Earticle

야구는 “타점”을 해주는 타자가 있어야 주자가 “득점”을 할 수 있고, 타순별로 균등하게 공격 기회를 부여받는다는 특 징이 있다. 이러한 특징은 공격이 우수한 선수에게 공격 기회를 집중시킬 수 없다는 것을 의미하는데, 그렇기 때문 에 선수 구성이 특히 중요한 종목이다. 본 연구에서는 이 선수 구성 정보가 팀 득점 예측력을 높이는 데에 유용하게 사용될 수 있는지를 확인해 보았다. 타율(AVG), 출루율(OBP), 장타율(SLG), OPS(On-Base Plus Slugging), wOBA(Weighted On Base Average), wRC+(Weighted Runs Created) 등의 개인별 평가지표를 기준으로 선수들에게 각각의 평가지표별 등급을 부여하고, 이 등급별 선수 분포 정보를 팀 득점 예측에 사용하였다. 실험 결 과, 등급별 선수 분포 정보를 팀 공격력 통계와 함께 사용하여 팀 득점을 예측하면, 팀 통계만을 사용하여 예측하는 것보다 더 정확하게 팀 득점을 예측하였다. 본 연구에서 제안하는 방법은, 각 통계 항목별로 어떤 등급의 선수들이 몇 명씩 있는지 까지를 고려하여 팀 득점을 예측하는 방법이므로, 예측력을 높여줄 뿐만 아니라, 팀 통계가 비슷한 팀들 사이에서 팀 득점에 대한 우열을 예측하고자 할 때 유용하게 사용할 수 있다.

Baseball is a sport in which a runner can get “Runs” only when there is a batter who raises an RBI. And since each batter receives equal opportunities to bat, it is impossible to funnel more offensive opportunities into a standout player. Therefore, player composition is particularly important. In this study, we checked whether the batter composition information could be usefully used to predict team runs more accurately. Players were given a grade for each evaluation index based on individual evaluation indicators. Such as batting average(AVG), on-base percentage(OBP), slugging percentage(SLG), OPS(On-Base Plus Slugging), wOBA(weighted On Base Average), wRC+(Weighted Runs Created), and the player distribution information for each grade was used to predict team runs. As a result of the experiment, it was confirmed that the team runs were predicted more accurately if we used the player distribution information by grade with team's batting statistics than used only team's batting statistics. The method proposed in this study considers the number of players in each grade to predict the team's scoring ability. So it is useful not only in improving prediction accuracy but also in predicting the level of the team's scoring ability hierarchically among teams with similar statistic values.

최근 핵심 기술 유출 사고가 해외에 진출한 중소기업에서 집중적으로 발생하고 있으나, 그러한 중소기업은 경영 여 건 때문에, 적절한 기술적 보호 대책 마련 및 관련 법적 요구사항 이행을 위한 투자를 꺼리는 실정이다. 따라서 신기 술 보호 차원에서 해외 진출 중소기업에 적합한 경제적이며 실용적인 보호 대책이 시급히 요구된다. 본 논문에서는 먼저 중소기업에 대한 정보보호 지원 법령 및 정책을 검토하고, 해외 진출 중소기업의 기술적 정보보호 대책의 하나 로, 국내에서 가상사설망을 통해 원격으로 해외에 설치된 클라이언트 컴퓨터에 보안 기능을 지원하는 클라우드 기반 통합위협관리 서비스를 제안한다. 제안된 서비스는 해외 진출 중소기업에서 신축적으로 필요한 보안 기능을 선택할 수 있으며, 사용이 편리하고, 경제적이며, 관련 법령의 요구조건을 충족한다.

Recently, key technology leakage accidents have occurred intensively in Small and Mid-sized Enterprises(SMEs) operating overseas, but due to business conditions, such SMEs are reluctant to invest in preparing appropriate technological protection measures and implementing related legal requirements. Therefore, in terms of new technologies protection, economic and practical protection measures suitable for overseas SMEs are urgently required. In this paper, we review the information protection support laws and policies for SMEs proposes a cloud-based integrated threat management service that supports security management services for client computers remotely installed overseas through a virtual private network, as one of the technical information protection measures for SMEs operating overseas. The proposed service allows SMEs to flexibly select the security functions they need, and is convenient, economical, and meets the requirements of relevant laws and regulations.

