Earticle

본 연구에서는 스마트워치(갤럭시 워치 4–6)에서 얻은 심박수·걸음수 데이터만으로 주 단위 우울(PHQ-9)·불안(GAD-7) 상태를 예측하고, 시간대·행동 패턴 기반 디지털 바이오마커 후보를 탐색하였다. 우울·불안 상태 예측을 위해서 세 가지 그래디언트 부스팅 모델(LightGBM, XGBoost, CatBoost)을 적용하여 비교 평가 하였다. 데이터는 국내 대학생 및 정신건강의학과 외래 환자 18명으로부터 총 68개 주차 표본을 수집하였으며, 1분 단위 시계열에서 시간대, 요일, 활동 세션 특징을 추출해 LightGBM, XGBoost, CatBoost로 분류하였다. 주차 단위 층화 교차검증 기준으로 PHQ-9 3분류 정확도는 약 0.65–0.72 범위로 나타났으며, PHQ-9 3분류에서는 XGBoost의 전체 정확도가 0.721로, GAD-7 이진 분류에서는 LightGBM이 정확도 0.765, 불안 증상군 재현율 0.611로 가장 높은 성능을 보였다. 다만 참여자 단위 교차검증(LOSO)에서는 정확도가 각각 0.647, 0.662로 하락하고 GAD-7에서는 모델 간 우열이 유지되지 않아, 이러한 모델 간 비교 결과는 검증 방식에 민감한 탐색적 결과로, 특정 모델의 일반적 우수성을 의미하지 않는다. 특징 중요도 분석에서는 정오–초저녁(약 10–18시) 시간대의 심박수, 오후 및 저녁 활동량, 심박 변화 비율 및 활동 세션 강도가 주요 예측 특징으로 나타나, 스마트워치 기반 심박·걸음수만으로도 주 단위 정신건강 상태 예측과 해석 가능한 디지털 바이오마커 설계 가능성을 시사한다.

This pilot study aimed to predict weekly depression (PHQ-9) and anxiety (GAD-7) status using only heart rate and step count data obtained from commercial smartwatches (Galaxy Watch 4–6), and to explore candidate digital biomarkers based on time-of-day and behavioral patterns. Specifically, we compared the prediction performance of three gradient boosting models—LightGBM, XGBoost, and CatBoost—for depression and anxiety status classification. We enrolled 18 participants (12 nonclinical undergraduates at Gachon University and 6 psychiatric outpatients at Seoul Asan Medical Center) and constructed 68 participant-week samples, from which we extracted time-of-day, day-of-week, and activity-session features from 1-minute heart rate and step count time series to train gradient boosting classifiers. Under stratified week-level cross-validation, the PHQ-9 three-class models achieved accuracies of approximately 0.65–0.72, with XGBoost showing the highest overall accuracy (0.721), while LightGBM exhibited the strongest overall performance for binary GAD-7 classification with an accuracy of 0.765, a recall of 0.611, and an F1 score of 0.579 for the elevated-anxiety group. However, under leave-one-subject-out(LOSO) validation, accuracies decreased to 0.647 and 0.662, respectively, and the model ranking for GAD-7 was not preserved, indicating that these model comparisons should be interpreted as exploratory baselines sensitive to the validation scheme. Feature importance analyses indicated that time-of-day heart rate (roughly 10:00–18:00), afternoon-to-evening activity, heart-rate change ratios, and activity-session intensity were commonly important predictors, suggesting that smartwatch-based heart rate and step count alone may support weekly mental health status prediction and the design of interpretable digital biomarkers.

