• 지능정보연구
• /
• 제26권4호
• /
• pp.27-65
• /
• 2020

많은 정보통신기술 기업들은 자체적으로 개발한 인공지능 기술을 오픈소스로 공개하였다. 예를 들어, 구글의 TensorFlow, 페이스북의 PyTorch, 마이크로소프트의 CNTK 등 여러 기업들은 자신들의 인공지능 기술들을 공개하고 있다. 이처럼 대중에게 딥러닝 오픈소스 소프트웨어를 공개함으로써 개발자 커뮤니티와의 관계와 인공지능 생태계를 강화하고, 사용자들의 실험, 적용, 개선을 얻을 수 있다. 이에 따라 머신러닝 분야는 급속히 성장하고 있고, 개발자들 또한 여러가지 학습 알고리즘을 재생산하여 각 영역에 활용하고 있다. 하지만 오픈소스 소프트웨어에 대한 다양한 분석들이 이루어진 데 반해, 실제 산업현장에서 딥러닝 오픈소스 소프트웨어를 개발하거나 활용하는데 유용한 연구 결과는 미흡한 실정이다. 따라서 본 연구에서는 딥러닝 프레임워크 사례연구를 통해 해당 프레임워크의 도입 전략을 도출하고자 한다. 기술-조직-환경 프레임워크를 기반으로 기존의 오픈 소스 소프트웨어 도입과 관련된 연구들을 리뷰하고, 이를 바탕으로 두 기업의 성공 사례와 한 기업의 실패 사례를 포함한 총 3 가지 기업의 도입 사례 분석을 통해 딥러닝 프레임워크 도입을 위한 중요한 5가지 성공 요인을 도출하였다: 팀 내 개발자의 지식과 전문성, 하드웨어(GPU) 환경, 데이터 전사 협력 체계, 딥러닝 프레임워크 플랫폼, 딥러닝 프레임워크 도구 서비스. 그리고 도출한 성공 요인을 실현하기 위한 딥러닝 프레임워크의 단계적 도입 전략을 제안하였다: 프로젝트 문제 정의, 딥러닝 방법론이 적합한 기법인지 확인, 딥러닝 프레임워크가 적합한 도구인지 확인, 기업의 딥러닝 프레임워크 사용, 기업의 딥러닝 프레임워크 확산. 본 연구를 통해 각 산업과 사업의 니즈에 따라, 딥러닝 프레임워크를 개발하거나 활용하고자 하는 기업에게 전략적인 시사점을 제공할 수 있을 것이라 기대된다.

• 한국식품영양과학회지
• /
• 제33권3호
• /
• pp.487-493
• /
• 2004

동백나무의 생엽과 생화, 그리고 이를 재료로 제다한 단일 동백엽차$.$화차 및 혼합 동백차의 세포독성과 다제 내성 극복을 규명하기 위하여, 4종의 인간암세포(MCF-7, Calu-5, SNU-601, AML-2/WT)와 1종의 다제내성 세포주(AML-2/ D100)를 이용하여 MTT방법으로 분석하였다. 동백의 어린엽 추출물은 Calu-6($IC_{50}$/: 79.8 $\mu\textrm{g}$/mL), SNU-601($IC_{50}$/: 39.0 $\mu\textrm{g}$/mL)에 대해 성엽과 꽃에 비해 세포독성 효과가 높았다. 단일 동백엽 차중, 찐차는 덜음차나 차차에 비해 상당한 생육 억제효과를 보였으며, 혼합 동백 차의 경우, Cahemix보다는 Catemix추출물이 MCF-7, Calu-6에 대한 $IC_{50}$/: 100 $\mu\textrm{g}$/mL 이하의 낮은 농도에서 세포 증식 억제 및 사멸 효과가 현저히 상승됨을 보여주었다. 특히 Catemix-2를 첨가하였을 때 MCF-7과 Calu-6 암세포에서 $IC_{50}$/값이 각각 75.3과 74.6으로 높은 억제효과를 나타내었다. 시료에 대하여 감수성 세포인 AML-2/WT에 대하여 세포독성을 측정하여 감수성 세포에 비하여 내성 세포에 대하여 선택적 세포독성 여부를 관찰한 결과, 대체적으로 $IC_{50}$/의 차이가 없거나 내성세포의 $IC_{50}$/이 높게 나타내어 그다지 선택적 세포독성을 나타내지 않는 것으로 보인다. 혼합 동백차의 경우, 내성세포에 대한 선택적 세포독성은 Catemix-2(녹차와 동백엽의 덜음차의 혼합)와 Catemix-3(녹차와 동백화차의 혼합)에서 0.9로 다소 효과를 보였으며, 내성 극복 효과는 Cahemix-1(CR: 1.7)에서 높게 관찰되었다.

