Earticle

PACS has been run at the Kyung Hee University Medical Center since 2001, and the installation and operation of PACS have contributed to automation and quantification of centers medical environment. In order to classify the annual number of trouble cases processed by PACS, the authorshave made a classification code system which enabled detailed statistical processes for each section. Such process method has not only shown the management efficiency to trouble management of PACS, but also raised the interests in frequently occurring troubles, and enabled the prediction of troubles that may occur hereafter. Predictable troubles lead to preventive check, and this has direct effects on medical treatment and the hospital administration. The authors intend to arouse the necessity of preventive check of PACS by analyzing trouble management processes for the last 1 year.

In Korea more than 38,000 types of hazardous material(HAZMAT) are distributed, accordingly the accidents during transportation are also increasing. The agencies related to HAZMAT such as Environment Ministry, National Emergency Management Agency and National Police Agency have their own regulations. However, the classification criteria of HAZMAT are different to each other, which causes many problems in response to transportation accidents. In this study the classification standard of HAZMAT and the classification code using CAS number are suggested to manage HAZMAT efficiently. Through efficient management and standard classification of HAZMAT, the rapid and systematic response to transportation accidents related to HAZMAT is expected to be possible.

In the military, ammunition and explosives stored and managed can cause serious damage if mishandled, thus securing safety through the utilization of ammunition reliability data is necessary. In this study, exploratory data analysis of ammunition inspection records data is conducted to extract reliability information of stored ammunition and to predict the ammunition condition code, which represents the lifespan information of the ammunition. This study consists of three stages: ammunition inspection record data collection and preprocessing, exploratory data analysis, and classification of ammunition condition codes. For the classification of ammunition condition codes, five models based on boosting algorithms are employed (AdaBoost, GBM, XGBoost, LightGBM, CatBoost). The most superior model is selected based on the performance metrics of the model, including Accuracy, Precision, Recall, and F1-score. The ammunition in this study was primarily produced from the 1980s to the 1990s, with a trend of increased inspection volume in the early stages of production and around 30 years after production. Pre-issue inspections (PII) were predominantly conducted, and there was a tendency for the grade of ammunition condition codes to decrease as the storage period increased. The classification of ammunition condition codes showed that the CatBoost model exhibited the most superior performance, with an Accuracy of 93% and an F1-score of 93%. This study emphasizes the safety and reliability of ammunition and proposes a model for classifying ammunition condition codes by analyzing ammunition inspection record data. This model can serve as a tool to assist ammunition inspectors and is expected to enhance not only the safety of ammunition but also the efficiency of ammunition storage management.

최근에는 발전하는 정보통신 기술을 이용하여 악의적인 코드들이 제작되고 있고 이를 기존 탐지 시스템으로는 탐지하는게 역부족인 실정이다. 이러한 지능적이고 악의적인 코드를 정확하고 효율성 있게 탐지하고 대응하기 위해서는 지능적 탐지 모델이 필요하다. 그리고, 탐지 성능을 최대로 높이기 위해서는 악의적인 코드의 주요 특징 정보 집합으로 훈련하는 것이 중요하다. 본 논문에서는 지능적 탐지 모델을 설계하고 모델 훈련에 필요한 데이터를 변환, 차원축소, 특징 선택 단계를 거쳐 주요 특징 정보 집합으로 생성하는 기법을 제안하였다. 그리고 이를 기반으로 악의적인 코드별로 주요 특징 정보를 분류하였다. 또한, 분류된 특징 정보들을 기반으로 변형되거나 새로 등장하는 악의적인 코드를 분석하 고 탐지하는데 사용할 수 있는 공통 특징 정보를 도출하였다. 제안된 탐지 모델은 제한된 수의 특성 정보로 학습하여 악의적인 코드를 탐지하기에 탐지 시간과 대응이 빨리 이루어져 피해를 크게 줄일 수 있다. 그리고, 성능 평가 결과 값은 학습 알고리즘에 따라 약간 차이가 나지만 악의적인 코드 대부분을 탐지할 수 있음을 평가로 알 수 있었다.