컨테이너 기반 마이크로서비스는 마이크로서비스 아키텍처의 실현 방법으로 컨테이너 오케스트레이션 프레임워크를 통해 컨테이너화된 마이크로서비스를 관리하고 경량 통신 프로토콜을 사용하여 마이크로서비스 간 약결합을 구현한다. 컨테이너 기반 마이크로서비스는 컨테이너 기술, 약결합 기술 등의 다양한 유형의 기술 결합으로 인해 기술적 복잡성이 높고, 이에 따라 오류의 분석 및 처리와 같은 서비스 관리가 어렵다는 문제가 있다. 이러한 어려움을 해소하기 위해 생성형 AI와 같은 약 인공지능 기술의 도입 시도가 늘어나고 있다. 그러나 생성형 AI의 적용 시, 복잡성이 높은 마이크로서비스 아키텍처에 대한 질의는 환각(hallucination) 문제의 주요 원인이 된다. 이에 본 논문에서는 검색 증강 생성(Retrieval-Augmented Generation, RAG)을 활용하여 컨테이너 기반 마이크로서비스의 오류 처리에 적용하는 방법을 제안한다. 제안하는 방법은 컨테이너 기반 마이크로서비스의 오류 유형을 분류하고 RAG 적용을 위한 지식 베이스를 구축한 후, 지식 베이스를 활용하여 RAG 프로세스를 적용하는 것을 핵심으로 한다. 오픈소스 마이크로서비스 아키텍처 프로젝트를 대상으로 한 오류 처리 사례 연구를 통해 제안하는 방법의 실질적인 활용 가능성을 검증하였다. 생성형 AI의 답변 생성을 고도화하는 다른 기법들인 생성형 AI 파인튜닝, Zero-Shot Chain-of-Thought(CoT), Self-Refine 기법과의 비교 평가를 수행한 결과, 제안하는 방법이 수행 시간 측면에서 각각 390.528초, 18.966초, 26.047초만큼 우수한 성능을 보임을 확인하였다. 본 연구에서 제안하는 방법은 컨테이너 기반 마이크로서비스를 안정적으로 운영하기 위한 기반 기술로 활용될 수 있을 것으로 기대된다.

Container-based microservices are an implementation approach of microservice architecture that manages containerized microservices through container orchestration frameworks and realizes loose coupling between microservices using lightweight communication protocols. However, container-based microservices involve a combination of various technologies, such as container technologies and loose coupling mechanisms, which leads to high technical complexity. As a result, service management tasks such as error analysis and handling become difficult. To address these challenges, attempts to introduce weak artificial intelligence technologies, such as generative AI, have been increasing. However, when applying generative AI, queries related to highly complex microservice architectures become a major cause of hallucination problems. Therefore, this paper proposes a method for applying Retrieval-Augmented Generation(RAG) to error handling in container-based microservices. The core of the proposed method is to classify error types in container-based microservices, build a knowledge base for RAG application, and then apply the RAG process using this knowledge base. The practical applicability of the proposed method is verified through a case study of error handling on an opensource microservice architecture project. In addition, a comparative evaluation is conducted against other techniques that enhance answer generation in generative AI, including generative AI fine-tuning, Zero-Shot Chain-of-Thought(CoT), and the Self-Refine method. The results show that the proposed method outperforms these techniques in terms of execution time by 390.528 seconds, 18.966 seconds, and 26.047 seconds, respectively. The proposed method is expected to be utilized as a foundational technology for the stable operation of container-based microservices.

Deep Q-Network(DQN)은 신경망을 통한 Q-함수 근사 및 경험 재생 도입으로 고차원 상태 공간 문제를 해결하고 학습 안정성과 샘플 효율성을 높여 강화학습 응용 분야에서 널리 활용되고 있으나, 학습 효율 및 성능 개선을 위한 추가적인 기법의 필요성이 지속적으로 제기되어 왔다. 본 논문은 DQN의 성능 향상을 위해 다양한 개선 기법들을 제안하고 이들의 조합 전략에 따른 성능 변화를 실험적으로 평가하여 체계적으로 분석하여 제안한다. 본 연구에서는 세 가지 핵심 성능 개선 기법을 고려한다. 첫 번째 기법은, 사전 학습된 모델을 활용한 행동 유사도 기반 버퍼링 기법으로, 코사인 유사도와 자체 정의한 규칙 기반 방식을 통해 사전 학습된 모델의 행동과 유사도를 평가하고 경험의 우수한 정도를 나누어 차등적으로 경험 재생 메모리에 중복 저장한다. 두 번째 기법은, 보상 기반 버퍼링 기법으로, 에이전트가 양의 보상을 획득할 시, 해당 경험을 우선적으로 경험 재생 메모리에 저장한다. 마지막으로, 에이전트가 행동을 취할 때 얻을 수 있는 환경에서 주어지는 보상에 추가적인 보상 조정 기법을 적용한다. 본 연구에서는 Gymnasium의 Box2D Car Racing 환경을 실험 환경으로 활용하며, 각 기법의 개별 효과 분석과 함께 다양한 조합 시나리오에 대한 성능 평가를 수행한다. 본 연구는 각 기법이 DQN의 학습 과정에 미치는 영향을 정량적으로 분석하고, 특정 환경 조건에서 최적의 기법 조합 전략을 제시함으로써 DQN 기반 강화학습 시스템의 설계 및 구현에 실용적인 가이드라인을 제공한다.

