Earticle

객체 거리 추정은 자율 주행 및 로봇 시야 확보의 핵심 기술이나, 객체의 일부가 가려지는 occlusion 환경에서는 기존의 특징점 매칭 방식의 정확도가 급격히 저하되는 문제가 있다. 본 논문은 이러한 환경에서 안정적인 거리 추정을 수행하기 위해 경량 스테레오 트랜스포머 ‘STTR-nano’를 제안한다. STTR-light를 패치 8, 블록 3, 헤드 4, 차원 128로 축소하고 Flash-Attention을 적용해 효율성을 높였다. 제안하는 방식을 평가하기 위하여 KITTI Raw 2011 dataset에서 YOLOv8n 기반 검출 후 특징점 기반 매칭 SIFT 알고리즘 + 중심 시차 비교 방식과 STTRnano를 비교하였다. STTR-nano는 MAE 36.15m, RMSE 334.69m, MRE 132.19%로 SIFT 기반 방식보다 크게 개선되었으며, 특히 20–30m 구간에서 약 3.4배, occlusion 10–15% 구간에서 10배 이상의 성능 향상을 보였다. FPS 측면에서는 SIFT 기반 방식과 비교했을 때 STTR-nano가 실시간에는 미치지 못했으나 기존 STTR 대비 3배 이상의 처리 속도 향상을 달성함으로써 실제 occlusion 환경에서의 실시간 거리 추정 가능성을 확인하였다.

Accurate object distance estimation is crucial for autonomous systems, yet conventional featurematching methods often suffer from significant performance degradation in occluded environments. To address this challenge, this paper proposes a lightweight stereo transformer, STTR-nano, designed for robust distance estimation even when objects are partially obscured. STTR-nano reduces STTR-light by configuring patch size 8, 3 blocks, 4 heads, and 128 dimensions, while incorporating Flash-Attention to enhance computational efficiency. To evaluate the proposed method, experiments were conducted on the KITTI Raw 2011 dataset, comparing STTR-nano with a feature-matching approach using the SIFT algorithm combined with central disparity after YOLOv8n-based detection. STTR-nano achieved a MAE of 36.15 m, RMSE of 334.69 m, and MRE of 132.19%, showing significant improvements over the SIFT-based approach. In particular, performance improved by about 3.4× in the 20–30 m range and more than 10× in the 10–15% occlusion range. In terms of FPS, STTR-nano did not reach real-time performance compared to the SIFT-based method, but its processing speed was more than three times faster than the original STTR, demonstrating its potential for real-time distance estimation in practical occluded environments.

기존 CNN 기반 의료 영상 진단 모델은 높은 분류 성능에도 불구하고, 판단 근거에 대한 설명 가능성이 부족하며 데이터 편향이나 노이즈에 의존하는 숏컷 학습(shortcut learning) 문제가 존재한다. 이러한 한계는 의료 AI의 신뢰성과 임상적 활용 가능성을 저해하는 주요 요인이다. 본 논문에서는 평발 진단을 위한 CNN 기반 모델의 설명 가능성(XAI)과 분류 성능을 동시에 향상시키기 위해 오토인코더(Autoencoder, AE) 기반 전처리 기법을 제안한다. 먼저, 변분 오토인코더(Variational Autoencoder, VAE)를 이용해 입력 영상을 복원하고, 원본과의 차이로부터 다양한 오류 맵을 생성한다. 이후 이를 다중 채널로 구성하여 CNN에 입력함으로써 평발 여부를 분류한다. 또한 Grad-CAM을 활용하여 모델의 판단 근거를 시각화하고, VAE 전처리 적용 여부에 따른 성능과 XAI 시각화의 변화를 분석한다. 실험 결과, 제안 방법은 XAI 시각화의 명확도를 향상시켰을 뿐만 아니라, 정확도 0.9915와 Macro F1-Score 0.9856을 달성하여 baseline 대비 각각 약 18%p와 0.537 이상 향상됨을 확인하였다. 본 연구는 평발 진단 AI의 신뢰성과 설명 가능성을 동시에 향상시키는 데 기여할 수 있다.