In recent years, malicious codes are being produced using the developing information and communication technology, and it is insufficient to detect them with the existing detection system. In order to accurately and efficiently detect and respond to such intelligent malicious code, an intelligent detection model is required, and in order to maximize detection performance, it is important to train with the main characteristic information set of the malicious code. In this paper, we proposed a technique for designing an intelligent detection model and generating the data required for model training as a set of key feature information through transformation, dimensionality reduction, and feature selection steps. And based on this, the main characteristic information was classified by malicious code. In addition, based on the classified characteristic information, we derived common characteristic information that can be used to analyze and detect modified or newly emerging malicious codes. Since the proposed detection model detects malicious codes by learning with a limited number of characteristic information, the detection time and response are fast, so damage can be greatly reduced and Although the performance evaluation result value is slightly different depending on the learning algorithm, it was found through evaluation that most malicious codes can be detected.

Classification is a data mining technique widely used in critical domains like financial risk analysis, biology, communication network management, etc. Classification accuracy and learning from distributed datasets are the most challenging topics in the field of supervised learning. In this paper, we first briefly review the background of parallel and distributed classification algorithms and then propose a novel approach for classification in distributed large datasets. This approach is based on code migration instead of data migration. Extensive experimental results using a popular benchmark test suite show the effectiveness of this approach in term of accuracy. These results show also that the proposed method improved slightly classification accuracy over standard methods.

일본에서는 자연친화형 하천사업을 많이 시행하고 있다. 바람직한 수환경을 보전하고 복원하기 위해서는 하천내외의 생태계에 대한 수질기준을 정립하여야 한다. 본 논문에서는 생물학적 지표를 사용한 수질 분류 방법을 개발하여 나가사키현의 혼묘하천에 대하여 적용하였다. 이러한 수질 분류를 위하여, 수정된 오염물 지표 분류법을 제안하였다. 비교적 단순한 방법이지만, 가장 많은 종에 대한 3가지 지표만으로 수질을 효과적으로 평가할 수 있었다. 또한, 하천유역의 통합관리를 위하여 다양한 생태계 자료를 포함하는 종합적인 자료관리시스템을 개발하였다. 본 시스템을 사용하여 건전한 수환경을 보전하기 위한 각종 생태계 자료를 쉽게 취득할 수 있다. 본 연구의 결과를 사용하여 수질자료를 개선하고, 시민들의 의식을 고양하며, 하천관리계획을 세울 수 있을 것이다. 일본에서는, 자연친화적 하천복원사업에 있어서 시민들의 의식 및 행동이 가장 중요한 요소이다.

Nature-friendly river project has became common practice in Japan. In order to make it available for the conservation and rehabilitation of desirable water environment, water criteria for water environmental assessment must be established. Especially, the criteria estimating the effects on ecosystem in and around river should be constructed. In this paper, classification method for water quality has been developed using biological indices and applied to observed data in Honmyo River, Nagasaki, Japan. Modified PI method (BI') has been suggested and those of three most abundant species resulted effective estimate for an overall water quality with comparatively simple procedure. Extensive database management code was prepared for the comprehensive ecological monitoring of river basin, which includes various biota. That system enables easy access of all the ecological data for a dissemination of a sound and sustainable water environment. The result of this study could improve knowledge base, serve making consensus for citizens, and help river management plans. In Japan, citizen's realization and action are the most critical factor for nature-friendly river restoration project.

