선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 논문에서는 이러한 문제점을 해결하기 위하여 두 가지의 비핵심어 모델링 방법을 제안하였다. 첫째는 monophone을 K-means알고리듬으로 clustering하는 방법을 개선하여 각 음소의 음향학적 정보와 유사도를 이용한 결정트리기반 상태 군집화 방법으로 상태를 tying하는 방법을 제안하였다.
- 본 논문에서는 트라이폰 HMM을 기반으로 하는 가변 어휘 화자독립 핵심어 검출기의 성능을 향상시키기 위하여 새로운 비핵심어 모델링 방법을 제안하였다. 비핵심어 모델링 방법은 기존의 방법들의 문제점을 보완하여 각 음소의 음향학적 정보와 유사도를 이용한 decision tree 기반 state clustering방법으로 state를 tying하는 모델링 방법과 음절을 multi-state로 구성하는 방법을 제안하였다.
- 본 논문에서는 트라이폰 HMM을 기반으로 하는 가변 어휘 화자독립 핵심어 검출기의 성능을 향상시키기 위하여 새로운 비핵심어 모델링 방법을 제안하였다. 비핵심어 모델링 방법은 기존의 방법들의 문제점을 보완하여 각 음소의 음향학적 정보와 유사도를 이용한 decision tree 기반 state clustering방법으로 state를 tying하는 모델링 방법과 음절을 multi-state로 구성하는 방법을 제안하였다.
가설 설정
- 인식 network은 그림 2와 같은 구조를 가지며 입력음성이 들어오면 인식과정을 통하여 하나의 핵심어를 검출하게 된다. 인식 network은 핵심어 모델, 비 핵심어 모델, 묵음모델의 결합으로 구성되며, 입력음성에는 핵심어가 반드시 하나만 존재한다고 가정하여 구성하였다. 그림 2에서 단어페널티는 입력음성에서 하나의 핵심어만을 검출하도록 하는 기능을 한다.
제안 방법
- 그리고 모델의 최소시간을 보장하기 위하여 state수를 1, 3, 9개로 multi-state single mixture를 가지는 모델을 구성하고 훈련시킨다. 그 후 모델의 mixture 개수를 하나씩 증가시켜 가면서 재훈련 과정을 반복하였다. .
- 그리고 모델의 최소시간을 보장하기 위하여 state수를 1, 3, 9개로 multi-state single mixture를 가지는 모델을 구성하고 훈련시킨다. 그 후 모델의 mixture 개수를 하나씩 증가시켜 가면서 재훈련 과정을 반복하였다. .
- 본 논문에서 음향모델은 3-state (시작, 종료 state제외)의 left- to-right 구조를 가지는 트라이폰 HMM을 사용하였으며, 음소는 한국어 음운현상을 반영하는 초성 (18개), 종성 (19), 종성 (7개), 묵음으로 구성된 45개의 음소 집합을 선정하였다. 그리고 모델에 대한 훈련데이터의 부족으로 인한 문제를 해결하기 위하여 유사한 통계적 특성을 갖는 모델의 state들을 하나의 그룹으로 묶어 상대적으로 모델의 신뢰도를 높이는 결정트리기반 상태 군집화 알고리듬을 사용하였다.
- 그리고 모델의 최소시간을 보장하기 위하여 state수를 1, 3, 9개로 multi-state single mixture를 가지는 모델을 구성하고 훈련시킨다.
- 비핵심어 모델 구성은 monophone 모델의 경우 핵심 어 모델에서 트라이폰으로 변환하기 이전의 monophone 모델을 사용하였다. 그리고 집단화 모델의 경우 Tr-DB 중 핵심어 모델 구성에 사용되지 않은 남/녀 각각 100화 자가 발성한 3,000단어를 이용하여 구성하였다.
- 첫째는 monophone을 K-means알고리듬으로 clustering하는 방법을 개선하여 각 음소의 음향학적 정보와 유사도를 이용한 결정트리기반 상태 군집화 방법으로 상태를 tying하는 방법을 제안하였다. 두 번째는 음성구간 전체를 single state로 구성하는 방법을 개선하여 음절을 multi-state로 모델을 수정하고 mixture를 증가하면서 비핵심어 모델을 구성하였다.