Despite the high classification performance of CNN-based medical image diagnosis models, they often lack explainability and are prone to shortcut learning caused by data bias or noise. These limitations hinder the reliability and clinical applicability of medical AI systems. In this paper, we propose an autoencoder (AE)-based preprocessing method to improve both explainability (XAI) and classification performance for flatfoot diagnosis. A Variational Autoencoder (VAE) is used to reconstruct input images, and multiple error maps are generated from reconstruction discrepancies. These maps are combined into multi-channel inputs and fed into a CNN for classification. In addition, Grad-CAM is applied to visualize decision regions, and the impact of VAE preprocessing on both performance and XAI clarity is analyzed. Experimental results show that the proposed method improves both XAI clarity and classification performance, achieving an accuracy of 0.9915 and a Macro F1-Score of 0.9856. This corresponds to improvements of approximately 18 percentage points in accuracy and over 0.53 in F1-Score compared to the baseline model. This study contributes to enhancing both the reliability and explainability of AI systems for flatfoot diagnosis.

최근 비디오 스트리밍 서비스가 빠르게 확산되면서, 스토리지 시스템의 대역폭을 효율적으로 관리하는 일이 서비스 품질을 유지하는 데 있어 매우 중요해지고 있다. 본 논문은 워크로드의 시간적 변동으로 발생하는 서버 대역폭 과부하(overload) 문제를 해결하기 위해 심층 강화학습(DRL: Deep Reinforcement Learning) 기반 파일 배치 기법을 제안한다. 제안된 모델은 서버별 저장 용량, 사용 가능한 대역폭, 요청 파일의 인기도 및 요구 대역폭을 상태로 관찰하고, 불가능한 액션을 제거하는 액션 마스킹(action masking)을 통해 대역폭 과부하를 최소화하는 배치 정책을 학습한다. 인기도 분포, 저장 공간 제약, 대역폭 요청량을 변화시킨 다양한 실험 시나리오에서 제안 기법은 기존 휴리스틱 대비 평균 25~45%, 단순 정책(라운드로빈·랜덤) 대비 평균 65~80%의 과부하 대역폭을 줄이며 모든 조건에서 가장 우수한 성능을 보였다. 이를 통해 학습 기반 파일 배치 기법의 효과성과 비디오 서버 클러스터 환경에서 강화학습 적용 가능성을 확인하였다.

With the rapid growth of video streaming services, efficient management of bandwidth in storage servers has become essential for maintaining service quality (QoS). This paper proposes a deep reinforcement learning (DRL)–based file placement method using Proximal Policy Optimization (PPO) to address bandwidth overload caused by temporal fluctuations in workloads. The proposed model observes the storage capacity and available bandwidth of each server, along with the popularity and required bandwidth of requested files, and applies action masking to filter out infeasible actions, enabling the learning of placement policies that minimize bandwidth overload. Across diverse simulation scenarios involving different popularity distributions, storage constraints, and bandwidth demand levels, the proposed approach reduces bandwidth overload by approximately 25–45% compared to traditional heuristic methods and by 65–80% compared to simple policies such as round-robin and random placement, consistently achieving the best performance across all scenarios. These results demonstrate the effectiveness of learning-based file placement and highlight the potential of reinforcement learning for bandwidth-aware management in video server clusters.