본 논문에서는 인구 조사에서 산업 및 직업 코드를 자동 분류하기 위한 인공지능 기반 시스템을 제안한다. 산업 및 직업 코드의 정확한 분류는 정책 결정, 자원 할당 및 연구를 위해 매우 중요하지만, 기존의 방식은 사람이 작성한 사례 사전에 의존하는 규칙 기반 방식으로 규칙 생성에 필요한 시간과 자원이 많이 소요되며 오류 발생 가능성이 높다. 우리는 본 논문에서 통계 기관에서 사용하는 기존의 규칙 기반 시스템을 대체하기 위해 사용자가 입력한 데이터를 이용하는 인공지능 기반 시스템을 제안하였다. 이 논문에서는 여러 모델을 학습하고 평가하여 산업에서 86.76%의 일치율, 직업에서 81.84%의 일치율을 달성한 앙상블 모델을 개발하였다. 또한, 분류 확률 결과를 기반으로 프로세스 개선 작업도 제안하였다. 우리가 제안한 방법은 전이 학습 기술을 활용하여 사전 학습된 모델과 결합하는 앙상블 모델을 사용하였으며, 개별 모델과 비교하여 앙상블 모델의 성능이 더 높아짐을 보였다. 본 논문에서는 인공지능 기반 시스템이 인구 조사 데이터 분류의 정확성과 효율성을 향상시키는 잠재력을 보여주며, 인공지능으로 이러한 프로세스를 자동화함으로써 더 정확하고 일관된 결과를 달성하며 기관 직원의 작업 부담을 줄일 수 있다는 점을 보여준다.

In this paper, we propose an AI-based system for automatically classifying industry and occupation codes in the population census. The accurate classification of industry and occupation codes is crucial for informing policy decisions, allocating resources, and conducting research. However, this task has traditionally been performed by human coders, which is time-consuming, resource-intensive, and prone to errors. Our system represents a significant improvement over the existing rule-based system used by the statistics agency, which relies on user-entered data for code classification. In this paper, we trained and evaluated several models, and developed an ensemble model that achieved an 86.76% match accuracy in industry and 81.84% in occupation, outperforming the best individual model. Additionally, we propose process improvement work based on the classification probability results of the model. Our proposed method utilizes an ensemble model that combines transfer learning techniques with pre-trained models. In this paper, we demonstrate the potential for AI-based systems to improve the accuracy and efficiency of population census data classification. By automating this process with AI, we can achieve more accurate and consistent results while reducing the workload on agency staff.

This study would seek a new methodology to draw out cultural items from novel texts. For this purpose, this study concretely investigated measures for assigning cultural classification codes to vocabulary in novel texts. The text to be analyzed was Jung-Hee Oh’s “Chinatown,” included in Analysis “Corpus for Novel Vocabulary”, published by the Academy of Korean Studies. Cultural classification codes were assigned to “Chinatown” in the following process: First, the HRAF Cultural Classification Code was examined. Of the two types of classification code in this file, the classification scheme of OCM by number codes was taken as a reference. Next, in the list of vocabulary in “Korean Language Education Vocabulary Content Development”, the HRAF Classification Code was assigned to the vocabulary for which the ‘subject’ and ‘meaning’ categories were presented. Lastly, this study assigned the HRAF Code for the vocabulary of “Korean Language Education Vocabulary Content Development” to “Chinatown” and assigned the HRAF Cultural Classification Code for the vocabulary, not in the vocabulary list. Also, this study concretely examined the examples concerning how the cultural classification codes were assigned in the work. This study has significance in that it provides the baseline data for cross-cultural studies through a novel, attempting an analysis of cultural vocabulary in the novel text by utilizing the HRAF Classification Scheme, widely used all over the world in Cultural Anthropology and prepares the ground for practical utilization in Korean Literature Education.

본 논문의 목적은 타이어에 각인되어 있는 DOT 코드 문자를 효과적으로 추출하는데 있다. 기존의 DOT 문자 인식 방법에서는 카메라와 조명에 의한 2차원 영상에서 DOT 문자 추출을 시도하였는데, 타이어는 DOT 문자와 배경이 동일한 색상이고, 조명에 민감해서 DOT 문자의 추출이 용이하지 않았다. 그래서, 본 논문에서는 타이어의 DOT 문자를 조명에 거의 영향을 받지 않는 3자원 레이저 스캐너를 이용해서 획득하고, 획득된 영상에서 높이 값 정보를 추출했으며 추출된 높이 값 정보를 가진 영상에 패턴 인식 기법을 적용하여 DOT 문자를 효과적으로 추출할 수 있었다.

