Earticle

Recently, due to the recent significant advances in machine learning and deep learning, it is being utilized in many fields. However, real-world data in the medical field significantly degrades the performance of machine learning algorithms due to problems that are heavily skewed to specific states or that the distribution of data is unbalanced. Therefore, this study solves the problem of not being learned by converting the dependent variable into a regression problem that predicts using a new dependent variable by pseudo labeling. Also, this study present ensemble methods to improve the performance of the model and prevent overfitting.

본 논문에서는 앙상블 학습 기법을 이용하여 전자파 신호를 발산하는 RF(Radio Frequency) 위협체를 역추정하 는 방법에 관하여 논한다. 기존 연구에서 레이더 위협을 생성하고 실제 전자전 상황을 모델링 할 수 있는 시뮬레이 터에 대하여 연구 및 구현하였다. 개발 중인 전자전 시뮬레이터는 다양한 기계학습 알고리즘을 통하여 생성한 모델 을 사용하여 RF 위협체에 대한 역추정 정확도를 실시간으로 제시한다. 본 논문은 구현한 시뮬레이터를 활용하여 RF 위협체의 수집신호변수를 생성 및 수신하며, 앙상블 학습 기법을 이용하여 생성한 역추정 모델에 의하여 위협체 를 역으로 식별하는 방법을 제안한다. 실험에서 다양한 기계학습 알고리즘으로 생성한 모델과 메타 학습 방법론인 앙상블 학습 기법을 적용한 모델을 이용하여 RF 위협체에 대한 역추정 정확도를 측정하고 실험결과를 분석하였다.

In this paper, we discuss a method using an ensemble learning technique for the reverse extrapolation of RF (Radio Frequency) threats that emit electromagnetic signals. We have studied and implemented a simulator that is capable of generating radar threats and modeling the actual electronic warfare situations. The simulator presents the reverse extrapolation accuracy of RF threats in real time. Based upon the electronic warfare signal variables of RF threats in our simulator, we propose a method to reversely identify RF threats through models compiled using ensemble learning techniques. We have measured and analyzed the reverse extrapolation accuracy of the models of RF threats, which are generated by basic machine learning algorithms and by ensemble learning algorithms as a meta-learning framework.

본 연구의 목적은 소규모 구조화 데이터 환경에서 예측 정확도 향상을 위한 머신러닝 기반 방법론을 비교 분석하고 모델 복잡도에 따른 일반화 성능과 과적합 특성을 검토하는 데 있다. 시계열 신용 카드 이용 데이터를 활용하여 규제 기반 선형모형과 다양한 앙상블 모델 및 Stacking Ensemble의 예측 성능을 비교한 결과, 규제 기반 선형모형이 가장 안정적인 성능을 보인 반면 비선형고복잡도 모델은 과적합으로 인해 테스트 성능이 저하되었고, 모델 복잡도가 증가할수록 일반화 성능이 감소하는 경향이 확인되었다. 또한 Stacking Ensemble은 성능을 일부 개선하였으나 선형모형의 안정성을 크게 초과하지는 못하였으며, 통계적 검정 결과 모델 간성능 차이는 유의하게 나타나 모델 선택이 예측 성능에 중요한 영향을 미침이 확인되었다. 본 연구는 소규모 데이터 환경에서 복잡한 모델보다 규제 기반 단순모형이 더 안정적인 예측 성능을 제공함을 실증적으로 보여주며 데이터 특성에 맞는 모델 선택의 중요성을 확인하였다. 본 연구는 소규모 데이터를 보유한 기업 등에 필요한 예측 방법론을 적절히 선택하는데 도움을 줄 수 있을 것이다. 향후 연구에서는 중소기업 등에 적합한 머신러닝 기반의 예측 정확성 향상방안을 연구해 보겠다.

