haegwon gwon9906

이해권 (Haegwon Lee)

AI/ML 엔지니어 · 하드웨어 제약 환경 최적화(On-device AI)
gwon99065@naver.com · GitHub · Portfolio · Blog

성과:
- 전송 페이로드 32B → 20B (62.5% 감소)
- 복원 MSE 0.0036 달성
- payload 감소가 전송 성공률(PDR)을 높인다는 가설을 실환경에서 한 달간 필드 측정으로 검증(개선 경향 확인) — 측정값이 기대보다 낮은 원인이 송신 준비 시간 병목임을 사후 분석으로 규명
역할: 팀원 — BAM 압축 모델 설계·구현 및 현장 필드 테스트 담당
의의: 재전송을 늘리는 대신 데이터 자체를 줄이고 복원 성능을 최적화하여 저전력 LPWAN 환경에서 통신 효율과 신뢰성을 함께 개선
Repo: https://github.com/gwon9906/Lightweight-MF-BAM

성과:
- 유량 예측 MAPE 0.188 달성
주요 접근:
- 밸브 개폐 시점 기준 시계열 재구성
- Huber Loss 적용으로 이상치에 강건한 학습
- 단순화된 정규화로 안정적 수렴 유도
(협업 프로젝트로 저장소 비공개)

문제: 초저 SNR 환경에서 LoRa 심볼 복조가 무너지는 문제. 선행 코드의 de-chirp 구현 오류(오버샘플링 FFT의 OSF-fold 합산 누락)를 발견·수정한 것이 출발점
접근: 복소 IQ 신호를 다루는 complex-valued BAM 설계 (IEEE 논문의 Lagrange 안정성 조건에 맞춰 split-tanh·복소 가중치 구조), Noise2Noise·스킵 커넥션 등 구조를 바꿔가며 실험
결과: 일부 구간(-25~-30dB)에서 baseline 대비 개선을 확인했으나 절대 정확도는 실용 수준에 미달. 구조 변경만으로 해결되지 않는 한계로 판단해, SOM으로 데이터 분포를 분석한 결과 원본 IQ에서 심볼 간 거리 구분이 어렵다는 근본 원인을 규명하고 마무리 (대조군 MNIST는 뚜렷하게 군집화된 반면 LoRa 심볼은 그렇지 않음)
Repo: https://github.com/gwon9906/LoRa-bam-reconstruction

Wireless AIoT System Lab 학부 연구생, 동의대학교 (2024.07 ~ 2026.02)
- 저신호(초저 SNR) 무선 신호 복원 연구
- 엣지·무선 환경 센서 데이터 압축·전송
- 산업 센서 시계열 예측 및 최적화

모델 양자화: PTQ / QAT, 대칭·비대칭, per-channel / per-tensor, calibration, ultra-low-bit(ternary·1.58bit) — 압축 프로젝트의 다음 단계로 학습 중