• Journal of Animal Science and Technology
• /
• 제54권5호
• /
• pp.369-373
• /
• 2012

AMP-activated protein kinase (AMPK)는 체내 에너지 수준을 감지하고 당과 지방의 대사를 조절하는 인자로 밝혀졌다. 이러한 에너지 센서로서 AMPK의 역할은 심혈관계 및 비만과 당뇨 등의 대사성 질환에 밀접한 관계가 있다. 영양적 관점에서 AMPK는 지방산의 합성 및 분해를 통해 간에서 지방대사 조절에 중요한 역할을 한다. 특히 근육의 경우 glucose 흡수를 관장하며, 근육세포 내 glucose의 유입을 증가 시킨다. 하지만, AMPK의 활성이 대사기질의 흡수와 이용에 미치는 영향에 대한 정확한 기전은 아직까지 불분명하다. 또한 영양적 수준 차이에 따른 AMPK의 활성이 단백질 합성에 미치는 영향은 아직 보고된 바 없다. 따라서 본 연구의 목적은 C2C12 myotube에서 AMPK 활성물로 알려진 5-aminoimidazole-4-carbozamide-1-${\beta}$-D-ribonucleoside (AICAR)가 glucose 농도차이에 따른 AMPK 활성과 단백질함량에 미치는 영향을 알아보기 위함이다. 배양된 C2C12 근육세포에서 AICAR는 glucose의 함량에 관계없이 AMPK를 활성화 시켰다. 단백질 농도는 낮은 수준 (LG)에 비해 높은 수준의 glucose (HG)가 처리된 myotube에서 증가되었고, AICAR에 의해 그 효과는 더욱 증대 되었다. C2C12 myotube에서 HG 처리는 AMPK와 acetyl CoA carboxylase (ACC)의 인산화에 영향을 주지 않았지만, LG의 처리로 인해 AMPK와 ACC의 인산화가 증가되었다 (p<0.05). 또한, AICAR (2mM)의 처리는 glucose의 수준과는 관계없이 AMPK와 ACC의 인산화를 증가시켰다. 총 단백질 수준은 HG 처리에 의해 증가 되었고, 이는 AICAR의 처리에 의해서 더 높게 증가되었다. Proteasome 활성은 HG 처리구에서 LG에 비해 7.5% 낮게 나타났고, AICAR 처리는 proteasome 활성을 LG와 HG 처리구에서 각각 63%와 54% 감소 시켰다. Glucose의 수준은 mTOR의 인산화 수준에 영향을 주지 않았다. 하지만, AICAR는 LG 처리구에서 만 mTOR의 인산화 수준을 유의적으로 증가시켰고, HG 처리구에는 mTOR에 영향을 주지 않았다. 따라서, glucose 처리는 단백질을 proteasome으로부터 보호 하거나, glucose가 AMPK의 단백질 합성 저해 기능을 방해하여 세포내 단백질 합성을 중가 시키는 것으로 사료 된다. 결론적으로, 영양적 수준에 의해 AMPK 활성 및 단백질 합성과 분해가 조절된다는 것을 의미한다.

