Earticle

PKD(다낭성 신장 질환)는 신장에 낭종이 형성되어 치명적인 합병증을 유발할 수 있는 질환으로, 완치가 불가능하여 정확한 진단과 약물을 이용한 평생 관리가 필요하다. 그러나 환자 별 다양한 요 인으로 인해 진단이 복잡하여 신부전으로 진행될 위험이 높다. 본 연구에서는 다기관에서 수집한 3D MR 이미지와 임상 데이터를 활용하여, 이미지에서 ResNet-152 모델을, 임상 데이터에서 MLP 를 사용해 특징을 추출하고, 이를 결합한 멀티모달 분류 방법을 제안했다. 제안된 방법은 정확도 73.9%, F1-score 0.754를 달성하였다.

본 연구는 Cone-beam CT에서 발생하는 노이즈가 제거된 CT 이미지 생성을 위하여 텍스처를 보존하는 모델을 제안한다. Denoising Diffusion Probabilistic Model(DDPM)을 기반으로, 고주파 최적화 모듈, 이중 모드 특징 융합, 경계 인식 제약을 통합해 이미지 품질을 개선했다. 서울대학교병원에서 촬영된 84명 환자의 데이터(490개 CBCT/dCT 영상 쌍)에서 2D 슬라이스를 추출하여 학습(27,520 슬라이스), 검증(5,840 슬라이스), 테스트(5,840 슬라이스) 데이터셋으로 나누어 모델을 학습한다. 실험 결과 지표별로 각각 70.3%(MAE), 58.3%(SSIM), 및 118.4%(PSNR)의 성능 향상을 달성하였으며, 이는 제안한 모델이 의료 영상의 텍스처 및 조직의 우수한 복원 성능을 보였으며. 이를 통해 CBCT의 활용성을 더욱 높여줄 것으로 기대된다.

Normalizing Flow 모델 중 하나인 MSFlow는 지역화와 이상 탐지에 활용되는 모델이지만, 본 논문 에서는 MSFlow의 구조를 활용하여 분류 모델로의 활용을 제안한다. 이때 Multi-Scale 분류 모델들과 의 성능 차이를 비교한 결과, 정확도 기준으로 최대 2.55%의 성능 차이를 보이며 MSFlow가 분류 태 스크에 적합함을 확인하였다. 또한, 도출된 결과를 토대로 분포 기반 학습 방법을 사용하는 데서 그 원인을 분석한다. 이를 통해, Normalizing Flow 모델의 부분 방전 진단 활용에 대한 가능성을 확인하 고 개선점을 도출한다.

본 연구는 영아 돌연사 증후군 중 ‘수면 중 사망’ 을 예방하기 위한 AI 기반 스마트 수면 모니터링 시스템을 제안한다. 제안된 시스템은 객체 탐지 알고리즘인 YOLOv11과 자세 인식 기술인 MediaPipe 를 활용하여 아기의 얼굴 가림, 엎드린 자세, 성인과의 접촉 등 다양한 위험 요소를 실시간으로 감지 하고 일정 시간 이상 위험 상황이 지속될 경우 보호자에게 즉시 알림을 제공한다. 기존 시스템이 낮 시간대 영상에 한정되고 ‘얼굴 미감지’ 조건만을 고려했던 것과 달리 본 연구는 RGB 및 적외선 카메 라를 함께 사용하여 주·야간 모두 대응 가능하며 다양한 자세 및 복합 위험 상황을 인식한다. 실험에 는 총 18,150장의 이미지가 사용되며 아기와 성인 포함 여부 및 주·야간 조건에 따라 4가지 시나리오 로 나누어 분석을 수행한다. 제안된 시스템은 주·야간 혼합 환경에서는 성능이 다소 낮아 추가적인 보 완이 요구되며 야간 환경에서는 높은 정확도를 보여주나 단일 클래스로 이루어져있어 추가적인 검증 이 필수적이다. 본 시스템은 산후조리원, 병원, 가정 등 다양한 환경에서 활용을 목표로 하며 ‘수면 중 사망’ 위험 감지와 예방에 기여할 수 있을 것으로 기대된다.