- 따라서 이러한 문제점들을 해결하기 위하여 각 음소간의 음향학적 정보와 통계적인 정보를 모두 사용한 결정 트리기반 상태군집화를 이용한 비핵심어모델링 방법을 제안하였다. 이 방법은 각 음소의 음향학적 특징과 평가 함수를 고려하여 각 모델의 state를 유사도에 따라 tying 시켜 각 state의 특징을 반영하였고, state간의 천이확률은 음소모델의 것을 그대로 사용하였다.
- 따라서 이러한 문제점들을 해결하기 위하여 각 음소간의 음향학적 정보와 통계적인 정보를 모두 사용한 결정 트리기반 상태군집화를 이용한 비핵심어모델링 방법을 제안하였다. 이 방법은 각 음소의 음향학적 특징과 평가 함수를 고려하여 각 모델의 state를 유사도에 따라 tying 시켜 각 state의 특징을 반영하였고, state간의 천이확률은 음소모델의 것을 그대로 사용하였다.
- 예를 들어 음절 단어의 경우 기존 방법은 하나의 비핵심어 모델로 구성하지만, 음절 단위로 구성할 경우 동일한 3개의 비핵삼어 모델의 연결로 구성되게 된다. 그리고 모델의 최소시간을 보장하기 위하여 state수를 1, 3, 9개로 multi-state single mixture를 가지는 모델을 구성하고 훈련시킨다. 그 후 모델의 mixture 개수를 하나씩 증가시켜 가면서 재훈련 과정을 반복하였다.
- 본 논문에서는 트라이폰 HMM을 기반으로 하는 가변 어휘 화자독립 핵심어 검출기의 성능을 향상시키기 위하여 새로운 비핵심어 모델링 방법을 제안하였다. 비핵심어 모델링 방법은 기존의 방법들의 문제점을 보완하여 각 음소의 음향학적 정보와 유사도를 이용한 decision tree 기반 state clustering방법으로 state를 tying하는 모델링 방법과 음절을 multi-state로 구성하는 방법을 제안하였다. 실험 결과 K-means 알고리듬을 이용한 monophone clustering 방법보다 결정트리기반 상태 군집화 방법을 사용하였을 경우 closed 테스트에서는 28%, open 테스트에서는 29%의 성능이 향상되었으며, 음성구간 전체를 single state 모델로 구성하는 방법보다 음절 단위 multi-state 모델을 이용할 경우 closed 테스트에서는 2%, open 테스트에서는 22%의 인식률이 향상되어 기존의 방법보다 본 논문에서 제시한 비핵심어 모델링 방법이 우수한 결과를 보였다.
- 본 논문에서는 트라이폰 HMM을 기반으로 하는 가변 어휘 화자독립 핵심어 검출기의 성능을 향상시키기 위하여 새로운 비핵심어 모델링 방법을 제안하였다. 비핵심어 모델링 방법은 기존의 방법들의 문제점을 보완하여 각 음소의 음향학적 정보와 유사도를 이용한 decision tree 기반 state clustering방법으로 state를 tying하는 모델링 방법과 음절을 multi-state로 구성하는 방법을 제안하였다. 실험 결과 K-means 알고리듬을 이용한 monophone clustering 방법보다 결정트리기반 상태 군집화 방법을 사용하였을 경우 closed 테스트에서는 28%, open 테스트에서는 29%의 성능이 향상되었으며, 음성구간 전체를 single state 모델로 구성하는 방법보다 음절 단위 multi-state 모델을 이용할 경우 closed 테스트에서는 2%, open 테스트에서는 22%의 인식률이 향상되어 기존의 방법보다 본 논문에서 제시한 비핵심어 모델링 방법이 우수한 결과를 보였다.
- 비핵심어 모델에 따른 핵심어 검출기의 성능 평가를위한 테스트는 표 2와 같은 4가지의 비핵심어 모델에 대하여 closed 테스트와 open 테스트를 수행하였다.
- 비핵심어 모델에 따른 핵심어 검출기의 성능 평가를위한 테스트는 표 2와 같은 4가지의 비핵심어 모델에 대하여 closed 테스트와 open 테스트를 수행하였다.