The purpose of this study is to compare and analyze machine learning-based methods for improving prediction accuracy in a small-scale structured data environment and to examine generalization performance and overfitting according to model complexity. Using time-series credit card usage data, it is compared regularization-based linear models, various ensemble models, and a Stacking Ensemble. The results show that regularization-based linear models achieved the most stable performance, while nonlinear high-complexity models experienced overfitting and lower test performance, with generalization performance decreasing as complexity increased. The Stacking Ensemble improved performance to some extent but did not surpass the stability of linear models. Statistical tests confirmed significant differences among models, indicating that model selection has a meaningful impact on predictive accuracy. The findings suggest that simpler regularized models are more reliable in small-data environments and highlight the importance of selecting models appropriate to data characteristics. This study can help to appropriately select the prediction methodology required for companies with small data. In future research, we will study machine learning-based prediction accuracy improvement measures suitable for SMEs.

본 연구는 최신 딥러닝 아키텍처를 활용하여 도배 하자의 자동 분류 시스템을 제안한다. 특히 데이터 불 균형과 하자 유형 간 유사성이라는 기술적 과제를 효과적으로 해결하기 위한 새로운 방법론을 제시한다. 데이터 불균형과 하자 유형 간 유사성 문제를 해결하기 위해 ConvNeXt 아키텍처를 기반으로 하되, 하자 유형별 특성을 고려한 맞춤형 데이터 증강 기법과 앙상블 학습을 도입하였다. 총 19개 하자 유형에 대해 3,457개의 이미지로 구 성된 데이터셋을 활용하였으며, 데이터 불균형 해소를 위해 Focal Loss와 Class-Balanced Loss를 결합한 하이브 리드 손실 함수를 적용하였다. 실험 결과, 제안된 모델은 Weighted F1 Score 0.889를 달성하여 기존 ResNet50 기반 모델 대비 8.8%의 성능 향상을 보였으며, 45.2ms의 평균 추론 시간은 실제 하자 검수 업무에 적용 가능한 수준임을 검증하였다. 본 연구의 결과는 건설 현장에서의 도배 하자 검수 자동화 가능성을 제시하며, 품질 관리 프로세스의 효율성 향상에 기여할 것으로 기대된다.

This study proposes an automated classification system for wallpaper defects using state-of-the-art deep learning architectures. In particular, it introduces novel methodologies to effectively address technical challenges such as data imbalance and similarities between defect types. To address challenges such as data imbalance and similarity between defect types, the model is based on the ConvNeXt architecture and incorporates customized data augmentation methods and ensemble learning tailored to the characteristics of each defect type. A dataset of 3,457 images across 19 defect types was utilized, and a hybrid loss function combining Focal Loss and Class-Balanced Loss was applied to mitigate data imbalance. Experimental results demonstrate that the proposed model achieves a weighted F1 score of 0.889, representing an 8.8% performance improvement over existing ResNet50-based models, with an average inference time of 45.2ms validating its feasibility for practical defect inspection tasks. These findings suggest the potential for automating wallpapering defect inspection in construction sites, thereby contributing to enhanced efficiency in quality control processes.

본 연구는 iGLAD 데이터를 활용하여 교통사고 시 발생하는 상해도를 예측하는 머신러닝 모델을 개발하고 평가하는 것을 목적으로 한다. iGLAD는 국제적인 교통사고 데이터베이스로, 상해도 예측에 중요한 7가지 변수를 선정해 분석을 진행했다. 이를 통해 4가지의 머신러닝 모 델들(랜덤 포레스트, 서포트 벡터 머신, 아다부스트, 캣부스트)을 비교하고, 이 중 랜덤 포레스 트가 86%의 가장 높은 정확도를 보이며 최적의 모델로 선정되었다. 본 연구는 교통사고에 의 한 인명 피해 감소와 교통 안전 강화를 위한 정책 및 인프라 개선에 기여할 수 있는 기초 연구 로서의 가치가 있으며, 머신러닝을 활용한 교통사고 예측 및 분석은 교통 시스템의 효율성 증 가 및 사회적 비용 절감에 중요한 역할을 할 것으로 기대된다.