머신러닝 기법을 다양한 분야에 사용되는 연구가 한창이다. 본 논문에서는 악성 코드의 분류 시스템에 머신러닝 기법을 적용하였다. 악성 코드 파일을 적당한 크기로 이미지화하여 텐서 플로우의 인셉션 V3에 적용하였다. 실험 결과, 이미지의 사이즈 조정과 파라미터 조정을 통해 매우 만족할 만한 수준으로 악성 코드를 잘 분류함을 확인할 수 있었다.

머신러닝 기법을 다양한 분야에 사용되는 연구가 한창이다. 본 논문에서는 악성 코드의 분류 시스템에 머신러닝 기법을 적용하였다. 악성 코드 파일을 적당한 크기로 이미지화하여 텐서 플로우의 인셉션 V3에 적용하였다. 실험 결과, 이미지의 사이즈 조정과 파라미터 조정을 통해 매우 만족할 만한 수준으로 악성 코드를 잘 분류함을 확인할 수 있었다.

SI(System Integration)에 대해서 학문적으로 또는 실용적으로 다양한 개념정의와 분류체계가 사용되고 있으나 기술변화의 속도와 보편화되어 가는 정보통신기술의 사용 등으로 인해서 분류체계의 항목의 범위와 적용의 유연성에 있어서 문제를 드러내고 있으며 무엇보다도 신규 SI 사업자의 사업방식을 반영하는 분류체계를 필요로 하고 있다. 이에 본 논문에서는 SI 분야의 일반적인 특정과 부가가치 창출활동을 중심으로 SI의 개념을 확장하고 있다. 그리고 재정립된 개념을 바탕으로 국내 SI시장의 특징을 반영할 수 있는 새로운 SI산업 분류체계를 제시하고 있다.

본 논문은 수동 코드 분류 규칙과 예제기반의 자동 학습을 이용하는 한국어 표준 산업/직업 코드 자동분류 시스템을 제안한다. 제안된 시스템은 산업과 직업에 대하여 설명하는 자연어를 입력받아 해당 산업/직업 분류 코드를 생성하는 시스템으로 수작업으로 구축된 규칙을 적용한 후 규칙이 적용되지 않는 레코드는 예제 기반의 학습을 이용한 자동 분류 시스템에 의해서 해당 코드를 할당한다.

본 논문은 통계청에서 실시하는 인구주택 총조사로부터 획득된 각 개인의 직업 및 직종을 기술하고 있는 자연어를 입력받아 입력된 자연어가 의미하는 한국 표준 산업/구업 분류 코드의 후보들을 생성하는 산업/직업 코드 분류 도구를 제안한다. 코드 분류는 분류할 코드를 문서 범주로 간주하면 문서 분류와 동일한 문제로 생각할 수 있다. 하지만 본 산업/직업 코드 분류 문제는 입력되는 자연어의 길이가 한 두 문장 정도로 매우 짧아 문서 분류에 사용될 자질들이 개수가 주어 기존의 문서 분류 기법을 적용하기 어렵다. 이에 본 논문은 표준 코드를 기술하고 있는 내용을 미리 색인하고 입력된 자연어로부터 질의어를 생성하여 벡터공간모델로 질의어를 검색후 질의어와 일치율이 가장 높은 코드들을 분류될 후보 코드로 계시하는 정보검색 기법을 이용한 산업/직업 코드 분류 도구를 개발하였다.

