Earticle

본 연구는 초등학생의 컴퓨팅 사고력을 향상시키기 위한 교육 방법으로 데이터 라벨링 중심의 머신러닝 교 육 프로그램을 개발하여 적용한 후 그 효과를 검증하였다. 교육 프로그램은 현직 초등학교 교사 100명을 대상으 로 실시한 사전 요구분석 결과를 바탕으로 설계 및 개발을 진행하였다. 개발한 교육 프로그램의 효과를 검증하 기 위하여 K 초등학교에 재학 중인 6학년 학생 17명을 대상으로 1일 2차시씩 총 6주간 12차시의 교육을 진행하 였다. 해당 교육이 컴퓨팅 사고력 향상에 미친 효과를 측정하기 위해 '비버챌린지(Bebras Challenge)'를 활용하 여 사전 사후 검사를 진행하여 교육적 효과를 분석하였다. 분석 결과 데이터 라벨링 중심의 머신러닝 교육이 초 등학생의 컴퓨팅 사고력 향상에 기여한 것으로 나타났다.

This study verified the effectiveness of machine learning education programs focused on data labeling as an educational method for improving computational thinking of elementary school students. The education program was designed and developed based on the results of a preliminary demand analysis conducted on 100 elementary school teachers. In order to verify the effectiveness of the developed education program, 17 sixth-grade students attending K Elementary School were given 2 classes per day for a total of 6 weeks. In order to measure the effect of the training on improving computational thinking, the educational effects were analyzed by conducting pre-post-inspection using the "Beaver Challenge". According to the analysis, machine learning education focused on data labeling contributed to improving computational thinking of elementary school students.

Background/Objectives: The purpose of this study was to promote the use of nutrition labeling along with the need for more systematic education on easier nutrition labeling so that the public can easily access it. Nutrition labeling recognition was a method that helps people of all ages to choose healthier foods to improve their nutritional intake, so we intend to analyze them based on KNHANES VII-1 data. Methods/Statistical analysis: The data were analyzed the data using IBM SPSS 21.0 program. Frequency analysis and chi-square test method was conducted. The significance level was set at p <.01. Findings: As a result of whether or not nutrition labeling is recognized, the number of women who answered 'yes' was high at 70.0% (2,759 people) higher than average (68.4%). Looking at the general matters of the survey subjects, '30-39' was 92.3%, '40-49' 91.5%, and '50-59' 81.0% in that order. Regarding nutrition label recognition, 30-39 showed a very high recognition rate. On the other hand, the recognition rate of nutrition labeling was 19.9% for those over 80 years old. It was thought that education on nutrition labeling recognition will be necessary from the age of 60 or older. Regardless of the level of learning, it was found that the nutrition labeling recognition was high. By income level, 'low' 42.3%, ' Low & middle' 61.5%, ' Middle ' 69.9%, 'Middle & high ' 73.8%, and 'High' 82.6%, indicating that the higher the income, the higher the nutrition labeling recognition. Improvements/Applications: The younger and the higher the educational level, the more fully they knew about nutrition labeling. Based on this study, a more systematic nutrition awareness education was needed, and the use of nutrition labeling was to be activated.

Objectives: Children are exposed to various environmental pollutants through contact with children's products. We investigated the KC mark, certification number, and contained substances labeled on children's products through market research and collected the toxicological data on these substances. Methods: The environmentally hazardous substances labeled on children's products (n=6576), including toys (n=2812), personal care products (n=2212), stationary/books (n=1333), and playground equipment (n=219) were examined. For the components that could be identified by CAS number, toxicological data on oral, inhalation, and dermal routes, cancer slope factor, and reference dose were collected. Results: Among the investigated products, KC marks or certification numbers were found for 4557 products (69.3%). Except for cosmetics and cleansers, the material information was labeled on most of the products. The frequency of labeling substance information in toys and stationary/books was low since this information could be omitted if KC certification was obtained. In the target products, 617 substances were identified by CAS number, and polypropylene, acrylonitrile butadiene styrene, and polyester were the most frequently displayed. Chronic toxicity data was found for only 32.4% of individual components, and information on toxicity through the dermal route was also highly limited. Conclusion: Our study suggested that labeling guidelines should be required to identify the environmentally hazardous substances contained in children's products. In addition, the toxicological data on many ingredients in children's products were insufficient. The data gap for toxicity data should be filled for future risk assessment.