본 연구는 기존에 제안된 청력 보조용 음성 향상 신경망 모델을 안드로이드 환경에서 실시간으로 구현하기 위한 초기 탐색을 목적으로 한다. 기존 알고리즘은 8ms 이내의 지연시간을 목표로 설계되었 으며, 실제 청력 보조기기에 적용되기 위해서는 전체 시스템 지연시간이 10ms 이내로 제한되어야 한 다. 이를 위해 안드로이드 개발 환경에서의 시간 지연 특성을 분석하고, NDK 기반 바이패스 구조를 이용하여 마이크 입력에서 스피커 출력까지의 스트림을 구현하였다. 실험 장치는 Galaxy S24 Ultra이 며, SDK 기반 구현에서는 청감상 에코가 발생하였으나 NDK 기반에서는 명확한 개선이 확인되었다. 현재는 정확한 시간 지연 측정을 위한 실험 환경을 구축 중이며, 향후 ONNX 변환된 딥러닝 모델을 NPU 상에서 구동하는 것을 목표로 한다. 본 연구는 안드로이드 기반 플랫폼이 청각 증강 알고리즘 적용에 적합한지를 탐색하고자 하는 진행 중 연구로서 그 가능성을 보고한다.

파이썬 웹서비스 환경에서 대용량 파일 처리 시 이벤트 루프 차단으로 인한 응답 지연 문제가 발생 한다. 본 연구에서는 AnyIO의 스레드 오프로드 기법을 이용해 메모리‑디스크 자동 전환 구조를 유지 하면서 모든 입출력 연산을 비동기화한 스풀 임시 파일 객체를 제안한다. 부하 테스트를 통해 고부하 상황에서도 처리량 손실을 최소화하고 응답 지연을 개선할 수 있음을 확인하였다.

Federated Learning (FL) facilitates the design and training of deep learning (DL) models across multiple institutions and departments. For users with limited private data, FL can enhance the performance of local models by leveraging collective data from various sources. However, the devices participating in FL often differ in terms of network conditions, hardware and power capabilities. This results in heterogeneity across the computing, storage, and communication capabilities of the devices involved. Consequently, FL faces significant challenges due to device heterogeneity. Ignoring the inherent differences among clients when implementing FL protocols can significantly hinder both the efficiency and effectiveness of the training process. With the wide adaptability of FL for training DL models in resourceconstraint environments, the challenges caused by device heterogeneity have become increasingly apparent, highlighting the need for innovative strategies to minimize its impact on model aggregation. Therefore, this paper aims to review some of the most practical and effective existing proposed solutions. Future research can benefit from these solutions, as they can reduce the impact of device heterogeneity in FL.

AI 기술의 비약적인 발전은 사회 전반에 걸쳐 다양한 기능을 수행할 수 있는 모델들이 등장했다. 이에 따라 AI 모델들은 점차 대규모화되고 복잡한 구조를 갖추게 되었으며, 그 결과 이들의 의사결정 과정은 인간이 직관적으로 이해하기 어려운 수준에 이르렀다. 이러한 복잡성을 해소하고자 설명 가능 한 인공지능(XAI, eXplainable Artificial Intelligence)에 대한 연구가 활발히 진행되고 있으며, 다양 한 설명 모델들이 제안되고 있다. 설명 가능한 인공지능 모델은 각기 다른 접근법을 통해 모델의 판단 근거를 설명하려고 시도하고 있지만, 제공되는 설명의 대상, 평가 방식, 그리고 설명이 충족해야 할 요 구사항 등에 대해서는 여전히 명확한 기준이 부재한 실정이다. 이로 인해 AI 시스템을 실제 사회 기 반 시스템에 적용하는 데에는 여러 제약이 존재한다. 또한, 기존 XAI 모델들은 직관적인 설명을 제공 하는 데 집중해왔으나, 그 설명에 대한 정량적‧정성적 평가 또는 명확한 요구사항 정립은 부족했다. 특 히, 공공 및 주요 사회 시스템에서 신뢰할 수 있는 XAI 개발이 요구되고 있음에도 불구하고, 어떤 기 능적 또는 비기능적 요구사항을 충족해야 하는지에 대한 논의는 미비하다. 본 연구는 텍스트 및 이미 지 도메인 전반을 아우르며, XAI 모델이 갖춰야 할 핵심 요구사항을 정의하고 이를 분류하는 것을 목 표로 한다. 이를 위해 다양한 XAI 모델들을 분석하고, 이들이 사용하는 핵심 요소와 한계를 식별하며, 소프트웨어공학적 관점에서 이를 체계적으로 해석한다. 특히 Goal-Question-Metric(GQM) 접근법 을 적용하여 각 모델의 신뢰성, 설득력, 효용성에 대해 평가하고 요구사항 도출을 위한 근거를 마련한다.