다수의 어르신이 생활하는 노인복지시설에서는 고령으로 인한 인지 및 운동 능력 저하로 낙상사고가 종종 발생한다. 중증 및 사망으로 이어질 수 있는 낙상사고가 발생한 경우, 골든아워를 지키기 위해 신속하게 사고 발생 여부를 파악하고 조치를 취해야 한다. 이를 위해 일반적인 RGB 카메라를 이용한 CCTV를 사용하고 이를 모니터링하는 전담인력을 배치할 수 있으나, 환자의 사생활 침해 문제 및 전담 인력의 피로 문제가 발생한다. 이러한 문제를 해결하기 위해 본 논문에서는 개인의 식별이 불가능한 열화상 영상 및 음향 정보에서 낙상을 탐지하는 인공지능을 이용하여 실시간으로 낙상사고 발생 여부를 판단한다. 또한, 낙상사고가 발생한 경우 신속한 조치를 위해 의료 관계자 및 보호자에게 자동으로 신고하는 플랫폼을 구현하였다.

In elderly care facilities where many seniors reside, safety accidents frequently occur due to age-related cognitive and motor impairments. In cases of serious incidents such as falls—which can lead to severe injury or death—it is critical to detect aㄸnd respond promptly within the golden hour. While standard CCTV systems using RGB cameras and dedicated monitoring personnel can be employed to identify such incidents, they raise concerns regarding patient privacy and staff fatigue. To address these issues, this paper proposes a real-time AI-based fall detection system that utilizes thermal imaging and audio data, which do not reveal personal identity. Furthermore, we detail the implementation of a platform that automatically notifies medical staff and guardians in the event of an accident to enable swift intervention.

현대 금융 시장은 거시경제 변수와 자산 간의 비선형적 상호작용이라는 '복잡성(Complexity)'과, 밀리초(ms) 단위의 빠른 대응이 요구되는 '즉시성(Immediacy)'이라는 두 가지 난제를 동시에 제시한다. 기존 대규모 언어 모델(LLM) 기반 멀티 에이전트 시스템은 뛰어난 추론 능력을 보였으나 환각(Hallucination) 현상과 느린 추론 속도라는 한계를 가지며, 강화학습(RL) 모델은 빠른 실행 속도에 비해 시장의 인과적 맥락을 파악하지 못하는 문제점을 안고 있다. 본 연구는 이러한 문제를 해결하기 위해 인지과학의 이중 프로세스 이론(Dual Process Theory)에 착안하여, "하이퍼그래프 기반의 근거 중심 토론과 이중 프로세스 지식 증류를 통한 초고속 협력적 트레이딩 시스템"을 제안한다. 제안하는 시스템은 숙고적 사고를 담당하는 System 2 (Teacher) 단계에서 동적 금융 하이퍼그래프를 구축하여 구조적 리스크를 정밀하게 추론하고, 이를 지식 증류(Knowledge Distillation) 기법을 통해 직관적 사고를 담당하는 System 1 (Student) 단계로 전이하여 경량화된 신경망을 통해 실시간 트레이딩을 수행한다. 주식 및 파생상품을 포함한 10년 치의 대규모 멀티모달 데이터 실험 결과, 본 모델은 복합 위기 상황에서 기존 최신(SOTA) 모델들 대비 우수한 수익률(Sharpe Ratio 2.15)과 안정성(MDD -9.2%)을 달성하였다. 특히 추론 속도 측면에서 290배 이상의 성능 향상을 입증함으로써, 고성능 AI의 금융권 실무 적용 가능성을 확인하였다.

Modern financial markets simultaneously present two challenges: 'Complexity,' arising from the non-linear interactions between macroeconomic variables and assets, and 'Immediacy,' requiring instantaneous responses at the microsecond (μs) level. While existing Large Language Model(LLM)- based multi-agent systems have demonstrated superior reasoning capabilities, they are limited by hallucinations and slow inference speeds. Conversely, Reinforcement Learning(RL) models offer fast execution but fail to grasp the causal context of the market. To address these issues, drawing inspiration from the Dual Process Theory in cognitive science, this study proposes a "High-Speed Collaborative Trading System via Hypergraph-Grounded Debate and Dual-Process Knowledge Distillation." In the proposed system, the System 2 (Teacher) stage, responsible for deliberative thinking, constructs a dynamic financial hypergraph to precisely infer structural risks. This knowledge is then transferred via Knowledge Distillation to the System 1 (Student) stage, responsible for intuitive thinking, enabling real-time trading through a lightweight neural network. Experimental results using 10 years of large-scale multimodal data, including stocks and derivatives, demonstrate that the proposed model achieved superior profitability (Sharpe Ratio 2.15) and stability (MDD -9.2%) compared to existing state-of-the-art (SOTA) models, particularly during complex crisis scenarios. Notably, the system demonstrated a performance improvement of over 290 times in inference speed, confirming the feasibility of applying high-performance AI in practical financial environments.