그 동안 NGS 데이터를 기반으로 SNP/indel을 찾는 수 많은 프로그램들이 개발되어 왔다. 하지만 사용자가 직접 매개 변수를 정해서 variant를 찾는 방식의 기존 프로그램들은 많은 true positive를 놓치거나 많은 false positive를 찾는다. 이는 특히 한 위치에 서로 다른 SNP/indel이 적용된 경우일 때 더욱 심하다. 이러한 문제점을 해결하기 위해 우리는 일반적인 알고리즘보다 좋은 성능을 보이는 딥 러닝 방법을 적용하여 NGS 데이터로부터 SNP/Indel을 찾는 방법을 시도하였다. 특히 텍스트 기반의 NGS 데이터에 적합하도록 read pileup data를 가공 한 후 Transformer 모델을 기반으로 변형한 딥러닝 모델에 적용하였다. 이 방식은 SNP와 Indel이 혼용되어 나타 나는 케이스에서 더 좋은 성능을 보였으며, 그 외의 경우에도 기존의 다른 프로그램들과 유사한 성능을 보였다.

Numerous programs for finding SNPs and short indels based on NGS data have been developed. However, existing programs in which users directly set parameters and call variants miss many true positives or call many false positives. This is particularly serious when different SNP/indel variants are applied to one location. In order to solve this problem, we conducted a research to find SNPs/Indels from NGS read data by applying a deep-learning method that showed better performance than the general state-of-the-art algorithm. After processing the read pileup data to be suitable for text-based NGS data, we applied it to a deep learning model modified based on the Transformer model. This method showed better performance, especially in the special case where SNPs and Indels were mixed, and showed similar performance to other existing programs in other cases.

자동차, 의료기기, 무기체계와 같은 다양한 임베디드 소프트웨어 산업에서는 컴포넌트 기반 기술들이 적용되고 있 다. 임베디드 소프트웨어를 개발하기 위해 다양한 컴포넌트 기반 개발 방법론이 제안되고 있지만 컴포넌트를 식별하 기 위한 명확한 기준이나 방법이 부족하여 개발자들이 설계 과정에서 여전히 어려움을 겪고 있다. 이에 본 논문에서 는 컴포넌트 기반 임베디드 소프트웨어 설계를 위해 구조적 피처를 기반으로 컴포넌트를 식별하고 컴포넌트 간의 인 터페이스를 정의하는 컴포넌트 기반 임베디드 소프트웨어 아키텍처 설계 프로세스를 제안한다. 제안 방법은 컴포넌 트 기반 개발 프로세스 중 컴포넌트 식별 단계에 중점을 두며, 소프트웨어 기능 요구사항과 하드웨어 요소에 대한 정보를 고려하여 구조적 피처를 분석하고, 구조적 피처 분석 결과를 컴포넌트 기반 아키텍처 설계에 반영하여 컴포 넌트 기반 아키텍처를 도출하는 프로세스를 제시한다. 마지막으로 제안한 프로세스를 적용한 사례 연구를 통해 컴포 넌트 식별 단계에서 컴포넌트를 식별하고 인터페이스를 정의한 결과를 보여줌으로써 구조적 피처를 기반으로 한 방 법의 타당성을 입증한다.

Component-based technologies are being applied in various embedded software industries such as automotive, medical devices, and defense systems. While diverse component-based development methodologies are being proposed for embedded software development, there remains a lack of clear criteria or methods to identify components, leading developers to face challenges during the design process. In this regard, this paper proposes a component-based embedded software architecture design process that identifies components based on structured features and defines interfaces between components. The proposed approach places emphasis on the component identification phase within the component-based development process, analyzing structured features considering software functional requirements and hardware elements. The analysis results of structured features are incorporated into the design of component-based architecture, aiming to derive the actual architecture. Finally, through a case study applying the proposed process, the paper demonstrates the feasibility of the feature-based method by showcasing results of identifying components and defining interfaces during the component identification phase.