Deep Q-Network(DQN) has been widely utilized in reinforcement learning applications by introducing Q-function approximation via neural networks and experience replay, which addresses the challenges of high-dimensional state spaces and enhances learning stability and sample efficiency. Nevertheless, the continuous need for additional techniques to further improve learning efficiency and performance has been consistently raised. This paper proposes various enhancement techniques for DQN performance improvement, systematically analyzes them, and presents an evaluation of performance changes based on different combination strategies. This study considers three core performance improvement techniques. The first technique is an action-similarity-based buffering method that leverages a pre-trained model. It evaluates the similarity between actions of the pre-trained model using cosine similarity and a self-defined rule-based approach, differentially storing experiences of superior quality multiple times in the experience replay buffer. The second technique is a reward-based buffering method, where experiences yielding positive rewards are prioritized for storage in the buffer. Finally, an additional reward shaping technique is applied to the environmental rewards obtained when the agent takes an action. This research utilizes the Gymnasium's Box2D Car Racing environment for experimentation, conducting performance evaluations for various combination scenarios alongside an analysis of the individual effect of each technique. By quantitatively analyzing the influence of each technique on the DQN learning process and proposing an optimal combination strategy under specific environmental conditions, this study provides practical guidelines for the design and implementation of DQN-based reinforcement learning systems.

현재 상용화된 대부분의 LLM들은 일반 도메인 지식에 초점이 맞춰져 있어, 과학기술과 같은 고도로 전문화된 분야에서 요구되는 깊이 있는 지식과 복잡한 시각적 정보를 제대로 이해하고 처리하는 데 상당한 한계를 보이고 있다. 또한 매년 280만 건 이상 발표되는 학술 논문 속의 복잡한 시각적 정보와 전문 지식을 효과적으로 처리하는 데에도 제약이 있다. 본 연구는 이러한 문제점들을 해결하기 위해 과학기술 분야의 복합 문서에 대한 이미지-텍스트 멀티모달 학습데이터를 자동으로 생성하고 품질을 검증하는 통합 프레임워크를 제안한다. 특히 Knowledge Graph를 기반으로 한 체계적인 문서 구조 관리, Active Learning 및 강화학습 기반 품질 개선, 그리고 완전 자동화된 데이터 생성 파이프라인 구축을 통해 사람의 개입을 최소화하면서도 고품질의 과학기술 특화 MLLM 학습 데이터셋을 생성할 수 있는 기반을 제공한다. 본 프레임워크는 기존 수작업 대비 데이터 구축 비용을 획기적으로 절감함과 동시에, 지식 그래프를 통한 논리적 일관성 확보로 과학기술 특화 MLLM의 성능을 고도화할 수 있는 실질적인 토대를 마련하였다. 실험 결과, Qwen2.5-VL(3B) 기준 구축 데이터셋에서 Baseline 대비 GPT-4 Score는 37.6에서 81.4로 43.8점 향상되었고, Accuracy는 43.6%에서 84.7%로 41.1%p 향상되어 제안 프레임워크의 효과를 확인하였다.

Commercial LLMs focus primarily on general-domain knowledge, limiting their capacity to comprehend the deep expertise and complex visual information required in highly specialized science and technology(S&T) fields, particularly across the 2.8 million+ academic papers published annually. To bridge this gap, we propose an integrated framework that automatically generates and validates image-text multimodal training data for complex S&T documents. By combining Knowledge Graph (KG)-based structural management, Active and Reinforcement Learning-driven quality enhancement, and a fully automated pipeline, our framework minimizes human intervention to establish a robust foundation for high-quality, domain-specialized MLLM datasets. This approach drastically cuts data curation costs compared to manual workflows while ensuring logical consistency via KGs to advance MLLM performance. Experimental results on Qwen2.5-VL (3B) confirm the framework's efficacy: our dataset significantly boosted the baseline GPT-4 Score from 37.6 to 81.4 (+43.8 points) and enhanced accuracy from 43.6% to 84.7% (+41.1%p).