기존 취약점 분석 방법은 빠르게 변화하는 위협 환경에서 최신성과 맥락 정보를 충분히 반영하는 데 한계가 있으며, 단일 데이터 소스 기반 Retrieval-Augmented Generation(RAG) 또한 정보의 불완전성과 편향으로 인해 분석 신뢰성이 저하될 수 있다. 이에 본 연구에서는 NVD, CERT, GitHub Advisory Database, Exploit Database등 이질적인 취약점 데이터 소스를 계층적으로 활용하는 Multi-Level RAG 기반 계층적 취약점 분석 시스템을 설계하고 프로토타입으로 구현하였다. 실험 결과, 데이터 소스를 단계적으로 확장할수록 취약점 분석 성능이 일관되게 향상되었으며, 단일 데이터 소스 기반 방법 대비 평균 20.9%의 성능지표 향상을 보였다. 이를 통해 제안 시스템이 실제 취약점 분석 환경에서 효과적으로 활용될 수 있음을 확인하였다.

Existing vulnerability analysis approaches have limitations in adequately reflecting timeliness and contextual information in rapidly evolving threat environments, while single-source Retrieval- Augmented Generation(RAG) methods may also suffer from reduced analytical reliability due to incomplete and biased information. To address these issues, this study designs and implements a prototype hierarchical vulnerability analysis system based on Multi-Level RAG, which hierarchically leverages heterogeneous vulnerability data sources, including the NVD, CERT, GitHub Advisory, and Exploit Database. Experimental results show that vulnerability analysis performance consistently improves as data sources are incrementally expanded, achieving an average performance improvement of 20.9% compared with single-source approaches. These findings demonstrate that the proposed system can be effectively utilized in real-world vulnerability analysis environments.

본 연구는 쿠버네티스 기반의 분산 데이터 처리 환경에서 컨테이너 런타임 아키텍처가 시스템 성능과 자원 오버헤드에 미치는 영향을 실험적으로 분석하였다. 기존의 경량 웹 서버 중심 벤치마크의 한계를 보완하기 위해, 하둡 기반의 대규모 정렬 및 네트워크 셔플링 워크로드를 적용하여 데이터 집약적 환경에서 발생하는 병목 현상을 분석하였다. 실험 결과, 유저 스페이스 격리 방식인 runsc는 시스템 콜이 집중되는 구간에서 파드 할당량 대비 약 1,535%(1,535.49%, 할당 CPU 한계 대비 약 15배)의 CPU 사용량을 기록하며 연산 자원 고갈 현상이 나타났다. 또한 하드웨어 가상화 방식인 kata-qemu는 높은 I/O 대기와 함께 runC 대비 약 2.2배의 처리 지연과 약 10.6GB(10,639MB) 수준의 메모리 사용 증가를 보였다. 반면, 메모리 안전성을 기반으로 한 youki는 복합 I/O 부하 환경에서도 비교적 안정적인 자원 사용과 우수한 실행 성능을 유지하였다. 이러한 결과를 바탕으로, 본 연구는 클러스터 전체에 단일 런타임을 적용하기보다는 쿠버네티스 RuntimeClass를 활용한 이기종 런타임 혼합 스케줄링 전략을 제안한다. 이를 통해 데이터 집약적 워크로드 환경에서도 보안성과 성능 간의 균형을 유지하면서 효율적인 인프라 운영이 가능함을 보인다.