This research focuses on developing and evaluating a machine learning model to predict injury severity in traffic crash, utilizing the iGLAD database. iGLAD, an international traffic crash database, facilitated the analysis through seven critical variables for predicting injury severity. The study extensively compared various machine learning models, including Random Forest, Support Vector Machine, AdaBoost, and CatBoost. Random Forest emerged as the most effective model, showcasing the highest accuracy rate of 86%. This study is valuable as foundational research, contributing significantly to reducing injuries from traffic crash and enhancing overall traffic safety.

Considering the aging of individuals with the increasing population, the demand for technologies that enable people to follow their daily lives unnoticed is increasing day by day. In this article, a high-performance solution to the fall and posture detection problem for CCD camera-based fall detection systems is provided. Fall detection was performed with images obtained with CCD cameras placed in different positions. Within the scope of the proposed method, two different pre-trained CNN structures were trained using two different camera images. Data fusion was applied to the high-level features obtained from these structures. Features that were fusion process applied to different classifiers were given as input and ensemble learning process was applied. Considering the performance metrics of the proposed method, it was predicted that promising results were obtained for fall detection.

Text classification is a challenging task, especially when dealing with a huge amount of text data. The performance of a classification model can be varied depending on what type of words contained in the document corpus and what type of features generated for classification. Aside from proposing a new modified version of the existing algorithm or creating a new algorithm, we attempt to modify the use of data. The classifier performance is usually affected by the quality of learning data as the classifier is built based on these training data. We assume that the data from different domains might have different characteristics of noise, which can be utilized in the process of learning the classifier. Therefore, we attempt to enhance the robustness of the classifier by injecting the heterogeneous data artificially into the learning process in order to improve the classification accuracy. Semi-supervised approach was applied for utilizing the heterogeneous data in the process of learning the document classifier. However, the performance of document classifier might be degraded by the unlabeled data. Therefore, we further proposed an algorithm to extract only the documents that contribute to the accuracy improvement of the classifier.

Recent meta-learning algorithms for few-shot learning are based on episodic training where each episode consists of only a few support and query samples to imitate a target few-shot task. However, due to the limited number of categories and few samples in each category, this framework suffers from over-fitting to both a meta-training dataset and the support set of each episode. It also causes a large variance in the accuracy of each episode, which reduces reliability and confidence in model performance. To address this problem, we propose a novel meta-ensemble learning approach based on a recent ensemble method: a multi-input multi-output (MIMO) configuration. Our approach is simply applied to existing meta-learning algorithms. Multiple subnetworks in a single model simultaneously learn multiple episodes and ensemble the predictions, leveraging the model capacity. We show that meta-ensemble learning achieves significant improvement in generalization. It also improves the performance of meta-learning algorithms on few-shot classification benchmarks.

This paper proposes a resource allocation strategy for multi-channel underlay cognitive radio (CR) systems by means of an ensemble deep learning framework. The transmit power of secondary users (SUs) allocated to each channel is determined to maximize the overall spectral efficiency (SE), whilst meeting the interference constraint on the primary user (PU). To this end, a deep neural network (DNN) structure is developed, in which multiple DNN units are jointly utilized, to obtain the diversity over different DNNs. Our simulation results confirm that the proposed scheme can achieve near-optimal performance with a low computation time of less than 1.5 ms.

Developmental Dyslexia is a learning disorder often discovered in school-aged children who face difficulties while reading or spelling words even though they may have average or above-average levels of intelligence. This ultimately results in anger, frustration, low self-esteem, and other negative feelings. Early detection of Dyslexia can be highly beneficial for dyslexic children as their learning needs can be properly addressed. Researchers have used several testing techniques for early discovery where the data is collected from reading and writing tests, online games, Magnetic reasoning imaging (MRI) and Electroencephalography (EEG) scans, picture and video recording. Several Machine learning techniques have also been used in this regard recently. However, existing works did not focus on the problem of the imbalanced dataset where the percentage of dyslexic participants is much higher compared to non-dyslexic participants, which is expected to be the case for pre-screening among a random population. This paper addresses the imbalanced dataset obtained from dyslexia pre-screening tests and proposes an oversampling and ensemble-based machine learning technique for the detection of Dyslexia. Simulation results show that the proposed approach improves the detection accuracy of the minority class, i.e., dyslexic patients from 80.61% to 83.52%.

