Earticle

온라인 커뮤니티 질의응답 플랫폼 (Community Question Answering; 이하 CQA)에서 답변의 채택 가능성을 이해하기 위하여, 기존에는 답변의 품질을 평가한 지표를 활용하였다. 특히 텍스트의 특성으로 답변의 객관적 품질을 계산한 텍스트 지표와 지각된 주관적 품질인 지각 지표를 함께 활용해 왔으나, 지각 지표는 수집 비용이 높고 품질 저하 문제가 있다. 본 연구는 대안으로 반려동물 CQA에서 LLM-as-a-Judge 기반 지각 지표의 활용 가능성을 검토하였다. 첫째, 기계학습 분석 결과, 텍스트 지표와 LLM-as-a-Judge 기반 지각 지표를 활용한 모든 모델이 baseline에 비해 답변 채택 여부 분류 성능이 향상되었다. SHAP, LIME, 반사실적 설명 등 분석 결과, 이해가능성과 질문과의 관련성 등의 지각 지표가 분류에 핵심적으로 기여했으며, 텍스트 지표의 영향은 제한적이었다. 둘째, 채택 및 미채택 답변의 비교분석 결과, 채택 답변이 미채택 답변에 비해 모든 지각 지표의 값이 높은 것으로 나타났다. 이 연구는 반려동물 CQA 맥락에서 LLM-as-a-Judge 기반 지각 지표의 활용성과, 이해가능성과 질문과의 관련성이 채택 여부에 중요함을 밝혔다는 점에서 의의가 있다.

Answer quality evaluation in online community question answering (CQA) platforms has traditionally relied on indicators evaluating answer quality. In particular, both text-based indicators, which capture the objective quality of text, and perceptual indicators, which reflect perceived subjective quality, have been utilized. However, perceptual indicators are costly to collect and prone to quality issues. This study examines the applicability of using LLM-as-a-Judge–based perceptual indicators as an alternative in a Pet CQA platform. Machine learning results show that models incorporating both text-based and LLM-as-a-Judge–based perceptual indicators outperform the baseline in classifying answer acceptance. SHAP, LIME, and counterfactual analyses reveal that perceptual indicators play a central role, demonstrating that understandability and question relevance are key factors influencing answer acceptance, while text-based indicators have limited impact. Comparative analyses further show that accepted answers score higher across all text-based and perceptual indicators. This study contributes to the literature by confirming the applicability of LLM-as-a-Judge–based perceptual indicators in Pet CQA and identifying understandability and question relevance as key determinants of answer acceptance.

합성곱 신경망(CNN)은 다수의 2차원 필터가 계층적으로 중첩된 구조를 가지므로, 그 내부 구조와 데이터 흐름을 직관적으로 시각화하는 데 본질적인 어려움이 있다. 기존의 시각화 도구들은 각기 다른 표현 방식과 추상화 수준을 사용함으로써 서로 다른 모델 간 구조를 비교하거나 해석하는 데 한계를 가지며, 이러한 비표준화된 시각화 환경은 연구자가 모델을 이해하고 비교하는 과정에서 인지적 부담을 초래한다. 본 연구에서는 이러한 문제를 개선하기 위해 CNN 아키텍처 설명으로부터 구조 정보를 추출하고, 이를 구조화된 표현으로 변환한 뒤, 상호작용 가능한 웹 기반 3차원 시각화 프레임워크를 제안한다. 제안하는 시스템은 대형 언어 모델(LLM)을 활용하여 논문 텍스트를 JSON 형태의 중간 표현으로 변환하고, 사용자가 해당 프레임워크 상에서 CNN 아키텍처를 확대·축소 및 회전 등의 상호작용을 통해 탐색하고 비교할 수 있도록 한다. 이러한 접근은 모델 구현 파일에 의존하지 않고 논문에 기술된 아키텍처 구조를 직관적으로 분석할 수 있는 환경을 제공하며 복잡한 모델에 대한 이해를 지원하고 연구의 접근성을 제고하는 데 기여한다.