음성 데이터 라벨링은 음성 인식 및 자연어 처리 기술의 성능을 결정하는 중요한 과정이다. 그러나 전통적인 수작업 라벨링 방식은 대규모 데이터 처리에 있어 많은 시간과 비용이 소요되며, 라벨링 오류의 가능성이 높다. 본 논문에서 는 이러한 문제를 해결하기 위해 효율적인 음성 데이터 라벨링 자동화 시스템을 설계하였다. 제안된 시스템은 음성 인식 기술과 기계 학습 알고리즘을 통합하여 음성 데이터를 자동으로 분석하고 라벨링하도록 설계되었다. 이 시스템은 다양한 음성 데이터 유형을 처리할 수 있으며, 사용자 인터페이스를 통해 라벨링 작업의 직관성과 효율성을 향상시킨다. 본 설계는 음성 데이터 처리의 효율성을 높이고, 다양한 응용 분야에서 음성 인식 기술의 활용을 촉진할 수 있는 잠재력을 가진다.

Speech data labeling is a crucial process that determines the performance of speech recognition and natural language processing technologies. However, traditional manual labeling methods are time-consuming, costly, and prone to labeling errors, especially when dealing with large-scale data. This paper presents the design of an efficient automated speech data labeling system to address these challenges. The proposed system integrates the latest speech recognition technologies and machine learning algorithms to automatically analyze and label speech data. It is designed to handle various types of speech data and enhances the intuitiveness and efficiency of the labeling process through a user-friendly interface. This design improves the efficiency of speech data processing and has the potential to facilitate the application of speech recognition technologies across various domains.

본 연구는 데이터의 품질이 인공지능(AI) 성능에 미치는 영향을 검토한다. 이를 위해, 데이터 특성변수(Feature)의 유사도와 클래스(Class) 구성의 불균형을 고려한 모의실험(Simulation)을 통해 라벨링 오류 수준이 인공지능의 성능에 미치 는 영향을 비교 분석하였다. 그 결과, 특성변수 간 유사성이 높은 데이터에서는 특성 변수 간 유사성이 낮은 데이터에 비해 라 벨링 정확도에 더 민감하게 반응하였으며, 클래스 불균형이 증가함에 따라 인공지능 정확도가 급격히 감소되는 경향을 관찰 하였다. 이는 인공지능 학습데이터의 품질평가 기준 및 관련 연구를 위한 기초자료가 될 것이다.

The study investigates the impact of data quality on the performance of artificial intelligence (AI). To this end, the impact of labeling error levels on the performance of artificial intelligence was compared and analyzed through simulation, taking into account the similarity of data features and the imbalance of class composition. As a result, data with high similarity between characteristic variables were found to be more sensitive to labeling accuracy than data with low similarity between characteristic variables. It was observed that artificial intelligence accuracy tended to decrease rapidly as class imbalance increased. This will serve as the fundamental data for evaluating the quality criteria and conducting related research on artificial intelligence learning data.

해상 환경은 국제 무역, 운송, 자원 개발 및 해양 관광 등 다양한 산업 분야에서 중요한 역할을 담당하고 있다. 그러 나 해상 환경의 특수성으로 인해 기존의 육상 환경에서 발전한 인공지능 기술을 직접 적용하기 어려운 한계가 존재 한다. 본 연구에서는 이러한 한계를 극복하기 위해 해상 환경에 특화된 데이터셋 구축 방법론과 제로샷 접근법 기반 의 인공지능 모델 개발 방법을 제안한다. 구체적으로 (1) 해양 특화 데이터 수집 장치 설계 및 제작, (2) 제로샷 접 근법을 활용한 해상 데이터 자동 라벨링 기술 개발, (3) 해상 환경 특화 인공지능 모델 개발, (4) 노이즈 완화 및 모델 최적화 기법 적용 등을 수행하였다. 개발된 시스템은 객체 탐지 및 분류, 거리 추정, 저조도 환경 극복 등의 작업에서 우수한 성능을 보여주었으며, 해상 환경에 적합한 제로샷 모델들을 통합하여 실제 해양 환경에서의 활용 가능성을 입증하였다.