In this study, AAHT was estimated using machine learning algorithms of ensemble techniques to improve the limitations of existing studies. Among the machine learning algorithms, a random forest algorithm was used, and the traffic volume estimation accuracy was analyzed as MAPE 20.7%. It was analyzed that the higher the traffic volume level, the higher the traffic volume estimation accuracy, and the traffic volume level of 3,000 vehicles/hour or more was analyzed to be 8% or less of MAPE. It was analyzed that the accuracy secured at the current level was very high compared to the existing model.

본 연구는 산업 유사성과 지리적 근접성이 동물병원 지출을 예측하는데 어떤 역할을 하는지 검증하였다. 구체 적으로, 저자들은 머신러닝을 사용하여 산업 유사성이 지리적 근접성보다 더 중요한 역할을 한다는 것을 발견했 다. 특성 중요도를 비교하면 산업 유사성이 지리적 근접성보다 약 5배 정도 더 중요한 것으로 나타났다. 더불어, 본 연구는 지출자의 인구 특성 정보와 거주자의 인구 특성 정보의 중요성도 비교하였다. 그 결과, 일반적으로 지출 자의 인구 특성 정보가 거주자의 인구 특성 정보보다 더 중요하다는 것도 확인하였다. 한편, 거시적인 관점에서 거주자의 인구 특성 정보도 중요성을 지니는 것으로 나타났다.

The authors investigate the role of industrial similarity and geographic proximity in predicting spending on veterinary care. Using machine learning, they find that industrial similarity plays a more substantial role than geographic proximity. Specifically, comparing feature importance reveals that industrial similarity is roughly five times as important as geographic proximity. Further, this study also investigates the importance of spender demographic information and resident demographic information in prediction performance. The result shows that spender demographic information is more important than resident demographic information in general. However, from a macro perspective, resident demographic information also holds importance.

프탈레이트는 가소제로 전기·전자 제품에 광범위하게 사용되나, 인체 유해성으로 유럽연합의 RoHS 지침 과 국내법에 따라 규제 대상으로 지정되었다. 라만 분광법은 물질의 분자 구조와 화학적 특성을 비파괴적으로 스 펙트럼 데이터로 취득할 수 있는 분석 기술이지만, 취득된 스펙트럼 해석 시 분석자의 주관적 판단에 의존하여 분 석자 간 결과 차이와 시간 소요라는 한계를 가진다. 이러한 한계를 극복하기 위해, 본 연구는 라만 스펙트럼 데이 터에서 프탈레이트 물질 검출 및 농도 자동 판별을 위해 CNN(Convolutional Neural Network), Transformer, Gated recurrent unit, Attention CNN을 결합한 Stacking 기반 앙상블 방법론을 제안하였다. 실험 결과, 제안된 Stacking 앙상블은 모든 후보 물질의 농도를 정확하게 예측한 경우를 의미하는 정확 일치율 92.9%를 달성하여 단일 모델(88.4～90.7%) 대비 최대 4.5% 향상된 성능을 보였다. 또한 모든 프탈레이트 물질에서 99% 이상의 Top-2 정확도를 달성하여 산업 현장에서 요구되는 높은 신뢰성을 확보하였다.