해안감시레이다 운용 교육은 실제 장비의 가용성, 높은 비용 및 악천후·돌발상황 재현의 제약으로 인해 반복훈련에 한계가 있다. 본 연구에서는 육상 기반 해양감시 임무를 대상으로 통제계층, 신호 합성·융합계층 및 전시·조작계층으로 구성된 PC 기반 교육훈련용 시뮬레이터 운용 소프트웨어 아키텍처를 설계하고 구현하였다. 제안 시스템은 가상 표적과 선박자동식별장치(AIS) 데이터를 생성하고, 레이더 방정식의 거리 감쇠 특성과 정규분포 기반의 단순화된 해면 클러터 모델을 이용하여 PPI 전시자료를 생성한다. 또한 사용자 조작 로그를 기반으로 탐지 지연시간, 추적 유지율 및 오탐지 횟수를 산출하는 사후강평(AAR) 기능을 구현하였다. 성능시험 결과, 500개 표적 조건에서 네트워크 송신 지연은 9.5 ms, 전시부 렌더링 성능은 58 FPS로 측정되었다. 10명을 대상으로 실시한 예비 사용자 실험에서는 반복훈련 후 표적 탐지시간과 오탐지 횟수가 감소하고 재탐지 성공률이 증가하는 경향을 확인하였다. 다만 전문 운용자를 대상으로 한 확대 검증과 실제 레이더 수신자료를 활용한 클러터 모델의 보정이 추가로 필요하다. 본 연구의 결과는 향후 해양감시 및 관제 훈련 시뮬레이터의 운용성 향상을 위한 기초자료로 활용될 수 있다.

Coastal surveillance radar operator training is constrained by limited access to operational equipment, high costs, and difficulties in reproducing severe weather conditions and unexpected events, which restrict opportunities for repeated training. To address these limitations, this study designed and implemented a PC-based operational software architecture for a training simulator intended for land-based maritime surveillance missions. The proposed architecture consists of a control layer, a signal synthesis and fusion layer, and a display and interaction layer. The system generates virtual targets and Automatic Identification System(AIS) data and produces Plan Position Indicator(PPI) display data using the distance attenuation characteristics of the radar equation and a simplified sea-clutter model based on a normal distribution. In addition, an After-Action Review (AAR) function was implemented to calculate target detection delay, track retention rate, and the number of false alarms based on user operation logs. Performance testing showed that, under a condition involving 500 targets, the network transmission latency was 9.5 ms and the display rendering performance was 58 frames per second(FPS). A preliminary user study involving ten participants showed a tendency toward reduced target detection time and fewer false alarms, as well as an increased target reacquisition success rate, after repeated training. However, further validation involving professional radar operators and calibration of the clutter model using actual radar-received data are required. The results of this study can serve as a foundation for improving the operational effectiveness of future maritime surveillance and control training simulators.