• 한국환경생태학회지
• /
• 제27권6호
• /
• pp.765-776
• /
• 2013

본 연구는 과용문제가 있다고 판단되는 무등산도립공원의 이용분산을 위한 도시근교림(어등산)의 대체자원으로서의 이용가능성 타진과 더불어 휴양자원의 대체성(substitutability)에 영향을 미치는 관련요인을 규명하기 위하여 시행되었다. 2012년 6~8월 중 광주광역시 근교림의 하나인 어등산과 무등산도립공원 두 장소를 모두 방문한 경험이 있는 휴양객을 대상으로 편의샘플링과 스노우볼 샘플링에 의해 추출된 232명을 대상으로 자기기입식 설문조사를 실시하였으며, 이중 225명(97.0%)의 응답이 본 연구의 분석을 위해 이용되었다. 24.2%의 응답자가 "상당히" 또는 "매우 많이", 65.5%의 응답자는 "약간" 또는 "다소" 무등산의 대체장소로서 어등산 이용의도를 나타냈다. 응답자의 10.3%는 어등산을 무등산의 대체장소로서 이용할 의향이 전혀 없는 것으로 조사되었다. 전반적으로 인구사회학적 특성(성별, 연령, 결혼상태, 소득 및 교육수준, 지역거주기간)과 방문행태(방문경험수준, 방문요일)는 무등산도립공원의 대체장소로서 어등산의 이용의사와 관련이 없었다. 단지 '주로 혼자서' 방문하는 응답자는 '그룹' 방문 응답자에 비해 대체장소에 대한 높은 방문의도를 나타냈다. 또한 7개 요인의 방문이유는 대체장소 방문의도의 25.0%를 설명하였으며 이들 중 3개요인 즉 '도전/자기계발(${\beta}=0.35$)', '접근성/친숙성(${\beta}=0.27$)', '모험(${\beta}=-0.19$)'은 P<0.05수준에서 유의성이 있는 것으로 조사되었다. 두 장소 간 장소속성의 유사성은 대체장소 방문의도와 직접적 관계가 없었으며 휴양경험의 유사성은 장소속성의 유사성과 대체장소 방문의도와의 관계에서 완전매개효과를 나타냈다.

• 한국식품영양과학회지
• /
• 제41권6호
• /
• pp.853-860
• /
• 2012

본 연구에서는 잡곡의 이용 증대와 잡곡밥의 혼합비율 최적화를 위한 기초 자료를 제공하고자 곡류와 두류를 혼합한 잡곡밥의 기호도 및 인식을 조사하였다. 2011년 5월 9일부터 5월 29일까지 총 600부의 설문지를 배부하였으며, 통계 분석이 가능한 464명의 설문지가 최종 분석에 사용되었다. 조사대상자의 일반사항을 조사한 결과, 성별은 남성 58.8%, 여성 41.2%로 나타났으며, 연령은 10대가 37.1%로 가장 많았고, 직업은 학생이, 지역은 경상도가 가장 높은 비율을 차지하였다. 잡곡밥 선호여부로는 조사대상자의 약 78%가 잡곡밥을 좋아한다고 응답했으며, 10대와 20대보다 50대와 60대 이상의 비율이 높은 것으로 나타났다. 잡곡밥의 섭취빈도는 '매일'이 약 34%로 가장 높은 것으로 보아 대부분의 가정에서 잡곡밥이 매일 소비되고 있음을 나타내주었으며, 흑미, 현미, 보리의 기호도가 유의적으로 높아 실제로 잡곡밥에 흑미, 현미, 보리를 주로 혼합하여 섭취하는 것으로 보인다. 또한, 다양한 매체를 통해 얻어진 정보로 인해 선호하는 잡곡의 혼합비율을 30% 이하로 응답한 비율이 높았으며, 잡곡밥에 첨가되는 잡곡수로 '3~4가지'를 가장 선호하는 것으로 나타났다. 시중에서 판매되고 있는 잡곡의 개선사항을 조사한 결과, '가격인하'의 응답률이 43.1%로 가장 높게 나타났으며, '종류의 다양화' 또한 높은 비율을 차지하였다. 이상의 결과, 잡곡밥에 대해 소비자들이 건강에 좋다는 인식으로 긍정적인 견해를 보이고는 있으나 시중에 판매되고 있는 잡곡의 가격이 부담스러운 것으로 판단된다. 따라서 잡곡밥에 대한 대중적인 보급과 이용가능성을 증대시키기 위한 다양한 노력이 필요할 것이다. 또한 건강지향적인 잡곡밥의 섭취를 위해서 본 연구 결과를 토대로 각 연령층의 특성과 기호에 맞는 잡곡의 선정 및 혼합비율에 대한 체계적인 연구가 진행되어야 할 것으로 사료된다.