- 표 5와 표 6은 closed 테스트 결과를 보여준다. 여기서 M-L모델은 cluster 수를 달리하였고, 나머지 모델들은 mixture 수를 순차적으로 증가하면서 구성한 모델에 대하여 테스트를 수행하였다.
- 음성 특징 추출은 16kHz로 샘플링 된 신호를 12차 MFCC와 로그 에너지를 구하여 음성특징 파라미터로 사용하였다. 특징파라미터와 분석단위는 표 1과 같다.
- 음성 특징 추출은 16kHz로 샘플링 된 신호를 12차 MFCC와 로그 에너지를 구하여 음성특징 파라미터로 사용하였다.
- 따라서 이러한 문제점들을 해결하기 위하여 각 음소간의 음향학적 정보와 통계적인 정보를 모두 사용한 결정 트리기반 상태군집화를 이용한 비핵심어모델링 방법을 제안하였다. 이 방법은 각 음소의 음향학적 특징과 평가 함수를 고려하여 각 모델의 state를 유사도에 따라 tying 시켜 각 state의 특징을 반영하였고, state간의 천이확률은 음소모델의 것을 그대로 사용하였다.
- 따라서 이러한 문제점들을 해결하기 위하여 각 음소간의 음향학적 정보와 통계적인 정보를 모두 사용한 결정 트리기반 상태군집화를 이용한 비핵심어모델링 방법을 제안하였다. 이 방법은 각 음소의 음향학적 특징과 평가 함수를 고려하여 각 모델의 state를 유사도에 따라 tying 시켜 각 state의 특징을 반영하였고, state간의 천이확률은 음소모델의 것을 그대로 사용하였다.
- 따라서 본 논문에서는 이러한 문제점을 해결하기 위하여 두 가지의 비핵심어 모델링 방법을 제안하였다. 첫째는 monophone을 K-means알고리듬으로 clustering하는 방법을 개선하여 각 음소의 음향학적 정보와 유사도를 이용한 결정트리기반 상태 군집화 방법으로 상태를 tying하는 방법을 제안하였다. 두 번째는 음성구간 전체를 single state로 구성하는 방법을 개선하여 음절을 multi-state로 모델을 수정하고 mixture를 증가하면서 비핵심어 모델을 구성하였다.
- 따라서 본 논문에서는 이러한 문제점을 해결하기 위하여 두 가지의 비핵심어 모델링 방법을 제안하였다. 첫째는 monophone을 K-means알고리듬으로 clustering하는 방법을 개선하여 각 음소의 음향학적 정보와 유사도를 이용한 결정트리기반 상태 군집화 방법으로 상태를 tying하는 방법을 제안하였다. 두 번째는 음성구간 전체를 single state로 구성하는 방법을 개선하여 음절을 multi-state로 모델을 수정하고 mixture를 증가하면서 비핵심어 모델을 구성하였다.
- 충분한 훈련데이터를 이용하여 각 음소에 대하여 3 state (시작, 종료 상태 제외)HMM모델을 구성한다. 이것은 기존의 문맥종속 모델로 구성하는 과정에서 얻을 수 있기 때문에 특별한 훈련 절차 없이 구성할 수 있다.
- 충분한 훈련데이터를 이용하여 각 음소에 대하여 3 state (시작, 종료 상태 제외)HMM모델을 구성한다.
- 평가함수가 최대가 되게 하는 context question을 선택하여 두 개의 부분집합으로 나누어 가는 일련의 과정을 통해 각 상태별로 트리를 구성한다. 부분집합으로 분리했을 때 평가함수를 통한 관측 확률 값의 증가가 미리 정의한 임계치보다 작아지는 시점에서 분할을 멈추게 된다.
- 평가함수가 최대가 되게 하는 context question을 선택하여 두 개의 부분집합으로 나누어 가는 일련의 과정을 통해 각 상태별로 트리를 구성한다. 부분집합으로 분리했을 때 평가함수를 통한 관측 확률 값의 증가가 미리 정의한 임계치보다 작아지는 시점에서 분할을 멈추게 된다.
- 훈련과 성능평가는 ETRI 표준 한국어 공통음성 단어 DB를 훈련용 DB (Tr-DB)와 테스트용 DB (Te-DB)로 나누어 사용하였다 [4].
- 훈련과 성능평가는 ETRI 표준 한국어 공통음성 단어 DB를 훈련용 DB (Tr-DB)와 테스트용 DB (Te-DB)로 나누어 사용하였다 [4].