본 연구는 AI 레드팀 평가 과정에서 인간 평가자와 자동화 평가기가 보이는 인지 편향을 식별·완화하기 위한 절차적 프로토콜인 CBRP(Cognitive Bias Reduction Protocol)를 제안한다. 기존 AI 안전성 평가 프레임워크는 프롬프트 인젝션, 데이터 유출, 유해성·환각 등 기술적 취약점 탐지에는 강점을 보이지만, 평가자의 확증 편향·정박 효과·집단 사고가 결과 해석과 우선순위화에 미치는 영향은 상대적으로 충분히 다루지 못했다. 이에 본 연구는 편향 발생 지점을 ① 시나리오 설계, ② 독립 평가, ③ 다중 모델 교차채점, ④ 불일치 검토, ⑤ 사후 보정의 다섯 단계로 구조화하고, 각 단계의 입력·처리·출력을 명시한 CBRP를 설계하였다. 또한 OWASP AI Testing Guide, AISI계열 안전성 평가 지침, HarmBench 등 기존 프레임워크 및 벤치마크와의 비교를 통해 제안 방식의 위치를 체계적으로 정리하였다. 실험은 의료·금융·채용 도메인에서 15명의 인간 평가자와 복수의 LLM 평가기를 활용한 탐색적 준실험으로 설계하였다. 본문의 정량 결과는 모델의 절대적 성능을 입증하기보다, CBRP의 적용 가능성을 확인하는 기초 자료로서 의미를 부여하였으며, 모델 버전·프롬프트 조건·온도·가중치 보정 방식·평가 척도를 명시함으로써 재현 가능성을 높이고자 하였다. 본 연구의 핵심 의의는 AI 안전성 논의를 기술적 취약점 진단 수준을 넘어, 인간과 모델 간 상호작용에서 비롯되는 인지적 편향 및 오류 관리 영역으로 넓혔다는 데 있다.

This study proposes the Cognitive Bias Reduction Protocol(CBRP), a procedural framework for identifying and mitigating cognitive bias in AI red team evaluation. Existing AI safety evaluation frameworks are effective at testing prompt injection, harmful output, data leakage, and hallucination, but they pay comparatively less attention to how human evaluators' confirmation bias, anchoring, and groupthink distort scoring and prioritization. According to this problem setting, CBRP structures bias control into five stages: scenario design, independent scoring, multi-model cross-evaluation, disagreement review, and post-hoc calibration. The paper also positions the proposed protocol against prior frameworks such as the OWASP AI Testing Guide, AISI-style safety evaluation guidance, and HarmBench. This study conducted an exploratory quasi-experiment across healthcare, finance, and hiring using 15 human evaluators and multiple LLM evaluators. Rather than claiming definitive performance, the quantitative findings serve as preliminary evidence of applicability; by detailing our experimental conditions, we ensure reproducibility and extend AI safety evaluation to include cognitive error management.

좌심실 박출 계수는 심장 기능을 측정하기 위한 중요한 바이오마커이다. 본 논문에서는 심장 cine MRI에서 심장의 단축 영상이 아닌 장축 영상으로부터 좌심실 박출 계수를 추정하는 방법을 제안한다. 장축 영상에서 좌심실을 자동으로 분할하는 딥러닝 모델을 학습하였다. 테스트 데이터셋에 대해 학습한 모델로 매 프레임별 좌심실을 분할한 후 면적을 계산한다. 본 연구에서는 대비 제한 적응 히스토그램 평활화(CLAHE: contrast-limited adaptive histogram equalization), 명암대비 스트레칭(contrast stretching)과 같은 영상 전처리 기법, 모델 학습을 위한 2챔버(2-chamber)/4챔버(4-chamber) 장축 영상 슬라이스 선택 방식, 테스트를 위한 2-chamber/4-chamber 장축 영상 선택, 면적-길이 정보 또는 면적 정보만을 이용한 좌심실 박출 계수 계산 방식 등 다양한 옵션에 대해 성능을 비교 분석하였다. 테스트 결과 2-chamber 영상만으로 모델 학습 및 테스트를 진행하고, 면적 정보만으로 좌심실 박출 계수를 예측하였을 때, 평균 제곱근 오차(RMSE: root mean square error)와 피어슨 상관 계수 지표에서 우수한 성능을 보였다.

Left ventricular ejection fraction(LVEF) is an important biomarker for assessing cardiac function. In this study, we propose a method for estimating LVEF from long-axis cardiac cine MRI, rather than from short-axis slice images. A deep learning model was trained to automatically segment the left ventricle in long-axis images. For the test dataset, the trained model was used to segment the left ventricle in each frame, and the corresponding area was calculated to estimate LVEF. This study comparatively analyzed the performance of various methodological options, including image preprocessing techniques such as contrast-limited adaptive histogram equalization(CLAHE) and contrast stretching; slice selection strategies for 2-chamber and/or 4-chamber long-axis images for model training; selection of 2-chamber and/or 4-chamber images for testing; and different approaches for LVEF calculation using area-length information or area information alone. The experimental results demonstrated that superior performance, in terms of root mean square error (RMSE) and Pearson correlation coefficient, was achieved when the model was trained and tested using only 2-chamber images, and when LVEF was estimated using area information alone.