The maritime environment plays a crucial role in various industrial sectors, including international trade, transportation, resource development, and marine tourism. However, there are limitations in directly applying existing artificial intelligence technologies developed for terrestrial environments due to the unique characteristics of maritime environments. This study proposes methodologies for constructing specialized maritime datasets and developing AI models based on zero-shot approaches to overcome these limitations. Specifically, we performed (1) design and manufacture of marine-specialized data collection devices, (2) development of automatic labeling technology for maritime data using zero-shot approaches, (3) development of AI models specialized for maritime environments, and (4) application of noise reduction and model optimization techniques. The developed system demonstrated excellent performance in tasks such as object detection and classification, distance estimation, and low-light environment enhancement, proving its applicability in real maritime environments through the integration of zero-shot models suitable for maritime conditions.

최근 과학기술통신부에서 발표한 '디지털 뉴딜'의 10대 대표 과제 중 하나인 '데이터 댐' 사업에 높은 비용이 투자되고 있다. 이에 따른 AI 학습용 데이터 구축 관련 국내 정책 및 사업을 분석해 보면 데이터 레이블링 자동화 부분에 부족함이 존재한다. 데이터 레 이블링을 수작업으로만 진행하기에는 노동력이 많이 필요하고 시간도 오래 걸린다. 그뿐만 아니라, 사람마다 다른 레이블링 방식은 데이터의 일관성을 떨어뜨려 모델 학습에 부정적인 영향을 준다. 따라서 본 연구는 데이터 구축 시간 단축과 노동력 절감, 일관성 있는 레이블링으로 빠르게 양질의 데이터 추출이 가능하다. 또한, 전이학습을 통해 AI 모델의 정확도를 향상하여 수작업 빈도를 줄 여 단시간에 대량의 데이터를 추출하는 것에 도움이 되며, 새로운 객체의 인식 또한 가능하여 다양한 객체 탐지에 도움을 줄 수 있 다. 이미지 레이블링은 KEM 형식으로 생성되기 때문에 생성된 데이터는 교육 분야에도 유의미한 데이터로 사용될 수 있다.

High costs are being invested in the "Data Dam" project, one of the top 10 representative tasks of the "Digital New Deal" recently announced by the Ministry of Science and ICT. Accordingly, as a result of analyzing domestic policies and projects related to data construction for AI learning, there is a lack in data labeling automation. Data labeling requires a lot of labor and takes a long time to proceed manually. In addition, different labeling methods from person to person have a negative impact on model learning due to poor data consistency. Therefore, in this study, it is possible to quickly extract high-quality data by shortening data construction time, reducing labor, and consistent labeling. In addition, it helps to extract data in a short time by reducing the frequency of manual work by improving the accuracy of the AI model through transfer learning, and it can help detect various objects by enabling recognition of new objects. Since image labeling is generated in the KEM format, the generated data may also be used as meaningful data in the field of education.

딥러닝은 많은 데이터를 필요로 한다는 것은 이미 널리 알려져있다. 이를 통해, 딥러닝에 쓰이는 신경망의 수 없이 많은 parameter들을 학습시킨다. 학습과정에는 데이터뿐 아니라, 각 데이터별로 전문가가 입력한 label이 필요 한 경우가 대부분인데, 이 label을 얻는 과정은 시간과 자원 소비가 심하다. 이 문제를 완화하기 위해, few-shot learning, self-supervised learning, weak-supervised learning등이 연구되어오고 있다. 본 논문에서는, label을 상대 적으로 적은 노력으로 수행하기 위한 연구들의 동향을 살펴보고, 앞으로의 개선 방향을 제시하도록 한다.

In Deep Learning method, it is well known that it requires large amount of data to train the deep neural network. And it also requires the labeling of each data to fully train the neural network, which means that experts should spend lots of time to provide the labeling. To alleviate the problem of time-consuming labeling process, some methods have been suggested such as weak-supervised method, one-shot learning, self-supervised, suggestive learning, and so on. In this manuscript, those methods are analyzed and its possible future direction of the research is suggested.

본 논문에서는 인공지능 주의환기 보상전략 시스템이 발달장애인의 데이터 라벨링 작업 주의집중력에 미치는 효과를 분석하였다. 주의집중력의 척도로는 세션별 작업 정확도와 작업수행량을 사용하였다. 연구 결과, 중재가 적용된 후 연구대상자 모두 자율작업 대비 주의집중력에서 유의미한 향상이 관찰되었다. 이러한 결과는 인공지능 기술이 발달장 애인의 데이터 라벨링 작업 중 주의집중력 향상에 긍정적으로 작용할 수 있음을 의미한다. 본 연구는 인공지능 기술의 적용이 발달장애인의 데이터 라벨링 작업 정확도를 향상하여 학습데이터의 품질을 높일 수 있음을 보여주고 있으며, 발 달장애인의 데이터라벨링 관련 직업훈련 프로그램에 중요한 시사점을 제공하리라 본다.