Convolutional Neural Networks (CNNs) consist of hierarchically stacked two-dimensional filters, which makes their internal structures and data flows inherently difficult to visualize intuitively. Existing visualization tools employ diverse representation styles and abstraction levels, limiting consistent comparison and interpretation across different models and increasing cognitive load for researchers. To address this issue, we propose an interactive web-based 3D visualization framework that extracts architectural information from CNN descriptions in academic papers and converts it into a structured representation. The proposed system utilizes a Large Language Model (LLM) to transform unstructured paper text into a JSON-based intermediate format, enabling users to explore and compare CNN architectures through interactions such as zooming and rotation within the framework. This approach supports intuitive analysis of architectures described in papers without relying on model implementation files and contributes to improving the accessibility of deep learning research.

전력 설비의 기능 저하와 노후화는 전력 시스템의 신뢰성과 안정성에 치명적인 영향을 미치므로, 신속하게 효과적인 유지보수 전략을 수립하는 것이 중요하다. 기존의 정수 계획법 기반의 최적화 전략은 전역 최적해를 보장하지만, 대규모 시스템에서 지수적으로 증가하는 시간 복잡도로 인해 응용 범위가 제한된다. 본 논문은 최적해에 준하는 유지보수 전략을 수 초 내에 도출하기 위해, 전력 설비 유지보수 최적화 문제에서 일반적으로 사용하는 SOS1(Special Ordered Set Type 1) 구조를 활용한 SAIR(SOS1-Aware Iterative Rounding Framework) 기법을 제안한다. 제안하는 SAIR은 결정 변수의 이진 제약 조건을 완화하여 유지보수 전략 최적화 문제를 선형 계획법 문제로 변환하고, SOS1 구조를 활용하여 탐색 공간을 설비 단위로 축소한다. 또한, 최소 엔트로피 기반 설비 선택 및 예산 인지 기반 유지보수 전략 선택 기법을 통해 전력 설비 유지보수 전략 문제에서 준최적해의 품질을 체계적으로 향상시킨다. 합성 데이터 기반 벤치마크 환경에서 다양한 규모의 시스템 복잡도에 대해 실험한 결과, 제안하는 SAIR은 전역 최적해 대비 0.09%의 목적함수 격차만을 보이며 전역 최적해 수준의 유지보수 전략을 도출하는 동시에 계산 시간을 평균 1512배 단축하여(평균 0.2492초) 계산 효율성을 크게 높일 수 있음을 보였다. 특히, 단순 휴리스틱 기반의 유지보수 계획 기법이 빈번하게 제약조건을 위배하여 무효한 해를 도출하는 것과 달리, SAIR은 모든 실험에서 유효한 전략을 도출하여 제안하는 기법의 유효성을 확인하였다.

Degradation and aging of power facilities critically impact the reliability and stability of power systems, necessitating the prompt establishment of effective maintenance strategies. Conventional optimization strategies based on integer programming guarantee globally optimal solutions, but their exponentially increasing time complexity in large-scale systems limits their applicability. To derive maintenance strategies comparable to the optimal solution within seconds, this paper proposes the SOS1-Aware Iterative Rounding Framework (SAIR), which leverages the Special Ordered Set Type 1 (SOS1) structure commonly used in the power facility maintenance optimization problem. The proposed SAIR transforms the maintenance strategy optimization problem into a linear programming problem by relaxing the binary constraints of the decision variables and utilizes the SOS1 structure to reduce the search space at the facility level. Furthermore, it systematically enhances the quality of near-optimal solutions in the power facility maintenance strategy problem through minimum entropy-based facility selection and budget-aware maintenance strategy selection techniques. In benchmark experiments using synthetic data across various system complexity environments, the proposed SAIR significantly enhances computational efficiency, achieving a maintenance strategy quality comparable to the globally optimal solution with an objective function gap of only 0.09%, while simultaneously reducing computation time by a factor of 1512 on average (0.2492 seconds on average). Notably, unlike simple heuristic-based maintenance planning methods that frequently violate constraints and yield invalid solutions, SAIR derived valid strategies in all experiments, thereby confirming the effectiveness of the proposed technique.