구글, 아마존 등 빅테크 기업은 수십개의 자체적 데이터센터를 보유하고 있고 AI의 확산에 따라 AI 데이터센터의 수요도 급증하고 있다. 본 논문에서는 ISO/IEC JTC 1/SC 39, ITU-T SG 5, TGG 등의 표준안들을 중심으로 그린 데이터센터의 설계와 운영 표준, 그린 데이터센터의 KPI 표준, 데이터센터의 시설 및 인프라구조 표준, 데이터센터 자원 예측 표준, 지진, 회복탄력성, 성숙도, 액체 쿨링, AI와 지속가능성과 관련된 기타 표준의 내용을 소개한다. ISO/IEC 30134-2 PUE 표준은 그린데이터센터인증위원회에서 그린데이터센터인증을 위한 기준으로 적극 활용하고 있고 30134-4 ITEESV 표준은 TTA에서 컴퓨팅 장비 효율 인증에 사용하고 있다. 본 연구는 인공지능 데이터센터 진흥을 위한 특별법 제정 등 데이터센터 관련 정책 개발, 국내 데이터센터 관련 인증기관의 데이터센터나 컴퓨팅 장비 관련 인증제도를 개발하기 위한 참고 자료로 활용할 수 있다.

Big Tech companies such as Google and Amazon possess dozens of their own data centers, and the demand for AI data centers is rapidly increasing due to the spread of AI. This paper explains the design and operation standards, KPI standards, facility and infrastructure standards, resource forecasting standards, and other standards related to seismic activity, resilience, maturity model, liquid cooling, and sustainable AI development, focusing on standards from ISO/IEC JTC 1/SC 39, ITU-T SG 5, and TGG. The ISO/IEC 30134-2 PUE standard is actively utilized by the Green Data Center Certification Committee as a criterion for Green Data Center certification, while the 30134-4 ITEESV standard is used by TTA for computing equipment efficiency certification. This study can serve as a reference for developing data center-related policies, such as the enactment of a special act for the promotion of AI data centers, and for establishing certification systems for data centers or computing equipment by domestic data center certification bodies.

사물인터넷(Internet of Things) 센서와 머신러닝을 결합한 상수도 누수 탐지 연구는 고속 푸리에 변환(Fast Fourier Transform)으로 얻은 수백~수천 차원의 주파수 스펙트럼을 머신러닝 분류기에 입력하여 누수 여부를 판단하는 방식으로 이루어진다. 기존 연구는 고차원 스펙트럼을 차원 축소 없이 그대로 사용하므로, 계산 능력이 제한된 저전력 엣지 디바이스에서 직접 동작하는 추론 서비스를 제공하기 어렵다. 본 연구는 누수 판별 정보가 좁은 주파수 대역의 봉우리 형태에 집중된다는 특성에 착안하여, 스펙트럼을 11개의 이동 불변 특징으로 압축하고 10개 분류기에 대해 전체 스펙트럼 입력과 압축 특징 입력의 성능과 계산량을 비교하여, 저전력 엣지 배포를 위한 실용적 경량화 설계 지침을 제시하였다. 트리 앙상블 계열은 입력 차원을 약 186배 축소하고도 누수 탐지 성능의 약98.6%를 유지하며 학습 시간을 최대 약 411배 단축하였고, 선형 및 커널 계열은 추론 시간과 모델 크기를 각각 최대 약 155배와 210배 절감하였다. 제안한 이동 불변 특징은 스펙트럼 봉우리의 절대적 위치가 아닌 형태를 포착하므로, 배관의 지름과 재질에 따라 누수 주파수가 달라지는 현장에서도 일반화 가능성이 기대된다.