This paper investigates the effect of an artificial intelligence attention redirection compensation strategy system on the data labeling work attention concentration by individuals with developmental disabilities. Task accuracy and task performance for each session were used as measures of attention concentration. As a result of the study, after the intervention was applied, a significant improvement in attention concentration was observed in all study subjects compared to self-serving task. These results mean that artificial intelligence technology can have a positive effect on improving the attention span of people with developmental disabilities during data labeling tasks. This study shows that the application of artificial intelligence technology can improve the quality of learning data by improving the accuracy of data labeling tasks for people with developmental disabilities, and is expected to provide important implications for vocational training programs related to data labeling for people with developmental disabilities.

본 논문에서는 딥러닝 기반의 주의환기 보상전략 시스템이 발달장애인의 데이터 라벨링 작업 생산성에 미치는 효과를 분석하였다. 연구 결과, 중재가 적용된 후 연구대상자 모두 자율작업 대비 작업 생산성에서 유의미한 향상이 관찰 되었다. 특히 인공지능 기반의 중재가 적용되었을 때, 직무지도원 중재에 비해 상당한 향상을 보였다. 이러한 결과는 인공지능 기술이 발달장애인의 데이터 라벨링 작업 생산성 향상에 긍정적인 영향을 미칠 수 있음을 의미한다. 본 연구는 발달장애인의 데이터 라벨링 작업에 인공지능 기술을 접목한 최초의 연구이며, 발달장애인의 직업훈련과 작업 생산성 증진을 위한 딥러닝 기술의 적용 가능성을 탐색하는 데 중요한 시사점을 제공하리라 본다.

This paper investigates the effect of a deep learning-based system on data labeling task productivity by individuals with developmental disabilities. It was found that interventions, particularly those using AI, significantly improved productivity compared to self-serving task. AI interventions were notably more effective than job coach-led approaches. This research underscores the positive role of AI in enhancing task efficiency for those with developmental disabilities. This study is the first to apply AI technology to the data labeling tasks of individuals with developmental disabilities and highlighting deep learning's potential in vocational training and productivity enhancement for this group.

엔데믹 시대, 외식 비중이 증가하고 온라인 커뮤니티를 중심으로 인기있는 식당에 대한 공유가 활발하게 일어나며 특정 식당으로 쏠리는 현상 심화, 주요 시간대에 식사를 하기 위해 줄을 서거나 아예 헛걸음을 하는 경우가 많아지고 있다. 본 연구에서는 대부분의 식당에 설치되어 있는 CCTV에서 촬영 이미지를 활용해서 딥러닝을 활용한 Data Labeling을 시행, 현재 식당의 남은 자리를 분석하여 사용자에게 전달하는 프로젝트에 대한 방식을 서술한다. Client를 통해 사용자는 실시간으로 특정 식당의 남은 좌석 수를 확인할 수 있고, 이 정보를 바탕으로 해당 식당에 방문할지 말지를 결정할 수 있을 것이다. 프로젝트 진행에 앞서 데이터를 분석하는 딥러닝 모델인 YOLO에 대해 분석하였고, 각 버전에 대해 특징을 비교 및 대조, 본 프로젝트에 적합한 버전으로 YOLOv5s를 선정하였다.

본 연구는 가상현실 (Virtual Reality, VR) 기술을 활용하여 골프 스윙의 주요 구간을 식별하고 레이블링 (Labeling) 하는 방법을 탐구한다. 기존 가상현실 기기의 제한점을 해결하기 위해 OpenVR SDK (Software Development Kit)와 SteamVR을 활용하여 다양한 VR 기기에서 운동 데이터를 수집할 수 있는 플랫폼을 개발하였다. 또한, 장단기 메모리 (Long Short-Term Memory) 기반의 시계열 데이터 분석을 통해 운동 동작의 시간적 변화를 식별하고 레이블링하는 반자동 레이블링 기술을 개발하였다. 실험은 소년, 청년, 중년, 장년 세대별 각 20명씩 총 80명의 참가자가 각 5회의 스윙 데이터를 수집하여 총 400개의 운동 데이터 세트를 구축하였다. 제안하는 기술은 골프 스윙의 7가지 주요 구간에 대해 모든 연령대에서 일관되게 높은 정확도(0.94 이상)와 F1 점수(0.95 이상)를 달성하였다. 이 기술은 운동 데이터를 세분화하고 구간별로 운동 능력을 정밀하게 평가할 수 있는 기반을 마련하여, 향후 교육 및 훈련 과정에서 개별 사용자에게 맞춤형 피드백을 제공하는 데 목적이 있다.

