본 논문은 딥러닝(DL) 시스템의 효율성 향상을 위한 자동화된 리팩토링 기법을 제시합니다. 기존의 지연 실행 방식(deferred execution) 기반 DL 프레임워크는 확장성이 뛰어나지만, 오류 발생 가능성이 높고 직관적이지 않으며 디버깅이 어렵다는 단점이 있습니다. 반면, 즉시 실행(eager execution) 방식은 개발이 용이하지만 실행 속도가 느립니다. 본 논문에서는 즉시 실행 방식의 DL 코드 중 그래프 기반으로 효율적으로 실행 가능한 부분을 자동으로 식별하여 리팩토링하는 기법을 제안합니다. 이는 파이썬 기반의 정적 임페러티브 텐서 및 부작용 분석을 통해 구현되며, 파이썬의 동적 특성으로 인한 불확실성을 해결하기 위해 예측 분석(keyword-based)을 활용합니다. PyDev Eclipse IDE 플러그인으로 구현된 이 기법은 19개의 DL 프로젝트(132 KLOC)를 대상으로 평가되었으며, 766개의 후보 함수 중 326개(42.56%)를 리팩토링하여 평균 2.16배의 속도 향상을 달성했습니다. 모델 정확도에는 거의 차이가 없었습니다.