대상 데이터
- Closed 테스트는 Te-DB에서 표 4의 예와 같은 형태 를 가지는 400문장 (남/녀 각각 100명, 어휘 수 100단어)에 대하여 수행하였다.
- Closed 테스트는 Te-DB에서 표 4의 예와 같은 형태 를 가지는 400문장 (남/녀 각각 100명, 어휘 수 100단어)에 대하여 수행하였다. 그리고 핵심어의 위치는 균등하게 분포되어 있다.
- Open 테스트는 4명의 화자가 각 100문장을 사무실 환경에서 발성한 400문장으로 실험하였다. 각 문장은 하 나의 핵심어 (이름)을 포함하며 표 7은 테스트 문장 구성의 예를 제시하였다.
- 비핵심어 모델 구성은 monophone 모델의 경우 핵심 어 모델에서 트라이폰으로 변환하기 이전의 monophone 모델을 사용하였다. 그리고 집단화 모델의 경우 Tr-DB 중 핵심어 모델 구성에 사용되지 않은 남/녀 각각 100화 자가 발성한 3,000단어를 이용하여 구성하였다.
- 본 논문에서 음향모델은 3-state (시작, 종료 state제외)의 left- to-right 구조를 가지는 트라이폰 HMM을 사용하였으며, 음소는 한국어 음운현상을 반영하는 초성 (18개), 종성 (19), 종성 (7개), 묵음으로 구성된 45개의 음소 집합을 선정하였다. 그리고 모델에 대한 훈련데이터의 부족으로 인한 문제를 해결하기 위하여 유사한 통계적 특성을 갖는 모델의 state들을 하나의 그룹으로 묶어 상대적으로 모델의 신뢰도를 높이는 결정트리기반 상태 군집화 알고리듬을 사용하였다.
- 본 논문에서 음향모델은 3-state (시작, 종료 state제외)의 left- to-right 구조를 가지는 트라이폰 HMM을 사용하였으며, 음소는 한국어 음운현상을 반영하는 초성 (18개), 종성 (19), 종성 (7개), 묵음으로 구성된 45개의 음소 집합을 선정하였다.
- 핵심어 모델은 남/녀 각각 500명이 발성한 Tr~DB를 사용하여 트라이폰 HMM을 구성하였고, Te-DB (남/녀 각각 100명이 각 10단어씩 발성한 2000단어)를 이용하여 가변어휘 단어인식 실험을 수행하였으며, 가장 좋은 99.13%의 인식률을 보이는 7개의 가우시안 mixture를 사용하였다.
- 핵심어 모델은 남/녀 각각 500명이 발성한 Tr~DB를 사용하여 트라이폰 HMM을 구성하였고, Te-DB (남/녀 각각 100명이 각 10단어씩 발성한 2000단어)를 이용하여 가변어휘 단어인식 실험을 수행하였으며, 가장 좋은 99.13%의 인식률을 보이는 7개의 가우시안 mixture를 사용하였다.
이론/모형
- Table 6. Closed test result using GMM method.
- Table 5. Closed test result using monophone method.
- Table 9. Open test result using GMM method.
- 비핵심어 모델 구성은 monophone 모델의 경우 핵심 어 모델에서 트라이폰으로 변환하기 이전의 monophone 모델을 사용하였다. 그리고 집단화 모델의 경우 Tr-DB 중 핵심어 모델 구성에 사용되지 않은 남/녀 각각 100화 자가 발성한 3,000단어를 이용하여 구성하였다.
- 비핵심어 모델 구성은 monophone 모델의 경우 핵심 어 모델에서 트라이폰으로 변환하기 이전의 monophone 모델을 사용하였다. 그리고 집단화 모델의 경우 Tr-DB 중 핵심어 모델 구성에 사용되지 않은 남/녀 각각 100화 자가 발성한 3,000단어를 이용하여 구성하였다.
- 집단화에 의한 비핵심어 모델링은 문맥정보를 무시하고 임의적인 집단화 방법에 의해 다수의 가우시안 분포를 가지는 모델로 구성하는 방법이다. 이를 위해 비핵심 어모델을 Gaussian Mixture Model (GMM)로 구현하고 있다. 이것은 비핵심어 음성구간 전체를 하나의 상태로 두어 multiple mixtures로 표현하는 방식이다 [2].
