BROWSE
Detail
Conference Paper
온디바이스 AI 환경에서의 임베딩 기반 비지도 드리프트 검출의 양자화 영향 분석
Cited - time in 
Share 
Share
- Issue Date
- 2026-06
- Citation
- 한국통신학회 종합 학술 발표회 (하계) 2026, pp.1-2
- Publisher
- 한국통신학회
- Language
- Korean
- Type
- Conference Paper
- Abstract
- 딥러닝 기반 인공지능 모델은 학습 데이터와 실제 운영 환경의 데이터 분포가 동일하다는 가정하에 동작하지만, 실제 환경에서는 시간에 따라 데이터 분포가 변화하는 컨셉 드리프트(concept drift)가 발생할 수 있다. 최근 온디바이스 AI 환경에서 INT8 기반 AI 가속기의 활용이 보편화되면서 모델 양자화가 필수적으로 적용되고 있으나, INT8 양자화가 임베딩 기반 비지도 드리프트 검출 성능에 미치는 영향에 대한 연구는 아직 부족한 실정이다. 이에 본 연구에서는 DriftLens를 기반으로 FP32 및 INT8 Post-Training Quantization(PTQ) 환경에서의 드리프트 검출 성능 변화를 분석하였다. 실험은 ResNet18, ResNet50, GoogLeNet, ShuffleNetV2 x1.0, Inception v3 등 5종의 ImageNet pretrained 모델을 대상으로 수행하였으며 Out-of-Distribution(OOD) 데이터를 활용하여 드리프트 상황을 구성하였다. 또한 드리프트 민감도 분석을 위해 Drift Distance Ratio(DDR) 지표를 정의하고, FP32 대비 INT8 환경에서의 DDR 유지율(DDR Retention)을 비교하였다. 실험 결과 대부분의 모델에서 INT8 양자화 이후에도 분류 정확도와 DDR이 비교적 안정적으로 유지되었으며, 일부 경량 모델에서는 낮은 분류 정확도에도 높은 DDR 특성이 관찰되었다. 이는 임베딩 기반 드리프트 검출이 분류 성능과는 다른 특성을 가질 수 있음을 시사한다.
- KSP Keywords
- Concept drift