• 대한토목학회논문집
• /
• 제35권3호
• /
• pp.567-577
• /
• 2015

기후변화와 토지이용변화는 유역의 수문순환의 변화를 초래하여 가용수자원의 변화를 야기 시킨다. 본 연구에서는 안성천 ($371.1km^2$) 유역을 대상으로 SWAT (Soil and Water Assessment Tool)모형을 이용하여 미래기후변화와 토지이용변화가 유출특성에 미치는 영향을 분석하고자 하였다. 미래 기후자료는 IPCC 제 5차 기후변화 평가보고서에서 생산된 RCP (Representative Concentration Pathway, 대표농도경로)기반의 기후변화 시나리오 중 기상청에서 제공한 RCP 4.5와 8.5 시나리오(한반도 영역; 12.5km)를 이용하였다. 기준 년과 비교한 결과 RCP 8.5의 2080s (2060-2099)에서 평균온도가 $4.2^{\circ}C$ 상승하였으며, 강우량은 최고 21.2% 증가하는 것으로 나타났다. 토지이용변화 추세는 CLUE-s (Conservation of Land Use and its Effects at Small regional extent)모형을 이용하여 예측되었고, 도시 면적 증가에 따른 3가지 시나리오(Linear, Exponential, Logarithmic)를 적용한 안성천 유역의 미래(2040s, 2080s) 토지이용도를 구축하였다. 각각의 시나리오에서 도시면적 비율은 2100년에 9.4%, 20.7%, 35%로 예측되었다. 기후변화만을 고려하였을 때 증발산량과 총 유출량은 RCP 8.5의 2080s에서 최고 20.6%, RCP 4.5의 2080s에서 최고 25.7% 증가하는 것으로 나타났다. 또한 토지이용변화만을 고려한 경우 증발산량과 총 유출량은 최고 3.7%, 2.9% 증가하는 것으로 나타났다. 토지이용과 기후변화 시나리오를 모두 적용한 경우 증발산량과 총 유출량은 RCP 8.5 2080s의 Linear 토지이용변화 시나리오에서 최고 19.2% 증가하였으며, RCP 4.5 2080s의 Exponential 토지이용변화 시나리오에서 최고 36.1%증가하는 것으로 나타났다. 본 연구를 통해 미래의 유역 수문환경조건 변화에 따른 수자원을 정량적으로 파악할 수 있을 것으로 기대된다.