본 연구에서는 Normalizing Flow 기반 비지도 이상탐지 모델인 Multi-Scale Flow의 특징추출기에 다양한 모델을 적용하여 포트홀 이상탐지 성능에 미치는 영향을 정량·정성적으로 실험을 통해 분석한 다. 성능 평가는 이상 존재 여부를 판단하는 Detection AUROC와 이상 위치를 판단하는 Localization AUROC를 결합한 평균 성능을 기준으로 수행되었다. 실험 결과, 평균 AUROC 기준 85.84를 달성한 Swin Transformer가 포트홀 이상탐지에 있어 가장 높은 성능을 보임을 확인하였다. 또한 포트홀 이상 탐지에 가장 강인한 성능을 가지는 Swin Transformer 모델의 추가적인 성능 고도화를 위해 일반적으 로 사용하는 데이터 증강 기법과 Mix-Up, Cut-Mix 적용 여부에 따른 성능 분석을 진행하였다. 실험 결과, 데이터 증강 기법의 적용을 통해 포트홀 이상탐지 성능에 있어 소폭 상승하는 경향을 확인하였다.

본 연구에서는 DDS 기반 영상 데이터 전송의 최적 QoS설정을 분석하기 위해 RTI Connext DDS를 활용하였다. 실험 결과, 전송 성능에 영향을 미치는 주요 QoS는 History, Deadline, NACK Delay, Soc ket Buffer Size로 파악되었으며, 400MB 및 500MB 영상 전송 실험을 통해 최적 설정을 도출하였다. 가장 효율적인 전송 성능은 QoS를 History=1, Deadline=100ms, NACK Delay=0s, Socket Buffer Size =2MB로 설정했을 때 나타났다.

Fluid antenna system(FAS)은 차세대 무선 네트워크에서 증가하는 고속 데이터 및 안정적인 연결 요구를 해결하기 위한 새로운 방안으로 부상하고 있다. 이 기술은 실시간 재구성을 통해 제한된 영역 내에서 하나의 안테나가 물리적으로 이동하는 방식을 활용한다. 본 논문은 FAS에 관한 광범위한 연구 동향 분석을 제공하며, 기존 안테나 기술과 비교하여 FAS의 고유한 특성, 장점 및 향후 무선 통신 시 스템에서의 응용 가능성을 확인한다.

기존 MIMO 시스템의 채널 추정은 평면파를 가정한 원거리 모델에 기반하여, 각도 도메인에서의 희소성을 활용하는 방식이 주를 이루었다. 그러나 6G 시대를 대비한 Exteremely Large MIMO시스템에서는 레일리 거리가 수십에서 수백 미터로 확대되며, 다수의 사용자와 산란체가 근거리 영역에 위치하게 된다. 이 경우, 전파는 구면파 형태를 따르며, 각도 도메인 희소성이 붕괴되는 에너지 스프레드 효과가 발생하여 기존 기법의 성능이 급격히 저하됨. 본 논문에서는 이러한 영향을 고려한 각도와 거리 정보를 동시에 활용하는 극 좌표 도메인 기반의 채널 표현과 추정 기법에 대한 최근 연구 동향을 조사하였음

본 연구는 SQL Injection 중 Union Select 기법의 위험성과 개인정보 유출 사례를 분석하고, PDO의 Prepared, 필터링 기반 리다이렉션을 통한 방어 전략을 제안하였다. 실험 결과, 제안된 기법들은 공격 차단과 데이터 보호에 효과적임을 확인하였으며, 웹 애플리케이션의 보안성과 안정성 향상에 기여할 수 있음을 입증하였다.