This study explores the use of virtual reality (VR) technology to identify and label key segments of the golf swing. To address the limitations of existing VR devices, we developed a platform to collect kinematic data from various VR devices using the OpenVR SDK (Software Development Kit) and SteamVR, and developed a semi-automated labeling technique to identify and label temporal changes in kinematic behavior through LSTM (Long Short-Term Memory)-based time series data analysis. The experiment consisted of 80 participants, 20 from each of the following age groups: teenage, young-adult, middle-aged, and elderly, collecting data from five swings each to build a total of 400 kinematic datasets. The proposed technique achieved consistently high accuracy (≥0.94) and F1 Score (≥0.95) across all age groups for the seven main phases of the golf swing. This work aims to lay the groundwork for segmenting exercise data and precisely assessing athletic performance on a segment-by-segment basis, thereby providing personalized feedback to individual users during future education and training.

A false alarm, which is an incorrect report of an emergency, could trigger an unnecessary action. The predictive maintenance framework developed in our previous work has a feature whereby a machine alarm is triggered based on sensor data evaluation. The sensor data evaluator performs three essential evaluation steps. First, it evaluates each sensor data value based on its threshold (lower and upper bound) and labels the data value as "alarm" when the threshold is exceeded. Second, it calculates the duration of the occurrence of the alarm. Finally, in the third step, a domain expert is required to assess the results from the previous two steps and to determine, thereby, whether the alarm is true or false. There are drawbacks of the current evaluation method. It suffers from a high false-alarm ratio, and moreover, given the vast amount of sensor data to be assessed by the domain expert, the process of evaluation is prolonged and inefficient. In this paper, we propose a method for automatic false-alarm labeling that mimics how the domain expert determines false alarms. The domain expert determines false alarms by evaluating two critical factors, specifically the duration of alarm occurrence and identification of anomalies before or while the alarm occurs. In our proposed method, Hierarchical Temporal Memory (HTM) is utilized to detect anomalies. It is an unsupervised approach that is suitable to our main data characteristic, which is the lack of an example of the normal form of sensor data. The result shows that the technique is effective for automatic labeling of false alarms in sensor data.

레이블링 작업은 데이터 분석 시 필요한 사전 작업중 하나이다. 모든 데이터들에 대해 레이블링 작업은 시간/인적 자원을 필요로 하기에, 해당 작업을 보완할 방법이 존재한다면 요구되는 리소스를 줄여 효율성을 크게 향상시킬 수 있다. 본 논문에서는 통신회사에서 적재된 데이터 셋에 대하여 레이블이 없는 데이터(Unlabeled-data)에 대해 의사 레이블링(Pseudo-labeling), SMOTE 를 통한 데이터 증강을 활용하여 기존에 활용되지 못한 데이터를 추가하여 모델에 학습시킨다. 실험을 통해 의사 레이블을 통한 모델 학습 방법이 기존 도메인 지식의 레이블 방법보다 효율적이고 성능이 우수함을 확인하였다.

본 논문에서는 협동적 제품 개발 환경에서 제품 설계 데이터와 제품 내의 객체 정보를 매칭하고 영상 기반에서 공학 데이터를 검색하기 위한 목적으로 영상 내의 객체의 각 영역을 분할 하고자 한다. 제품 설계시 생성 과정에서 CAD 툴 등으로부터 생성되는 영상은 객체 화소값의 차이가 적고 생산환경에 맞게 실시간으로 정보를 제공 할 수 있어야 한다. 위와 같은 두 가지 사항을 해결하기 위해, 전처리 과정이 없이 객체 내의 각 부분 정보를 알 수 있는 에지 기반 라벨링(Edge_Based Labeling) 기법을 제안한다.