Phthalates are widely used as plasticizers in electrical and electronic products but have been designated as regulated substances under the European Union's RoHS directive and domestic laws due to their harmful effects on human health. Raman spectroscopy is an analytical technique that non-destructively acquires spectral data on the molecular structures and chemical properties of materials. However, it has limitations, such as time consumption and result variability between analysts due to reliance on subjective judgment during spectrum interpretation. To address these limitations, we propose a stacking-based ensemble methodology that combines a Convolutional Neural Network (CNN), Transformer, Gated Recurrent Unit, and Attention CNN for the automatic detection and concentration determination of phthalates from Raman spectral data. Experimental results show that the proposed stacking ensemble achieved an exact match rate of 92.9%, accurately predicting the concentrations of all candidate substances, with up to a 4.5% improvement over single models (88.4–90.7%). Additionally, it achieved over 99% Top-2 accuracy for all phthalates, ensuring the high reliability required in industrial applications.

부산광역시 동구 불법 주정차 데이터를 활용하여 머신러닝을 통한 월별 불법 주정차 빈도를 예측하는 최적의 모델을 찾고 이를 실제 데이터와 비교 분석하는 것 을 목적으로 한다. 데이터의 복잡한 패턴을 정확히 포착하기 위해 랜덤 포레스트, LightGBM, XGBoost와 같은 앙상블 학습 기법을 적용하였다. 데이터는 모델 학습 에 적합한 형태로 전처리한 후 이를 기반으로 세 가지 머신러닝 모델을 통해 불법 주정차 빈도를 예측하였다. 모델의 성능은 RMSE, %RMSE, R-squared 지표를 사 용해 평가하였으며, 그 결과 XGBoost 모델이 가장 높은 예측 정확도를 나타냈다. 본 연구는 지방자치단체가 불법 주정차 문제뿐만 아니라 다양한 도시 문제에 대해 데이터 기반의 예측 모델을 활용하여 효율적이고 선제적인 대응 방안을 마련하는 데 기여할 것으로 기대된다.

This study aims to identify the optimal machine learning model for predicting monthly illegal parking frequencies in Dong-gu, Busan Metropolitan City, and analyze its performance against actual data. To accurately capture complex patterns in the data, we applied ensemble learning techniques including Random Forest, LightGBM, and XGBoost. After preprocessing the data, we predicted illegal parking frequencies using these three machine learning models. The models were evaluated using RMSE, %RMSE, and R-squared metrics, with XGBoost demonstrating the highest prediction accuracy. This research is expected to contribute to local governments' capabilities in developing efficient and proactive measures for various urban issues, particularly illegal parking problems, through the utilization of data-driven prediction models.

교통사고와 사회·경제적 손실 간의 연계성이 확인됨에 따라 사고 데이터에 기반을 둔 안전 정책 마련 및 중상․사 망 등 그 심각도가 높은 교통사고의 절감 방안의 필요성이 제기되고 있다. 본 연구에서는 인구 대비 교통사고 사망자 비율이 높은 대전시를 대상지역으로 설정하고 보행자 교통사고 데이터를 수집한 후, 기계학습을 통해 최적알고리즘과 심각도 분류의 주요 인자를 도출하였다. 연구의 결과에 따르면, 적용한 9개 알고리즘 중 앙상블 기반의 학습 기법인 AdaBoost (Adaptive Boosting)와 RF (Random Forest)가 최적의 성능을 보여주었다. 이를 기반으로 도출된 대전시 보행자 교통사고 심각도의 주요 인자는 보행자의 연령이 70대 및 20대이거나 사고유형이 횡단사고에 의한 경우로 나타 남에 따라 대전시 보행자 사고 저감 대책을 위한 고려요인으로 제안하였다.

As the link between traffic accidents and social and economic losses has been confirmed, there is a growing interest in developing safety policies based on crash data and a need for countermeasures to reduce severe crash outcomes such as severe injuries and fatalities. In this study, we select Daejeon city where the relative proportion of fatal crashes is high, as a case study region and focus on the severity of pedestrian crashes. After a series of data manipulation process, we run machine learning algorithms for the optimal model selection and variable identification. Of nine algorithms applied, AdaBoost and Random Forest (ensemble based ones) outperform others in terms of performance metrics. Based on the results, we identify major influential factors (i.e., the age of pedestrian as 70s or 20s, pedestrian crossing) on pedestrian crashes in Daejeon, and suggest them as measures for reducing severe outcomes.