현대 보안 환경에서 증가하는 사이버 공격과 복잡한 위협에 대응하기 위해 대규모 언어 모델 기반 AI 에이전트와 전문 도구의 결합이 주목받고 있다. 그러나 최신 위협 부족이나 단순히 LLM의 추론은 환각(hallucination) 현상 등 한계도 존재한다. 본 논문에서는 이러한 한계를 극복하기 위해 제안된 세 가지 최신 보안 AI 에이전트 프레임워크 사례(SERC, IDS-Agent, PhishLLM)를 비교 분석한다. 각 사 례의 적용 분야는 보안 운영 센터(Security Operations Center) 이벤트 대응, IoT 침입 탐지, 피싱 웹 사이트 탐지로서, LLM에 외부 지식을 결합하거나 체계적인 추론 과정을 도입함으로써 기존 방식의 한계를 극복하고 성능과 신뢰성을 향상시켰다. 본 비교 연구를 통해 각 프레임워크의 접근법, 주요 기 술(RAG, CoT 등) 및 성능 향상 내용을 살펴보고, 논의를 바탕으로 향후 보안 분야 LLM 에이전트 개 발을 위한 방향성을 제시한다.

본 연구는 기존의 수치 기반 오버샘플링(SMOTE, RandomOverSampler)과 달리, LLM을 활용한 자 연어 기반 데이터 증강 기법을 통해 네트워크 보안 데이터의 불균형 문제를 해결하고자 하였다. TON-IoT 데이터셋을 기반으로 수치형 및 범주형 특성에 통계 정보를 반영한 프롬프트를 설계하였고, LLM이 이를 기반으로 실제 분포에 근접한 데이터를 생성하도록 유도하였다. 생성된 증강 데이터는 기존 학습 데이터와 함께 LightGBM 모델로 평가되었으며, LLM 기반 증강 방식이 기존 오버샘플링 기법 대비 높은 분류 성능을 보이며 효과를 입증하였다. 이는 LLM이 단순한 수치 보간을 넘어서 도 메인 특성을 반영한 고품질 데이터를 생성할 수 있는 새로운 데이터 증강 도구로 활용 가능함을 시사 한다.

연합 학습은 데이터 프라이버시 보호에 뛰어남과 동시에 낮은 통신 비용을 달성할 수 있으며, 이를 통해 모델의 학습 데이터 양이 적거나 성능이 낮은 문제를 해결할 수 있다. 본 연구는 사물인터넷 (IoT) 플랫폼 상에 네트워크 공격 탐지 분야에서 활용할 수 있는 탐지 모델의 구조를 제안하고, 연합학습을 통해 기존 모델의 성능을 높이고 학습 시간을 낮추는 등 개선 방법에 대해 제안한다.

본 연구에서는 개방형 동영상 플랫폼(OTT) 사용자의 관심 주제별로 자기 주도식 마이크로 러닝 방 식의 틈새 학습지원을 위하여 AI 알고리즘을 기반으로 체계적인 학습목차 구성 및 목차별 평판도가 높은 동영상 콘텐츠 목록을 개인화하여 동적으로 구성 및 추천하여 학습지원 효과를 제고하는 지능형 큐레이션 서비스 모델을 제안하고자 하였다. 이를 위해 콘텐츠 선호도 유사성 및 콘텐츠 도메인에 대 한 전문성 두 가지의 신뢰도 기준을 정량화하여 평가자 그룹을 구성하고 수정된 협업 필터링 기법을 적용함으로써 동적 콘텐츠 평판 모델링 기법을 고안하였다. 암묵적인 사용자 콘텐츠 선호도 추출기법 을 제안하고 새로운 OTT 콘텐츠 평판 산정 모형을 제시하였다는데 본 연구의 의의가 있다.

본 연구에서는 다수의 NPC가 공존하는 실시간 환경에서 효율적인 상태 처리와 상호작용 관리를 가능하게 하는 병렬 스케줄러 구조를 제안한다. 제안된 방식은 NPC의 현재 상태를 기준으로 연산을 분리하며, 이동이나 회전과 같이 상호작용이 없는 작업은 병렬로 처리하고, 공격이나 회피와 같은 상호작용 연산은 필요한 경우에만 동기화하여 수행한다. 이를 위해 작업 단위를 태스크로 나누고, 쓰레드풀(thread pool) 기반의 스케줄러를 통해 연산을 분산 처리한다. 이러한 구조는 불필요한 동기화를 줄이고 연산 병목을 최소화함으로써 실시간 처리 성능을 향상시키는 데 기여한다. 4,900개의 NPC를 대상으로 한 실험에서 기존 방식 대비 평균 프레임 수가 향상되었으며, 시스템의 확장성과 안정성 측면에서도 높은 가능성을 보였다. 본 구조는 향후 집단 행동이나 AI 연산 확장에도 유용하게 적용될 수 있다.