본 과제의 목표는 윈도우 환경에서 동작하는 악성코드를 분류하기 위한 방법론을 제시하고, 시험용 분류 시스템을 개발하는 데 있다. 악성코드를 크게 9개의 그룹으로 분류하고, 이를 다시 그룹의 특성이 맞는 여러 개의 클러스터로 구분하였다. 해당 클러스터에 속하는 악성코드는 최소한 클러스터의 기본 속성은 만족시킨다. 또한 악성코드가 소속되는 각각의 클러스터에서는 기준점을 기반으로 악성코드의 유사도가 계산되며, 이 유사도에 의해서 악성코드 분석가들은 기존의 악성코드와 새로운 악성코드의 유형 및 관련 정도를 파악하게 된다. 악성코드 분류 시스템은 정량적 분석과 정성적인 분석에 대한 결과를 보여주며, 챠트를 통하여 보기 쉽게 내용을 파악할 수 있다. 매일 수천 건의 악성코드가 발견되는 상황에서 악성코드 분석가들에게 기존 악성코드와의 유사도를 제공함으로써 분석의 시간과 노력을 줄여 줄 수 있다. 본 연구의 성과물은 향후 악성코드 예측 시스템의 초석으로 활용될 수 있을 것이다.

This project presents a classification methodology for malicious codes in Windows OS (Operating System) environment, develops a test classification system. Thousands of malicious codes are brought in every day. In a result, classification system is needed to analyzers for supporting information which newly brought malicious codes are a new species or a variety. This system provides the similarity for analyzers to judge how much a new species or a variety is different to the known malicious code. It provides to save time and effort, to less a faulty analysis. This research includes the design of classification system and test system. We classify the malicious codes to 9 groups and then 9 groups divide the clusters according to the each property. This system provides the similarity for analyzers to save time and effort. It is used prospect system of malicious code in the future.

의료분야의 데이터 활용에 있어서 환자의 임상정보 중 가장 중요한 것은 진단명이다. 의료정보의 양적 증가와 더불어 데이터의 질이 보장되지 않는다면 어떠한 결과도 신뢰할 수 없다. 본 연구는 환자의 상병코드 분류 오류 및 누락을 줄이기 위하여 KCD 지침을 토대로 산과 상병분류 지식을 지식베이스로 구축하고 상병코드 분류 지원 시스템을 구축하였다. 본 시스템의 특징은 산과(産科) 상병을 대상으로 분만, 출산 및 산후기와 관련된 지식을 규칙으로 정의하여 정의된 지식베이스를 기존의 퇴원환자 분석 시스템에 연결하였다는 점이다. 지식과 처리과정이 완전히 분리되어 지식이 변경되거나 추가될 때는 상병분류 전문가가 직접 규칙을 정의할 수 있다. 상병분류 지식베이스는 이러한 규칙이 필요한 시스템이나 상병코드 분류의 품질평가 등에 재사용될 수 있다. 본 연구의 제한점은 주진단과 기타진단을 구별 하지 않았다는 점과 규칙만을 지식베이스로 구축하여 규칙에서 벗어나는 문제들은 해결할 수 없다는 것이다. 규칙에 의한 방법은 전문가의 주관에 의해 자칫 객관적이지 못하며 규칙이 많을 경우 충돌 문제가 있다. 향후 이러한 점을 고려하여 데이터마이닝 기술을 이용한 사례기반을 적용하여 보다 정교화된 지식습득이 요구된다. 본 시스템은 그 동안 국내 시도되지 않았던 상병분류 전문 지식을 지식베이스로 구축하여 퇴원분석 업무에 적용하였다는데 의의가 있다. 특히 상병분류 문의와 오류, 부가코드 누락이 많은 산과를 대상으로 하였다는 점에서 유용하다.