성능/효과
- G-1과 G-2를 비교한 closed 테스트 결과 G-1은 mixture 개수가 10개로 구성하였을 경우 가장 높은94.25%의 인식률을 보였고, 본 논문에서 제안한 G-2는 3 state로 모델링 하였을 경우 가장 좋은 96.25%의 인식률을 나타내었다. 따라서 G-2가 우수한 비핵심어 모델링 방법이라는 결론을 얻었다.
- G-1과 G-2를 비교한 closed 테스트 결과, G-1은 20개의 mixture로 구성하였을 때 74.50%의 가장 높은 인식률을 보였고, G-2는 9 state로 모델링 하였을 경우 가장 좋은 96.00%의 인식률을 나타내었다. 따라서 closed 테스트에서 G-1보다 G-2를 9 state로 구성하는 것이 우수함을 알 수 있다.
- G-L과 G-2를 비교한 closed 테스트 결과, G-1 은 20 개의 mixture로 구성하였을 때 74.50%의 가장 높은 인식률을 보였고, G-2는 9 state로 모델링 하였을 경우 가장 좋은 96.00%의 .
- M-1과 M-2를 비교한 closed 테스트 결과 MT은 cluster 수가 9개 일 때 가장 좋은 67.3%의 성능을 보였고, M-2는 mixture 수를 9개로 구성하였을 때 가장 좋은 95.5%의 성능을 보여 제안한 M-2 방법이 우수함을 알수 있다.
- M-1과 M-2를 비교한 closed 테스트 결과 MT은 cluster 수가 9개 일 때 가장 좋은 67.3%의 성능을 보였고, M-2는 mixture 수를 9개로 구성하였을 때 가장 좋은 95.5%의 성능을 보여 제안한 M-2 방법이 우수함을 알수 있다.
- M-l과 M-2를 비교한 open 테스트 결과 M-l은 cluster 수가 9개 일 때 가장 좋은 66.3%의 성능을 보였고, 제안한 M-2는 mixture 수를 6개로 구성하였을 때 가장 좋은 95.3%의 성능을 보여, M-2 방법이 29%의 인식률이 향상되어 우수함을 보였다.
- M-l과 M-2를 비교한 open 테스트 결과 M-l은 cluster 수가 9개 일 때 가장 좋은 66.3%의 성능을 보였고, 제안한 M-2는 mixture 수를 6개로 구성하였을 때 가장 좋은 95.3%의 성능을 보여, M-2 방법이 29%의 인식률이 향상되어 우수함을 보였다.
- 25%의 인식률을 나타내었다. 따라서 G-2가 우수한 비핵심어 모델링 방법이라는 결론을 얻었다.
- 실험 결과 K-means 알고리듬을 이용한 monophone clustering 방법보다 결정트리기반 상태 군집화 방법을 사용하였을 경우 closed 테스트에서는 28%, open 테스트에서는 29%의 성능이 향상되었으며, 음성구간 전체를 single state 모델로 구성하는 방법보다 음절 단위 multi-state 모델을 이용할 경우 closed 테스트에서는 2%, open 테스트에서는 22%의 인식률이 향상되어 기존의 방법보다 본 논문에서 제시한 비핵심어 모델링 방법이 우수한 결과를 보였다. 또한 제안한 두 알고리즘은 훈련과정의 편리함에서는 결정트리기반 상태군집화 방법이 우수하지만 인식결과에서는 음절단위 multistate 모델을 이용한 방법이 우수하였다.
- 실험 결과 K-means 알고리듬을 이용한 monophone clustering 방법보다 결정트리기반 상태 군집화 방법을 사용하였을 경우 closed 테스트에서는 28%, open 테스트에서는 29%의 성능이 향상되었으며, 음성구간 전체를 single state 모델로 구성하는 방법보다 음절 단위 multi-state 모델을 이용할 경우 closed 테스트에서는 2%, open 테스트에서는 22%의 인식률이 향상되어 기존의 방법보다 본 논문에서 제시한 비핵심어 모델링 방법이 우수한 결과를 보였다. 또한 제안한 두 알고리즘은 훈련과정의 편리함에서는 결정트리기반 상태군집화 방법이 우수하지만 인식결과에서는 음절단위 multistate 모델을 이용한 방법이 우수하였다.