다수의 자동 운반 차량(AGV)을 운용하는 시스템에서는 AGV 간의 충돌, 교착 상태 발생, 그리 고 비효율적인 대기 시간 증가로 인해 전체 시스템의 효율성이 저하되는 문제가 빈번하게 발생한 다. 본 논문은 이러한 문제를 해결하기 위해, 연속적인 공간으로 모델링된 공장 환경에서 100대의 AGV가 상호 협력을 통해 최적의 경로를 계획하도록 하는 PPO(Proximal Policy Optimization) 기 반 분산 강화학습 모델의 실험 설계를 제안한다. 제안하는 설계는 시뮬레이션 환경 구성, 개별 AGV 에이전트 모델링, 보상 함수 체계, 그리고 학습 구조를 체계적으로 정의함으로써, AGV 간의 충돌을 회피하고 교착 상태를 방지하며 이동 경로상의 비효율을 최소화하는 것을 목표로 한다. 이 설계를 통해 대규모 다중 AGV 시스템의 운영 안전성과 효율성을 향상시킬 수 있을 것으로 기대한다.

공간컴퓨팅이 가능한 Microsoft HoloLens 2와 생성형 인공지능을 결합하여, 지능형 가상 아바타를 통해 사용자와 실시간 상호작용하는 지능형 안내 시스템의 설계 방향을 제안한다. 사용자는 음성, 시 선, 제스처 등의 입력을 통해 질문하거나 대상에 대한 정보를 요청할 수 있으며, 아바타는 이를 인식 하고 자연어로 응답한다. 해당 시스템은 멀티모달 인터페이스, GPT 기반 질의응답, 아바타 시각화, 실 시간 피드백 및 행동 로그 저장 기능을 포함하며, 교육 및 산업 훈련 등 다양한 분야에서 몰입감 있는 안내 경험을 제공할 수 있다. 향후 사용자 실험을 통해 사용성과 효과성을 평가하고, 응답 정확도와 인터랙션 다양성을 향상시키는 방향으로 확장할 계획이다.

4차 산업혁명의 발전과 함께 머신러닝 기술은 다양한 산업 분야에서 핵심적인 역할을 하며 초연결 사회를 실현하고 있다. 본 연구는 2015년부터 2024년까지 발표된 국내 머신러닝 관련 학술 논문을 대 상으로 텍스트 마이닝 기법을 활용해 연구 동향과 알고리즘 활용 추이를 분석한다. 최근 10년간 머신 러닝 연구는 지속적으로 증가하고 있으며, Support Vector Machine, Convolutional Neural Network 등의 알고리즘이 주로 활용되고 있다. 본 연구는 머신러닝 연구의 동향을 정리함으로써 향후 연구 방 향과 기술 발전에 시사점을 제공한다.

디지털트윈 기반 모바일 엣지 컴퓨팅의 융합은 지원에 민감한 무선 환경에서 지능형 작업 오프로딩 을 위한 유망한 방안을 제시한다. 디지털트윈은 현실 세계의 물리적 객체나 시스템을 디지털 공간에 실시간으로 복제하여 모니터링, 분석, 예측, 제어 등을 가능하게 하는 기술이다. 본 논문에서는 디지털 트윈 기반 모바일 엣지 컴퓨팅을 위한 작업 오프로딩의 최신 연구를 조사한다. 특히, 강화학습 기반 접근, 협력형 엣지 네트워크 구조 등 최근 연구에서 제안된 기술 요소들을 체계적으로 정리하고, 향후 연구 방향을 제안하고자 한다.