Using data in the field of medicine, "diagnosis" among all the patients' clinical data is most important. As the quantity of medical information is growing, it is critical to acquire guaranteed quality of data, if not, its outcome is hard to rely on. In this study, the knowledge base was built with obstetric department and diagnosis classification according to the KCD guidelines, and the support system for disease code classification was constructed in order to reduce the errors in disease code classification and code omissions, as well as to raise the classification accuracy. The main characteristic of this system is the connection of the knowledge base defined with the rules of pregnancy, childbirth and puerperium related knowledge, with the existing discharged patient analysis system. In the time of some knowledge is changed or added, the disease code specialist can self-define the rule as the knowledge data and the processing process is completely separated. Disease code knowledge base can be reused for other systems that need such rules, or quality evaluation of disease code classification, etc. The limit of this study is that it is hard to tell the main diagnosis and others diagnosis, and it is impossible to solve the problems out of rules, as the knowledge base was built only on the basis of rules. Rule based solution could be biased due to the specialist's subjective view, or crashed when too many rules are involved. Regarding this, more elaborated knowledge acquisition is needed by adopting case base using data mining. This system is meaningful in a regard that a knowledge base was constructed in a basis of disease classification expertise and applied to the discharged patient analysis work at the hospital which was never tried before domestically. It is especially useful as this is for the maternity ward which is full of questions on disease classification, errors and omission of added code.

안전은 해군과 같은 위험성이 높은 환경에서 활동하는 조직에게 필수적이다. 효과적인 안전관리는 지속적인 개선과 보완을 통해 유지되어야 하며, PDCA cycle을 활용하는 것이 일반적이다. 하지만 해군에서는 안전 규정 강화와 교육 확대에도 불구하고 안전사고가 지속적으로 발생하고 있다. 이는 안전사고 분석 및 분류 시스템 개선의 필요성을 보여준다. 본 연구에서는 해군 안전사고 분류체계를 분석하고 문제점을 파악하여 효과적인 분류체계를 구축하는데 중점을 두었다. 이를 통해 안전사고 결과를 데이터화하고, 사고의 근본 원인을 파악하며, 중장기적인 안전관리 정책 수립에 기여할 수 있도록 12자리의 해군 안전사고 분류 코드를 제안하였다.

Safety is essential for organizations operating in high-risk environments, such as the Navy. Effective safety management requires continuous improvement and supplementation, commonly achieved through the PDCA (Plan-Do-Check-Act) cycle. Despite reinforced safety regulations and expanded education, safety accidents persist in the Navy, indicating a need to enhance the safety accident analysis and classification system. This study aims to analyze and identify the shortcomings of the current Navy safety accident classification system to establish a more effective framework. By doing so, we will be able to register the results of safety accidents, identify their root causes, and propose a 12-digit Navy safety accident classification code. This code will contribute to the development of mid- to long-term safety management policies.

최근 IT 산업의 지속적인 발전으로 사용자들을 위협하는 악성코드, 피싱, 랜섬웨어와 같은 사이버 공격 또한 계속해서 발전하고 더 지능화되고 있으며 변종 악성코드도 기하급수적으로 늘어나고 있다. 지금까지의 시그니처 패턴 기반의 탐지법으로는 이러한 방대한 양의 알려지지 않은 악성코드를 탐지할 수 없다. 따라서 CNN(Convolutional Neural Network)을 활용하여 악성코드를 탐지하는 기법들이 제안되고 있다. 이에 본 논문에서는 CNN 모델 중 낮은 인식 오류율을 지닌 모델을 선정하여 정확도(Accuracy)와 F1-score 평가 지표를 통해 비교하고자 한다. 두 가지의 악성코드 이미지화 방법을 사용하였으며, 2015 년 이후 ILSVRC 에서 우승을 차지한 모델들과, 추가로 2019 년에 발표된 EfficientNet 을 사용하여 악성코드 이미지를 분류하였다. 그 결과 2 바이트를 한 쌍의 좌표로 변환하여 생성한 256 * 256 크기의 악성코드 이미지를 ResNet-152 모델을 이용해 분류하는 것이 우수한 성능을 보임을 실험적으로 확인하였다.