뇌종양은 치사율이 높은 질병으로 일반적으로 전문의의 MRI 판독을 통하여 진단된다. 그러나, 뇌종양의 크기, 위치 가 다양하기 때문에, 전문의가 수행하는 MRI 판독은 많은 시간과 비용이 소요될 수 밖에 없다. 이를 해결하기 위해 MRI 영상에서 뇌종양 영역에 대한 자동 분할에 대한 요구가 증가하고 있으며, 최근 딥러닝 기술이 발달함에 따라, 딥러닝 기법을 활용한 뇌종양 분할 연구가 다양하게 진행되고 있다. 이에, 본 논문에서는 3D U-Net 기반의 변형된 모델을 통해 MRI 영상에서 보다 효과적으로 뇌종양을 검출하는 방법을 제시한다. 제안하는 모델은 기존의 3D U-Net에서 depthwise- Convolution을 적용하여 연산의 효율적을 높였으며, 잔차 블록을 사용하여 네트워크의 학 습을 향상시켰다. 그 결과, 뇌종양 영역 WT, TC, ET Dice 점수는 각 90.08%, 86.95%, 79.48%로 기존의 3D U-Net보다 나은 성능을 보였다.

Brain tumors are a lethal disease that is generally diagnosed through MRI readings by specialists. However, due to the diverse sizes and locations of brain tumors, MRI readings performed by specialists inevitably consume a great deal of time and cost. To resolve this, there is an increasing demand for automatic segmentation of brain tumor areas in MRI images, and with the recent development of deep learning technology, various studies on brain tumor segmentation using deep learning techniques are being conducted. In this paper, a modified 3D U-Net-based model is proposed to detect brain tumors in MRI images. The proposed model enhances computational efficiency by applying depthwise convolution in the traditional 3D U-Net and improves network training using residual blocks. As a result, the brain tumor area WT, TC, ET Dice scores were 90.08%, 86.95%, and 79.48% respectively, demonstrating better performance than the conventional 3D U-Net

딥러닝의 치명적 망각 현상(Catastrophic forgetting)을 방지하기 위한 지속 학습 연구는 최근 분류모델에서 생성 형 모델로 확장되고 있다. 하지만 생성형 모델의 지속 학습은 태스크별 입력 데이터에 의존하며, 이는 현실 세계에 서 프라이버시 문제와 한정된 메모리 자원에 따른 제약이 존재한다. 즉, 신경망의 블랙박스 특성과 상대적으로 작은 메모리 크기를 고려하여, 접근 불가능한 데이터를 대체할 필요가 있다. 이에 본 논문에서는 태스크별 데이터에 직접 접근하는 대신, 해당 데이터를 사전 학습한 추론형 신경망만을 입력으로 받아 생성형 모델을 지속 학습하는 모델 (Data-Free Continual Learning of Generative Network, DF-CLG)을 처음으로 제안한다. 구체적으로, 사 전 학습된 추론형 신경망에 저장된 배치 정규화 계층의 통곗값을 제약하여 학습에 사용된 데이터를 역으로 합성하는 생성형 신경망을 학습한다. 이후, 대표적인 지속 학습 기법인 규제 기반 방법과 리허설 기반 방법을 적용하여, 제안 된 생성형 신경망의 치명적 망각 현상이 완화될 수 있음을 보인다. 주목할 점은, 지속 학습에서 상대적으로 저조한 성능으로 알려진 규제 기반 방법이 제안된 생성형 모델에서 리허설 기반 방법에 준하거나 우수한 성능을 보인다는 것이다.

Research on continual learning to prevent catastrophic forgetting problem of deep learning has recently expanded from classification models to generative models. However, the continual learning of generative models relies on task-specific input data, which poses constraints on pivacy issues and limited memory resources in the real world. In other words, considering the black-box property of neural networks and their relatively small memory size, there is a need to replace inaccessible data. In this paper, we propose the first model, called Data-Free Continual Learning of Generative Network (DF-CLG), which receives pre-trained inference model as input instead of directly accessing task-specific data. Specifically, the generative model is trained to synthesize the data used in the training by constraining the statistics of batch normalization layers stored in the pre-trained inference network. Subsequently, by applying representative continual learning methods, namely regularization-based and rehearsal-based approaches, it is demonstrated that the proposed generative model can alleviate catastrophic forgetting. It is worth noting that regularization-based methods, which are known for their relatively poor performance in continual learning, show comparable or superior performance to rehearsal-based methods in the proposed generative model.