차세대 네트워크에서는 제한된 자원을 가진 수많은 장치가 실시간 응용 서비스를 위해 지연에 민감 하고 복잡한 작업을 수행해야 함에 따라 작업 오프로딩과 자원 할당이 점차 중요해지고 있다. 이는 복 잡한 결정 문제로 사전 지식 없이 최적 결정을 선택할 수 있는 강화 학습을 통해 해결할 수 있다. 본 연구는 이를 위한 연합 심층 강화 학습의 연구 동향을 정리하고, 자원 제약과 학습 구조를 중심으로 분석한 후 향후 연구 방향을 제시하고자 한다.

In recent years, the anticipation of human mobility flow has significant applications in various domains ranging from urban planning to public health. This study proposes a hybrid Graph Neural Network and Long Short Term- Memory network-based model for nationwide human mobility prediction, effectively capturing inter-urban movement patterns. We validate the feasibility and effectiveness of our model using the Korean internal-city mobility dataset, which captures real-world population movement patterns across various urban regions. Our experimental results accurately predict inter-city mobility, advancing urban planning, health, and transport.

최근 애플리케이션 구조는 유연성과 확장성이 중요하지만, 모놀리식 아키텍처는 트래픽 증가 시 서비스 확장이 어렵다는 단점이 있다. 이와 달리, 마이크로서비스 아키텍처는 클라우드 환경에서 효율적인 플랫폼 운영을 위한 핵심 기술로 주목받고 있다. 본 논문은 기존 애플리케이션의 성능을 개선하기 위해 마이크로서비스 아키텍처 기반 플랫폼에 Service Discovery, Circuit Breaker 등의 기술을 적용하여 성능을 개선하는 기법을 제안한다.

본 연구는 기존에 개발된 2D 퍼즐 게임의 맵 데이터를 문자 시퀀스로 변환하여, GPT-2 모델에 파 인튜닝을 진행하고 새로운 맵을 생성하는 실험을 수행하였다. 학습된 모델은 기존 게임의 스타일을 반영한 맵 생성을 성공적으로 수행하였으며, 전체 생성 맵의 다수가 실제 플레이 가능한 형태로 확 인되었다. 이러한 결과는 대규모 언어 모델을 활용한 게임 콘텐츠 자동 생성의 가능성을 보여주며, 향후 다양한 게임 장르로의 확장이 기대된다.

본 연구는 GPT-4o와 FLEUR 메트릭을 활용하여 생성 텍스트에 대한 평가 점수와 설명을 비교하 고, 두 메트릭이 각각 의미적 정합성과 세부 표현의 정확성에 초점을 두는 차이를 분석하였다. 이를 통해 상호 보완적 관점을 결합한 평가 프레임워크의 필요성을 제안한다.

본 논문은 화자 인식 성능 향상을 위해 대조학습 기반 화자 표현 학습에 하드 네거티브 샘플링 방식 을 결합한 방법을 제안한다. 미니배치 내에서 음성 간 유사도를 측정하여 가장 구별이 어려운 음성 샘 플을 선별하고, 이를 크로스 어텐션 메커니즘을 통해 효과적으로 학습하여 화자 간 경계를 명확히 한 다. 제안 방식은 VoxCeleb 데이터셋 실험에서 기존 방법 대비 오인율을 크게 낮추어 성능 우수성을 입증하였다.

Anomaly recognition in visual and audio data has gained increasing significance in computer vision, as it plays a crucial role in protecting human lives and property. In this work, we developed a semi-supervised multimodal framework for anomaly recognition that combines audio and visual data for better performance. The proposed framework employs a hybrid network consisting of a convolutional neural network, Bi-Directional Long Short-Term Memory, a multi-head attention module, and a fully connected layer for anomalous pattern recognition. We created a novel real-time visual-audio anomaly recognition dataset and evaluated our framework on it, achieving promising results.

머신러닝과 딥러닝의 과정에서 중요한 단계인 특성 엔지니어링은 모델 성능에 큰 영향을 미치지만, 복잡한 모델 구조에서는 적용이 어렵다는 한계가 지속적으로 제기되어왔다. 본 연구에서는 이러한 문 제를 해결하기 위해 Permutation importance 기법을 활용하여, 딥러닝 모델의 성능을 효율적이고 안정 적으로 향상시키는 방법을 제안하였으며, 차후 다양한 AI 분야에서도 범용적으로 활용될 수 있는 가 능성을 함께 제시하였다.