무인기의 정확한 3차원 위치 추정은 무인 항공 시스템의 안전한 운용과 자율 제어를 위한 핵심 기술이다. 본 연구는 RGB 카메라와 LiDAR를 결합한 멀티모달 센서 기반 무인기 탐지 및 추적 시스템을 제안한다. 2D 비전과 3D 포인트클라우드 정보를 상호 보완적으로 활용하여, 3D 객체 탐지 실패 구간에서 2D 바운딩 박스 기반 영역 정보를 통해 LiDAR 포인트를 재탐색하는 보조 복원 메커니즘을 구현하였다. 2D-3D 융합 파이프라인에서 2D 탐지 결과를 사전 정보로 활용하여 3D 공간상의 탐색 범위를 제한함으로써 3D 탐지 실패 구간에서의 위치 추정 정확도를 향상시켰다. 그 결과 탐지 정확도는 IoU 0.7 기준 mAP가 0.48에서 0.65로 향상되었으며, 추적 성능은 ID F1 점수 72.51%를 달성하여 급격한 방향 전환 상황에서도 ID 유지 성능이 개선됨을 확인하였다. 본 시스템은 수평 방향 약 0.8m, 3차원 평균 약 1.45m의 위치 정확도를 달성하여 다양한 무인기 응용 분야에서 활용 가능하다.

Accurate three-dimensional localization of UAVs is a core technology for safe operation and autonomous control of unmanned aerial systems. This study proposes a multimodal sensor-based UAV detection and tracking system combining RGB cameras and LiDAR. By utilizing 2D vision and 3D point cloud information in a complementary manner, we implemented an auxiliary recovery mechanism that re-searches LiDAR points through 2D bounding box-based region information in 3D object detection failure scenarios. In the 2D-3D fusion pipeline, detection results from 2D are utilized as prior information to constrain the search range in 3D space, improving localization accuracy in detection failure regions. As a result, mean Average Precision (mAP) improved from 0.48 to 0.65 at an IoU threshold of 0.7, and tracking performance achieved an ID F1 score of 72.51%, indicating improved ID maintenance even during sharp directional changes. This system achieves a horizontal positional accuracy of approximately 0.8 m and a 3D RMSE of approximately 1.45 m, and can be utilized in various UAV application fields.

실세계의 산업 및 공공 데이터는 정제된 공개 데이터셋과 달리 계층 구조가 불규칙하거나 특정 단계의 정보가 생략되는 등 비정형적인 특성을 지닌다. 이러한 데이터의 불완전성은 결과적으로 분류 모델이 계층적 일관성을 유지하며 정교한 추론을 수행하는 데 큰 제약이 된다. 본 연구에서는 이러한 한계를 극복하기 위해 실세계의 복잡하고 불완전한 계층 구조를 효과적으로 학습할 수 있는 계층적 지식 증류 알고리즘을 제안한다. 제안하는 시스템은 특히 레이블 누락 문제를 해결하기 위해 가용 레이블에 대해서만 손실 함수를 계산하는 레이블 마스킹 전략과 상위 계층의 지식을 바탕으로 누락된 정보를 보완하는 의사 레이블링 기법을 도입하였다. 또한, 하위 클래스의 확률이 부모 클래스의 확률을 초과하지 않도록 강제하는 계층 일관성 제약 조건을 적용하여 구조적 모순을 차단하였다. 제안된 방법은 기존의 계층 분류 알고리즘 대비 벤치마크 데이터셋에서 우수한 성적을 거뒀다. 특히, iNaturalist2018에서는 기존 대비 Accuracy가 약 7.2% 향상된 성능을 달성했으며, 이는 본 연구에서 제안하는 방법론의 범용성과 구조적 일관성 유지 능력을 실증적으로 확인하였음을 시사한다.

Unlike refined public datasets, real-world industrial and public data often exhibit irregular hierarchical structures and missing information at specific levels. This data incompleteness acts as a significant constraint, preventing classification models from maintaining hierarchical consistency and performing sophisticated reasoning. To overcome these limitations, this study proposes a Hierarchical Knowledge Distillation algorithm designed to effectively learn from complex and incomplete real-world hierarchies. To specifically address the problem of missing labels, the proposed system introduces a label masking strategy that calculates loss functions only for available labels, alongside a pseudo-labeling technique that compensates for missing information based on knowledge from higher hierarchies. Furthermore, hierarchical consistency constraints are applied to prevent structural contradictions by ensuring that the probability of a sub-class does not exceed that of its parent class. The proposed method outperformed existing hierarchical classification algorithms on standard benchmark datasets. Notably, it achieved an approximately 7.2% improvement in accuracy on the iNaturalist 2018 dataset, empirically validating the proposed methodology's versatility and its ability to maintain structural consistency.