블록체인의 장점들은 다양한 분야에서 블록체인의 필요성을 제시한다. 하지만 블록체인에는 몇 가지 단점들이 존재한다. 그 중 엉클블록 문제는 블록체인의 가치와 활용을 크게 저해할 수 있는 문제 중 하나다. 엉클블록 문제로 인해 블록체인의 가치가 저하 될 수 있음에도 불구하고 이전의 연구들은 엉클블록에 대한 연구에 크게 주목하지 않았다. 따라서 본 연구의 목적은 블록체인의 엉클 블록 문제를 예측하고 대비할 수 있도록 엉클블록의 발생을 예측 하고자 한다. 본 연구는 엉클 블록 발생의 정확한 예측을 위해서 새로운 변수와 앙상블 분석 기법 도입의 타당성을 검증한다. 연구 방법으로 엉클블록 문제가 실제로 발생하는 이더리움의 엉클블록을 대상으로 보팅, 배깅, 스태킹 앙상블 분석 기법 을 활용하였다. 분석 데이터로는 이더리움과 비트코인 블록체인 정보를 활용하였다. 연구 결과, 이더리움 블록체인 정보 만을 활용하여 보팅, 스태킹 앙상블 기법을 적용할 경우 가장 높은 예측 결과가 나타난다는 사실을 발견하였다. 본 연구 의 결과는 엉클블록의 발생을 보다 정확하게 예측하여 블록체인의 엉클블록 문제에 대비할 수 있도록 기여한다.

The advantages of Blockchain present the necessity of Blockchain in various fields. However, there are several disadvantages to Blockchain. Among them, the uncle block problem is one of the problems that can greatly hinder the value and utilization of Blockchain. Although the value of Blockchain may be degraded by the uncle block problem, previous studies did not pay much attention to research on uncle block. Therefore, the purpose of this study attempts to predict the occurrence of uncle block in order to predict and prepare for the uncle block problem of Blockchain. This study verifies the validity of introducing new attributes and ensemble analysis techniques for accurate prediction of uncle block occurrence. As a research method, voting, bagging, and stacking ensemble analysis techniques were employed for Ethereum's uncle block where the uncle block problem actually occurs. We used Blockchain information of Ethereum and Bitcoin as analysis data. As a result of the study, we found that the best prediction result was presented when voting and stacking ensemble techniques were applied using only Ethereum Blockchain information. The result of this study contributes to more accurately predict the occurrence of uncle block and prepare for the uncle block problem of Blockchain.

본 연구는 메타버스 플랫폼을 기반하여 초등학교 기악합주 프로그램 개발에 목적이 있다. 연구 방법은 문헌연구방법을 사용하였으며, 문헌자료를 분석하여 소규모 학급을 대상으로 한 기악합 주 프로그램을 개발하였다. 결론은 다음과 같다. 첫째, 초등교과에 관한 메타버스를 활용한 수 업 사례가 충분하지 않다. 둘째, 온라인 공간에서 기악합주 수업은 소규모 학교에서 문제점을 극복하는데 이용될 수 있다. 셋째, 메타버스를 활용한 수업은 현재 아이들에게 학습활동에 몰입 과 흥미를 이끈다. 본 연구는 국내의 문헌을 중심으로 프로그램만을 개발하였기 때문에 프로그 램을 검증하는 후속 연구를 기대한다.

Research conducted on the Metaverse platform The purpose is to develop an elementary school instrumental music ensemble program based on this. The research method used was a literature research method.By analyzing literature data, we developed an instrumental ensemble program for small classes. The conclusion is as follows. first, There are not enough examples of classes using metaverse for elementary school subjects. Second, online in space Instrumental ensemble classes can be used to overcome problems in small schools. Third, classes using the metaverse Currently learning activities for children Immersion and interest Leads. This study focused on domestic literature and focused on programs Because it was developed, the program Follow-up to verify Looking forward to the research.