This study experimentally analyzes the impact of container runtime architectures on system performance and resource overhead in a Kubernetes-based distributed data processing environment. To address the limitations of conventional lightweight web server benchmarks, we employ Hadoop- based large-scale sorting and network shuffling workloads, focusing on bottlenecks in data-intensive scenarios. Experimental results show that the user-space isolation runtime, runsc, introduces significant CPU overhead, reaching up to 1,535.49% of allocated pod resources (exceeding its allocated CPU limit by approximately 15×)under system call–intensive workloads. The hardware virtualization-based runtime, kata-qemu, exhibits substantial I/O wait, resulting in approximately 2.2× higher execution latency and up to 10.6 GB of memory usage compared to runC. In contrast, the memory-safe native runtime, youki, maintains stable resource utilization while achieving the best overall performance under mixed I/O workloads. Based on these findings, this study proposes a heterogeneous runtime scheduling strategy using Kubernetes RuntimeClass, rather than applying a single runtime across the cluster. This approach enables a balanced trade-off between security and performance, providing practical guidelines for efficient infrastructure design in large-scale data pipeline environments.

의료기기 소프트웨어에서 발생한 취약점은 환자의 안전과 직결되며, 최근 소프트웨어 공급망의 복잡성이 증가함에 따라 Software Bill of Materials(SBOM) 기반 취약점 관리의 중요성이 더욱 강조되고 있다. 특히, U.S. Food and Drug Administration(FDA)은 의료기기 인허가 과정에서의 SBOM 제출 및 체계적인 취약점 관리 체계 구축을 요구하고 있으나, 기존의 취약점 관리 방법은 주로 Common Vulnerability Scoring System(CVSS) 기반 정적 위험 평가 혹은 Software Composition Analysis(SCA) 중심의 취약점 식별에 의존하고 있어, 소프트웨어 구성 요소 간 의존성 관계 및 실제 악용 가능성이 높은 취약점 정보를 충분히 반영하지 못하는 한계가 존재한다. 따라서 본 연구에서는 SBOM 데이터를 기반으로 취약점 간 의존성을 반영하여 이종 그래프(Heterogeneous Graph)를 구축하고, 그래프 신경망(Graph Neural Network, GNN)을 활용하여 컴포넌트 단위의 취약점 위험도를 정량적으로 평가하는 방법을 제안한다. 제안 기법은 CVSS 점수, Known Exploited Vulnerabilities(KEV) Catalog, 그리고 컴포넌트 간 의존성 구조를 통합적으로 반영하여 위험도를 산출하고, 이를 기반으로 패치 우선순위를 자동으로 결정한다. 실험 결과, 제안 모델은 기존의 정적 평가 기반 접근 방식 대비 주요 ranking 성능 지표에서 전반적으로 우수한 성능을 보였으며, 의료기기 소프트웨어의 실질적인 취약점 대응 우선순위 결정에 효과적으로 활용될 수 있음을 확인했다.

Vulnerabilities in medical device software are directly linked to patient safety, and the increasing complexity of software supply chains has amplified the importance of Software Bill of Materials (SBOM)-based vulnerability management. In particular, the U.S. Food and Drug Administration requires SBOM submission and systematic vulnerability management as part of the medical device approval process. However, existing approaches primarily rely on static risk assessment based on the Common Vulnerability Scoring System or vulnerability identification using Software Composition Analysis(SCA), which fail to sufficiently capture dependency relationships among software components and real-world exploitability. To address this limitation, this paper proposes a method for component-level vulnerability risk assessment by constructing a heterogeneous graph from SBOM data and applying Graph Neural Networks(GNNs). The proposed approach integrates CVSS scores, the Known Exploited Vulnerabilities Catalog, and dependency structures to compute risk scores and automatically prioritize patches. Experimental results show that the proposed model outperforms conventional static approaches across key ranking metrics, demonstrating its effectiveness for practical vulnerability prioritization in medical device software.