본 연구는 형태학적 특징 정량화와 딥러닝 기반 다중 시점 분석을 결합한 송이버섯 품질 등급 자동 분류 시스템을 제안한다. 송이버섯은 형태적 특징에 따라 등급이 결정되나, 전통적 육안 검사는 주관성과 일관성 문제가 있으며, 기존 단일 시점 딥러닝 방법은 3차원 정보 손실로 인한 분류 한계를 보였다. 본 연구는 이중 카메라 시스템을 활용하여 466쌍의 정면-측면 이미지 데이터셋을 구축하고, 규칙 기반의 YOLOv8n 형태 분석 모듈과 딥러닝 기반의 Dual-ConvNeXt 분류 모듈, Dual-EfficientNet 분류 모듈의 3가지 모듈을 Majority Voting 방식으로 앙상블하여 5등급 분류를 수행하였다. 제안 시스템은 94.51%의 정확도를 달성하여 단일 시점 최고 성능(87.91%) 대비 6.6%p, 형태 지표 기반 방식(74.73%) 대비 19.78%p 향상되었다. 본 연구는 다중 시점 정보 융합의 효과를 입증하였으며, 송이버섯 자동 선별의 실용화와 다른 농산물 품질 평가로의 확장 가능성을 제시한다.

This study proposes an automated matsutake mushroom quality grading system that combines rule-based morphological feature quantification with multi-view deep learning analysis using a dual-camera setup. While matsutake mushrooms are graded based on morphological characteristics, traditional visual inspection suffers from subjectivity and inconsistency, and existing single-view deep learning methods encounter classification limitations due to three-dimensional information loss. A dataset of 466 frontal-lateral image pairs was constructed, and five-grade classification was performed by integrating three modules — a rule-based YOLOv8n morphological analysis module, a Dual-ConvNeXt classification module, and a Dual-EfficientNet classification module — via Majority Voting ensemble. The proposed system achieves 94.51% accuracy, improving 6.6 percentage points over the best single-view method (87.91%) and 19.78 percentage points over the morphological approach (74.73%). This research demonstrates the effectiveness of multi-view information fusion and presents the potential for practical implementation of automated matsutake sorting and extension to quality assessment of other agricultural products.

기존의 포인트 클라우드 디퓨전 모델은 전체적인 형상 생성에는 효과적이지만, 캡션에 포함된 세부적인 의미나 형상 속성을 충분히 반영하는 데 한계가 있다. 이를 해결하기 위해 본 연구는 CLIP-conditioned 디퓨전 모델을 기반으로 한 텍스트 가이드 3D 포인트 클라우드 방법을 제안한다. 구체적으로는 포인트 클라우드 확산 구조를 기반으로, 낱말 단위의 교차 주의 기법과 문장 전체 의미 기반 특징 조절 방식을 사용하여 자연어 정보를 잡음 제거 신경망에 주입한다. 또한 관사나 전치사처럼 정보량이 낮은 단어에 과도하게 주의가 집중되는 문제를 완화하기 위해, 전체 낱말 순서는 유지하면서 미리 정의된 불용어 위치의 중요도만 낮추는 경량의 불용어 인식 주의 재가중 전략을 도입한다. 우리는 의자와 탁자 범주의 3차원 형상 자료와 그에 대응하는 자연어 설명문을 사용하여 모델을 학습하고 평가한다. 실험에서는 분포 수준의 생성 품질, 문장과 형상 사이의 정성적 대응 관계, 낱말 단위 주의 동작, 그리고 주의 구성 방식에 따른 제거 실험을 분석한다. 정량적으로 제안 모델은 Chair/Table 범주에서 각각 MMD-CD 6.80/6.33, COV-CD 49.75/43.75, 1-NN-CD 77.99/71.75, JSD 9.6/13.2를 보였다. 이와 함께 Chair 범주의 ablation study에서 stop-word-aware attention reweighting은 COV-CD를 37.18%에서 49.75%로 향상시키고 JSD를 12.2에서 9.6으로 감소시켰다. 또한 불용어 인식 재가중 방식은 중요한 단어에 대한 주의 집중과 의미 반영 범위를 개선한다. 그러나 제안한 모델은 여전히 세밀한 속성 반영과 더 넓은 범주로의 일반화 측면에서 한계를 가진다.

