FPGA 기반의 새로운 Machine Learning System 설계 방법론이 필요하구나!

 

We evaluated our approach through two use cases. The frst is a handwritten digit recognition with convolutional neural network while the second use case is for predicting data center’s power usage efectiveness with deep neural network regression algorithm.

CNN을 이용한 손글씨 인식과 DNN을 이용행 data center의 전력소모 예측을 통해 이 논문의 접근법을 평가했구나!

 

The experimental results indicate that our solution can take advantages of GPU and FPGA’s parallel computing capacity to improve the efciency of training and inferencing signifcantly. Meanwhile, the solution preserves the accuracy and the mean square error while converting the models between the diferent frameworks.

실험결과 이 논문의 solution이 GPU와 FPGA의 parallel computing capacity를 활용해 training의 효율성을 높였구나!

 

논문 초록을 통해 적어도 이 논문이 무슨 문제를 풀고 있고, 어떠한 기여를 담고 있는지 파악해야 한다. 이 단계에서 만약 해당 논문이 본인의 관심사가 아니라면 적당히 그림들만 둘러보고 다른 논문을 찾아 떠나도 좋다.

 

- Conclusion

논문은 꼭 순서대로 읽을 필요가 없다. 저자의 경우 초록을 통해 '다루는 문제와 이 논문의 기여'를 파악한 후 내가 제대로 이해했는지 파악하기 위해 결론을 읽어본다고 한다. 결론은 초록과 매우 유사한 내용을 담고 있지만, 실험 과정, 결과, 의의가 좀 더 자세하게 적혀 있는 경우가 많다.