본 연구는 한국어 임상진료지침 기반 검색증강생성(Retrieval-Augmented Generation, RAG) 시스템에서 청킹전략이 검색 성능과 최종 답변 품질에 미치는 영향을 분석한다. 임상진료지침은 표, 주석, 권고 문장, 절 구조를 포함한 구조적 의료 문서로, 일반 문서에서 논의된 청킹 전략의 효과를 그대로 기대하기 어렵다. 이에 성인 천식 임상진료지침으로 구축한 110문항 벤치마크에서 고정 길이 청킹(fixed-size), 재귀 분할 청킹(recursive), 구조 인식청킹(section-aware), 의미 기반 청킹(semantic), 그리고 LumberChunker 기반 청킹의 다섯 전략을 비교하였다. 실험은 기본 파이프라인과 리랭커 포함 파이프라인에서 수행하였으며, 각 조건에서는 공통 문서 입력과 RAG 설정을 고정한 채 청킹 전략만 변화시켰다. 검색 단계는 두 조건에서 nDCG@10, MRR, Hit@10으로 평가하였고, 답변 단계는 두 조건 모두에서 5회 반복 수행한 뒤 답변 충실성, 답변 정확성, 답변 완전성의 평균과 표준편차로 평가하였다. 검색 결과, 기본 파이프라인에서는 고정 길이 청킹이 nDCG@10 0.837, Hit@10 0.954로, 재귀 분할 청킹이 MRR 0.753으로 가장 높았다. 리랭커 포함 파이프라인에서도 고정 길이 청킹은 nDCG@10 0.861, Hit@10 0.963으로 강한 기준선을 유지하였다. 답변 결과에서는 기본 파이프라인에서 재귀 분할 청킹이 답변 충실성 0.727로 높았고, 구조 인식 청킹이 답변 정확성 0.614와 답변 완전성 0.462로 가장 높았다. 리랭커 포함 파이프라인에서는 구조 인식 청킹과 재귀 분할 청킹이 답변 정확성에서 각각 0.712, 0.711로 상위권을 형성했고, 재귀분할 청킹이 답변 완전성 0.572로 가장 높았다. 다만 검색 지표의 95% 부트스트랩 신뢰구간과 답변 지표의 반복실행 표준편차를 함께 고려하면 상위권 전략 간 차이는 크지 않았다. 이는 본 연구의 실험 조건에서 단순 기준선의 강건성이 확인되었고, 구조 인식 청킹이 답변 단계에서 경쟁력 있는 대안이 될 가능성도 함께 나타났음을 시사한다.

This study examines how chunking strategies affect retrieval and answer quality in a Korean clinical guideline-based Retrieval-Augmented Generation(RAG) system. Because clinical guidelines are structured medical documents, chunking effects observed in general documents may not transfer directly. Using a 110-question benchmark built from the Adult Asthma Clinical Practice Guideline, we compared five strategies: fixed-size, recursive, section-aware, semantic, and LumberChunker-based chunking. Retrieval was evaluated with nDCG@10, MRR, and Hit@10 in both a base pipeline and a reranker-enhanced pipeline, and answer quality over five repeated runs with Faithfulness, Answer Correctness, and Answer Completeness. In the base pipeline, fixed-size chunking achieved the highest nDCG@10 (0.837) and Hit@10 (0.954), while recursive chunking achieved the highest MRR (0.753). For answer quality, recursive chunking showed the highest Faithfulness (0.727), whereas section-aware chunking achieved the highest Answer Correctness (0.614) and Answer Completeness (0.462). In the rerankerenhanced pipeline, fixed-size chunking remained strong in retrieval, while section-aware and recursive chunking remained competitive in answer quality. Overall, gaps among top strategies remained modest, suggesting that simple baselines stayed strong in this setting, while section-aware chunking also showed promise for answer generation.