- 비핵심어 모델링 방법은 기존의 방법들의 문제점을 보완하여 각 음소의 음향학적 정보와 유사도를 이용한 decision tree 기반 state clustering방법으로 state를 tying하는 모델링 방법과 음절을 multi-state로 구성하는 방법을 제안하였다. 실험 결과 K-means 알고리듬을 이용한 monophone clustering 방법보다 결정트리기반 상태 군집화 방법을 사용하였을 경우 closed 테스트에서는 28%, open 테스트에서는 29%의 성능이 향상되었으며, 음성구간 전체를 single state 모델로 구성하는 방법보다 음절 단위 multi-state 모델을 이용할 경우 closed 테스트에서는 2%, open 테스트에서는 22%의 인식률이 향상되어 기존의 방법보다 본 논문에서 제시한 비핵심어 모델링 방법이 우수한 결과를 보였다. 또한 제안한 두 알고리즘은 훈련과정의 편리함에서는 결정트리기반 상태군집화 방법이 우수하지만 인식결과에서는 음절단위 multistate 모델을 이용한 방법이 우수하였다.
- 비핵심어 모델링 방법은 기존의 방법들의 문제점을 보완하여 각 음소의 음향학적 정보와 유사도를 이용한 decision tree 기반 state clustering방법으로 state를 tying하는 모델링 방법과 음절을 multi-state로 구성하는 방법을 제안하였다. 실험 결과 K-means 알고리듬을 이용한 monophone clustering 방법보다 결정트리기반 상태 군집화 방법을 사용하였을 경우 closed 테스트에서는 28%, open 테스트에서는 29%의 성능이 향상되었으며, 음성구간 전체를 single state 모델로 구성하는 방법보다 음절 단위 multi-state 모델을 이용할 경우 closed 테스트에서는 2%, open 테스트에서는 22%의 인식률이 향상되어 기존의 방법보다 본 논문에서 제시한 비핵심어 모델링 방법이 우수한 결과를 보였다. 또한 제안한 두 알고리즘은 훈련과정의 편리함에서는 결정트리기반 상태군집화 방법이 우수하지만 인식결과에서는 음절단위 multistate 모델을 이용한 방법이 우수하였다.
- 여기서 M-2모델은 state 수를 표 3과 같이 132개 (44 음소)에서 13 (9.8%)개로 줄였고, 구성 결과 각 state에 따라 다른 음소들로 tying 되는 것을 확인하였다.
- 여기서 M-2모델은 state 수를 표 3과 같이 132개 (44 음소)에서 13 (9.8%)개로 줄였고, 구성 결과 각 state에 따라 다른 음소들로 tying 되는 것을 확인하였다.
- 이과 G-2를 비교한 closed 테스트- 결과 이은 mixture 개수가 10개로 구성하였을 경우 가장 높은 94.25%의 인식률을 보였고, 본 논문에서 제안한 G-2는 3 state로 모델링 하였을 경우 가장 좋은 96.25%의 인식률을 나타내었다.
- 제안한 M-2와 G-2 두 방법의 우수성을 비교하면 훈련과정의 효율성 측면에서는 핵심어 모델의 재활용이 가능한 monophone을 결정트리기반 상태 군집화를 이용하는 M-2가 우수하였지만, 핵심어 검출 성능 측면에서는 음절의 수에 따른 multi-state모델 (G-2)이 우수하였다.
후속연구
- 향후 연구에서는 핵심어 검출기의 성능을 향상시키기 위하여 본 논문에서 구성한 비핵심어 모델을 바탕으로 본 연구에서 구성되지 않은 후처리 과정을 추가하여 검출된 핵심어 후보들로부터 잘못 검출된 후보들을 효율적 으로 제거하는 방안을 검토할 계획이다.
- 향후 연구에서는 핵심어 검출기의 성능을 향상시키기 위하여 본 논문에서 구성한 비핵심어 모델을 바탕으로 본 연구에서 구성되지 않은 후처리 과정을 추가하여 검출된 핵심어 후보들로부터 잘못 검출된 후보들을 효율적 으로 제거하는 방안을 검토할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.