본 논문에서는 계층적 데이터를 관계형 데이터베이스 시스템에 저장하기 위한 요구사항을 만족하는 XML 레이블링 기법으로서 Farey Sequence 를 응용한 Faray 레이블링 기법을 제안한다. 이는 일반적인 동적 삽입연산 외에 형제간 노드 사이에 새 노드를 삽입할 경우 추가적인 레이블의 사이즈 증가 없이 기존노드의 리레이블링이 없고, 말단 노드의 삭제시 레이블의 재사용이 원할하며, 부모와 자식 사이에 새 노드를 삽입하는 경우가 빈번한 계층적 데이터 관리 시에 리레이블링을 최소화 할 수 있는 방법이다. 기존 XML 레이블링 기법이 부모 자식사이에 삽입 연산을 하는 경우 하위의 모든 노드를 리레이블링 해야 하는것에 비하여 본 기법은 오직 1개의 하위 노드만을 리레이블링 하기 때문에 해당 경우의 계층적 데이터의 동적 삽입 시 하위 노드의 개수에 상관없이 일정하게 연산시간을 유지할 수 있다.

본 논문에서는 높은 신뢰성을 보장해야 하는 군용 AI 시스템 개발에 필요한 학습 데이터의 양과 질을 높이기 위한 개념적 설계를 제안하였다. 군에서 부족한 데이터량을 보완할 수 있는 가상 데이터 생성 방식으로 최근 각광받고 있는 기술인 메타버스(Metaverse)의 활용을 제안하였다. 메타버스를 활용 데이터 생성 레이블링 시스템의 개념 설계에는 수정된 기능 분석 방법이 사용하였다. 개념설계의 블랙박스 디자인은 최상위 기능요구사항에서 하위 기능요구사항을 정의하고, 각 기능요구사항을 만족시킬 수 있는 적용기술을 식별하여 완성하였다. 본 연구는 향후 메타버스를 이용한 레이블링 시스템의 실제 연구 개발 시 기본 설계 이전에 기능 요구분석에 유용하게 활용될 수 있을 것으로 기대된다.

This paper proposed the conceptual design to increase the quantity and quality of learning data required for the development of a military AI system that must ensure high reliability. The use of Metaverse, a technology that has recently been spotlighted as a virtual data generation method that can compensate for the insufficient amount of data in the military, is proposed. A modified function analysis method was used in the conceptual design of a labeling system that uses metaverse to generate data for military AI system. The black box design of conceptual design was completed based on the applied technology by defining the lower-level functional requirements from the top-level functional requirements and identifying the applied technologies that can satisfy each functional requirement. This study is expected to be usefully utilized for functional requirements analysis before basic design in the case of actual research and development of a labeling system using metaverse in the future.

Data labeling is the task of supplementing data corresponding to the correct answer in training data for AI(Artificial Intelligence). Data labeling helps improve the performance of AI learning models, but is often done manually. Automating data labeling tasks so that high-quality learning data can be efficiently produced can serve as a foundation for the development of artificial intelligence. In this paper, we proposed a method using topic modeling to automate data labeling of error data produced in the smart factory control system. Error text files were created by extracting major error-related items and error messages from the database accumulated in the smart factory operating environment. Before the topic modeling, frequently appearing words were extracted through basic analysis of error text, and main causes of errors were roughly identified by visualizing them with bar graphs and word clouds. After that, major topics related to errors were extracted by applying topic modeling to the error text. Based on the key words included in the topics, meanings were given to each topic, error types were derived, and error type codes were also assigned. Coherence and Perplexity were calculated to derive the optimal number of topics, and 4-5 topics were found to be optimal. This paper is meaningful in that it confirmed the possibility of automating data labeling in big data including text data.

범위 기반 레이블링 스킴(range-based labeling scheme)을 이용하면 임의의 두 노드에 대한 조상-자손 관계를 쉽게 판별할 수 있으므로, XPath나 XQuery 형태의 질의를 효율적으로 처리할 수 있다. 그러나 노드의 삽입이 일어나는 동적인 상황에서는 불가피하게 전체 또는 일부의 레이블을 다시 할당(re-labeling)할 가능성이 있다는 문제점이 있다. 본 논문에서는 Dietz 레이블링 스킴을 개선한 EP2(extended preorder ＆amp; postorder) 레이블링 스킴을 제안한다. 제안하는 스킴은 동일한 저장 공간상에서 범위 기반 레이블링 스킴에 비해 동적인 갱신에 유리하며, 기존의 구조 조인 알고리즘(structural join algorithm)을 이용하여 효율적으로 구조 질의(structural query)를 처리할 수 있다.