• 생태와환경
• /
• 제37권3호통권108호
• /
• pp.319-331
• /
• 2004

본 연구는 실험적으로 조성된 인공연못(2 m ${\times}$ 2 m ${\times}$ 2 m)에서 패류의 여과 섭식이 수체 내 물질순환과 플랑크톤 군집에 미치는 영향을 평가하기 위해 이루어졌다. 실험의 초기에는 처리구와 대조구 enclosure 모두에서 남조류인 Microcystis viridis와 M. aeruginosa 등이 우점하였고, 세포밀도와 생물량의 큰 차이는 없었다. 패류 100개체 투입 이후에 처리구에서 세포밀도의 감소와 수중 내 N/P의 증가와 더불어 우점종은 Microcystis에서 Scenedesmus로 바뀌었다. 반면에, 대조구에서의 세포밀도는 증가와 더불어 Oscillatoria spp.가 우점하였다. 패류 600개체 투입 이후에는 처리구와 대조구 모두에서 Selenastrum spp.와 Cryptomonas sp.가 우점하였다. 실험 초기 대조구에서의 동물플랑크톤 밀도는 처리구에 비해 높았으나 100개체 투입 이후에는 처리구에서 높았다. 패류 600개체 투입 이후에는 처리구에서 크기가 작은 윤충류와 요각류 유생들의 밀도가 감소하였으나, Bosmina longirostris, Diacyclops thomasi와 같은 크기가 큰 동물플랑크톤의 밀도와 생물량은 대조구에 비해 높았다. 실험기간 동안 엽록소 a농도의 증가는 처리구에서 수체 내 DIP농도가, 대조구에서는 암모니아농도가 상승한 직후에 나타났다. 처리구에서 600개체 투입 전후 시기동안 대조구에서는 TSI (Chl. a-TN)과 TSI (Chl. a-TP)가 모두 증가하였으나 처리구에서는 암모니아 농도의 증가로 인하여 질소 제한에 대한 변화가 나타나지 않았다. 이러한 결과들은 패류의 여과섭식이 수체내 영양염 이용율을 변화시키고, 동물플랑크톤과의 동일한 먹이원에 대한 경쟁 혹은 직접적인 섭식을 통해 수환경에서 물질 순환과 플랑크톤 군집 변화에 중요한 영향을 미칠 수 있음을 의미한다.

• 한국가금학회지
• /
• 제32권4호
• /
• pp.291-300
• /
• 2005

남은 음식물에서 Aspergillus oryzae(AO)의 유용한 배양조건(시간, 수분함량, 접종균수)을 구하기 위하여 2가지 실험과 닭에서 그 배양물의 영양소 이용율을 구명하기 위하여 본 시험을 수행하였다. <시험 1> 적정 배양시간과 접종균수의 측정을 위하여 수분함량을 30, 40, 50, $60\%$로 정하였다. 잔반 사료에 접종하는 seed로서 1mL Aspergillus oryzae(AO) $(1.33\times10^5\;CFU/mL)$를 이용하였다. 배양을 위한 적정 수분함량은 $40\~50\%$였으며 배양시간은 72시간 이상이었다. 계속하여 AO 균수에 의한 효과를 결정하기 위해 AO seed 0.25, 0.50, 0.75, 1.00mL를 남은음식물 사료에 접종하였다. AFW의 AO균수를 비교하기 위하여 72시간과 96시간 배양하였으나, 접종량에 따른 유의차는 없었다. 다시 수준을 낮추어 0.01, 0.05, 0.10mL를 접종하고 72시간과 96시간동안 배양한 결과, 72시간 배양 AO colony 수는 0.1 mL 접종 처리 구에서 가장 많았다. <시험 2> FW의 배양조건을 결정한 후에, 20수의 5주령 Hubbard종을 공시하여 소화율 시험을 수행하였다. 처리구는 T1-대조구, T2-기초사료 $60\%$+건조잔반 $40\%$, T3-기초사료 $60\%$+건조잔반 $20\%$+AO균 접종 건조잔반 $20\%$, T-4-기초사료 $60\%$+AO균 접종 건조잔반 $40\%$ 처리구 등 총 4처리구, 처리구당 5반복씩 20수를 인공항문 장착하여 소화율을 조사하였다. 영양소 소화율에 있어 일반성분과 아미노산은 대조구에 비해 T2 처리구가 전성분에서 낮았고(p<0.05), AFW(T3, T4)처리구에 비해 조지방과 인의 소화율에서 차이를 보였다(p<0.05). T3와 T4는 T2에 비해 조섬유 및 조회분의 소화율이 증가하였다(p<0.05). 대조구는 T3와 T4에 비해 필수아미노산인 arginine, leucine, phenylalanine의 소화율이 높았으나(p<0.05), T3와 T4 처리구는 T2 처리구에 비해 필수아미노산 arginine, lysine 및 thereonine과 비필수아미노산 alanine의 소화율이 개선되었다(p<0.05). 이러한 결과들로부터 건조 잔반의 AO 배양조건 구명과 영양소 이용율 시험을 통해 FW사료의 품질이 기초사료에 비해 영양소 이용율이 낮고, AFW 사료가 AO에 의해 개선될 수 있음을 시사한다

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.