Research on water-pipeline leak detection that combines Internet of Things sensors with machine learning feeds a frequency spectrum of hundreds to thousands of dimensions, obtained by the Fast Fourier Transform, into a machine-learning classifier to determine whether a leak has occurred. Because prior studies use the high-dimensional spectrum without dimensionality reduction, it is difficult to provide an inference service that runs directly on low-power edge devices with limited computing capacity. Observing that the discriminative leak information concentrates in the peak shape within a narrow frequency band, this study compresses the spectrum into eleven shiftinvariant features and, across ten classifiers, compares the performance and computation of full-spectrum input and compressed-feature input, thereby providing practical design guidelines for deployment on low-power edge devices. Tree-based ensemble classifiers reduced the input dimension about 186-fold while retaining about 98.6% of leak-detection performance and shortening training time by up to about 411-fold, and linear- and kernel-based classifiers reduced inference time and model size by up to about 155-fold and 210-fold, respectively. Because the proposed shift-invariant features capture the shape rather than the absolute position of spectral peaks, they are expected to generalize to sites where the leak frequency varies with the diameter and material of the pipe.

본 연구는 다중매개변수 MRI 기반 뇌종양 분할에서 설계 요소의 조건부 성능 변화를 분석하기 위해 ConvNeXt V2 계열 3D 인코더, dilated depthwise residual 병목 및 Attention Gate를 결합한 CXU-Net을 구성하였다. BraTS-GLI 2024의 1,377개 증례를 인코더 비교와 최종 5-fold 교차검증에 사용하고, 120개 하위집합에서 병목·스킵 연결·손실 함수를 30 epochs 동안 단계적으로 평가하였다. 선택 경로에서 평균 Dice는 0.772에서 0.806으로, ET Dice는 0.633에서 0.725로 증가하였다. 20.8M 파라미터의 최종 모델은 5-fold 교차검증에서 WT 0.917±0.004, TC 0.881±0.007, ET 0.792±0.011, 평균 Dice 0.863±0.007을 기록하였다. 경계 Dice 보조항과 SE 결합은 추가 개선을 보이지 않았다. 결과는 개별 요소의 순수 기여도가 아닌 greedy selection 경로의 조건부 변화로 해석해야 한다.

This study presents CXU-Net, combining a ConvNeXt V2-style 3D encoder, a dilated depthwise residual bottleneck, and Attention Gate skip connections for multiparametric MRI brain tumor segmentation. Encoder comparison and final five-fold cross-validation used 1,377 BraTS-GLI 2024 cases; component evaluations used 120 cases for 30 epochs. Along the greedy path, mean Dice increased from 0.772 to 0.806 and enhancing tissue(ET) Dice from 0.633 to 0.725. The 20.8M-parameter model achieved WT 0.917±0.004, TC 0.881±0.007, ET 0.792±0.011, and mean Dice 0.863±0.007. Neither the boundary- Dice auxiliary term nor the SE combination yielded further gains. Results indicate conditional changes along the selected path rather than isolated component effects.

본 연구는 공개 저장소 기반 파이썬 코드 보호 도구 9종의 아키텍처, 배포 특성 및 실행 호환성을 비교하였다. 공식문서, 라이선스, 저장소 정보 및 기준 커밋을 분석하고, Python 3.12에서 실행 가능한 6종을 기본 기능 코드와 현대 문법 코드로 검증하였다. 분석 결과 네 가지 아키텍처 유형이 확인되었다. 5종은 최근 12개월 이내 활동한 반면, 4종은 24개월 이상 활동이 없었다. 기본 기능 코드에서는 6종 모두 10회 변환에서 기능 동등성을 유지했으나, 산출물 크기는 원본 대비 0.681~530.551배로 차이가 컸다. 현대 문법 코드에서는 2종만 기준 출력과 일치하였다. 따라서 도구 선택 시 문법 호환성, 배포 의존성, 설정 및 라이선스를 함께 검토해야 한다.

This study compares nine Python code protection tools from public repositories in terms of architecture, deployment characteristics, and runtime compatibility. Documentation, licenses, repository metadata, and reference commits were analyzed, while six tools were tested under Python 3.12 with basic and modern-syntax programs. Four architectural types were identified. Five repositories were active within 12 months, whereas four had been inactive for over 24 months. All tested tools maintained functional equivalence across ten basic-program transformations, but artifact sizes ranged from 0.681 to 530.551 times the original. Only two matched the reference output for modern syntax. Tool selection should therefore consider syntax compatibility, deployment dependencies, configuration, and licensing.