Current point-cloud diffusion models can generate overall shapes well, but they struggle to capture detailed semantic features and specific shape attributes described in captions. To improve this, we present a text-guided 3D point cloud generation method that uses a CLIP-conditioned diffusion model. Our approach adds natural-language information to the denoising network through token-level cross-attention and sentence-level semantic feature modulation. To prevent the model from focusing too much on less important words like articles and prepositions, we use a simple stop-word-aware attention reweighting strategy. This keeps the full token sequence but lowers the influence of stop words. We train and test our model on 3D chair and table data paired with matching natural-language descriptions. Our experiments look at overall generation quality, how well the shapes match the text, token-level attention patterns, and results from different attention setups. Quantitatively, the proposed model achieved MMD-CD scores of 6.80/6.33, COV-CD scores of 49.75/43.75, 1-NN-CD scores of 77.99/71.75, and JSD values of 9.6/13.2 on the Chair/Table categories, respectively. In the chair-category ablation study, stop-word-aware attention reweighting improved COV-CD from 37.18% to 49.75% and reduced JSD from 12.2 to 9.6. The results also show that stop-word-aware reweighting helps the model focus on key words and improves semantic coverage. Still, our model has some limits in grounding fine-grained attributes and generalizing to more object categories.

금융권의 업무 자동화는 생성형 AI와 에이전트 기술의 도입으로 전통적 RPA를 넘어 외부 API, SaaS, 데이터베이스를 호출·조합하고 정보 조회, 상태 변경, 외부 전송까지 수행하는 형태로 확장되고 있다. 이 과정에서 과권한 실행, 민감정보 유출, 비인가 외부 전송, 기능 오염, 감사 추적 곤란과 같은 보안위험이 확대될 수 있다. 기존 사용자 권한 기반 통제와 정적 API 권한 통제는 접근 가능 여부와 사전 호출 범위 판단에는 유용하지만, 에이전트가 실행하는 기능의 위험도와 실행 시점의 맥락을 충분히 반영하기 어렵다. 본 논문은 금융 자동화 에이전트의 외부 기능 실행을 독립적인 보안통제 단위로 정의하고, 외부 기능 위험등급(FRL), 에이전트 신뢰도(ATL), 실행 맥락 가중치(CEF), 데이터 민감도(DSL)를 결합한 종합 위험점수(IRS) 기반 실행 시점 보안통제 모델을 제안한다. 또한 8개 평가 항목, 3개 금융업무 시나리오, 합성 실행 요청 로그 기반 정책 판단 평가를 통해 사용자 권한 기반 통제, 정적 API 권한 통제, ABAC/ZT 기반 통제와 제안 모델을 비교하였다. 평가 결과, 제안 모델은 위험 요청을 단순 허용 또는 차단으로만 처리하지 않고 IRS 점수에 따라 추가승인, Step-up 인증, 차단으로 분기함으로써 위험요청 통제율을 91.1%까지 높일 수 있음을 확인하였다. 다만 승인전환율도 함께 증가하여 실제 운영환경에서는 보안성 향상과 업무 승인 부담 간의 균형이 필요함을 확인하였다.

Financial-sector business automation is expanding beyond traditional RPA with the adoption of generative AI and agent technologies. It now involves the invocation and orchestration of external APIs, SaaS applications, and databases to perform information retrieval, status changes, and external data transfers. In this process, security risks such as excessive privilege execution, sensitive information leakage, unauthorized external transmission, function contamination, and difficulty in audit tracing may increase. Existing user-permission-based controls and static API-permission controls are useful for determining access availability and pre-authorized invocation scopes; however, they have limitations in sufficiently reflecting the risk level of functions executed by agents and the execution context at runtime. This paper defines the execution of external functions by financial automation agents as an independent unit of security control and proposes a runtime security control model based on an Integrated Risk Score (IRS), which combines Function Risk Level (FRL), Agent Trust Level (ATL), Context Escalation Factor (CEF), and Data Sensitivity Level (DSL). The proposed model is compared with user-permission-based control, static API-permission control, and ABAC/ZT-based control using eight evaluation criteria, three financial-business scenarios, and a policy-decision evaluation based on synthetic execution request logs. The evaluation results show that the proposed model can increase the risk request control rate to 91.1% by classifying risky requests into additional approval, step-up authentication, or blocking according to the IRS, rather than simply allowing or blocking them. However, the approval conversion rate also increases, indicating that a balance between security enhancement and operational approval burden should be considered in practical deployment.