인공지능이 발달함에 따라 인공지능의 오판을 야기하는 적대적 공격 기법도 발전하였다. 이를 방어하기 위해 주로 신경망의 강건성을 증가시키는 데 초점을 맞춰 연구가 이루어졌다. 하지만 기존 방어 기술들은 다양한 공격 방법에 대해 강건하지 않아 새로운 유형의 공격에는 취약하다. 또한 방어율을 향상하는 동시에 모델의 정확도를 유지하기는 매우 어렵다. 본 연구에서는 다양한 공격 기법에 대해 균일하게 방어하면서 신경망의 정확도도 유지할 수 있는 새로 운 신경망 훈련 및 추론 기법을 제안한다. 본 연구에서 제안하는 알고리즘은 특이값 분해(SVD)를 사용하여 무작위 화 기반의 이미지 재구성을 수행하고, 이를 통해 입력 데이터를 공격자가 예측할 수 없게 만들어 적대적 공격을 방 어한다. CIFAR-10 데이터 세트에서 제안하는 방법을 실험하여 간단하면서도 균일한 방어가 가능한 방어 기술임을 확인하였고, FGSM 공격에 대해서는 최종 방어율 61%를 기록하여 성능을 입증하였다.

As AI has evolved, so have adversarial attacks that cause AI to misjudge. To defend against this, research has focused primarily on increasing the robustness of neural networks. However, existing defense techniques are not robust against a variety of attack methods, leaving them vulnerable to new types of attacks. It is also very difficult to improve the defense rate while maintaining the network accuracy. In this work, we propose a novel neural network training and inference technique that can uniformly defend against various attack methods while maintaining the accuracy of the network. The algorithm we propose in this work performs randomization-based image reconstruction using singular value decomposition to defend against adversarial attacks by making the input data unpredictable to the attacker. We experimented with the method on the CIFAR-10 dataset and found it to be a simple and uniform defense technique. The method's performance is demonstrated by achieving a final defense rate for 61% against FGSM attacks.

의료영상 촬영 자세와 수술 자세의 차이, 환자의 호흡 등의 이유로 촬영된 유방의 형태와 현재 유방의 형태가 달라 질 수 있다. 본 논문에서는 수술 전 촬영한 CT 영상으로 생성한 3차원 몸통 모델과 AR 수술 중 깊이 센서를 이용 하여 3차원 스캔한 피부 표면 모델 간 형태 차이를 줄이기 위하여 PBD 기반 유방 변형 시뮬레이션 기법을 제안한 다. 연체의 특성을 고려하기 위하여 길이, 각도, 부피 보존 제약조건을 적용하였으며, 몸통 모델의 유두 위치를 피부 스캔 모델의 유두 위치로 이동시켜 유방의 형태 오차를 줄이기 위한 제약조건을 제안한다. 두 모델 간 표면 오차가 변형 전 평균 8.22mm에서 변형 후 6.42mm, 유두 오차는 변형 전 평균 10.03mm에서 변형 후 6.85mm로 줄어 들어 본 제안 기법으로 유방의 형태 차이를 줄일 수 있음을 확인할 수 있었다.

In this paper, we propose a PBD-based breast deformation simulation technique to reduce the differences in shape between a 3D torso model generated from preoperative CT images and a 3D skin surface model scanned using depth sensors during AR surgery. Variations in patient positioning, respiration, and other factors can affect breast shape. We use constraints for length, angles, and volume to consider anatomical features and introduce nipple position alignment to minimize differences. Results demonstrate the technique's effectiveness, reducing surface differences from 8.22mm to 6.42mm and nipple differences from 10.03mm to 6.85mm after deformation.