Earticle

기술 트렌드가 증가함에 따라, 엄청난 양의 데이터가 생성되고 있습니다. 많은 양의 데이터가 소비되는 기술 분야 중 하나는 컴퓨터 비전이다. 인간은 기계와 비교할 때 시각에 영향을 미치는 표정, 조명 또는 시야각과 같은 외부 조건에서도 얼굴이나 사물을 쉽게 감지하고 인식할 수 있다. 그 이유는 그것과 관련된 높은 차원 의 데이터 때문이다. 데이터 차원성은 모든 관측치에서 측정되는 변수의 총 수를 말합니다. 이번 사업은 안 면인식시스템에 적합한 다양한 차원감소 기법을 비교하고 조도가 다양한 안면이미지로 구성된 다양한 데이 터세트로 테스트해 모델의 정확도 향상에 도움이 되는 기법의 앙상블 모델을 제안하고 성능을 측정하는 것 이 목적이다.렉스 배경과 표현. 제안된 앙상블 모델은 주성분 분석(PCA)과 로컬 선형 임베딩(LLE)이라는 두 가지 차원 감소 기술의 혼합에서 벡터를 추출하고, 이를 밀도 높은 컨볼루션 신경망(CNN)을 통해 전달하여 야생 면(LFW) 데이터 세트의 얼굴을 예측한다. 이 모형은 0.95의 검정 정확도와 0.94의 검정 F1 점수로 수행 됩니다. 제안된 시스템은 시스템이 얼굴을 예측할 수 있는 제안된 앙상블 모델과 통합된 웹캠에서 라이브 비 디오 스트림을 캡처하는 플라스크를 사용하여 개발된 웹 앱을 포함한다.

With increasing trends in technology, there is a huge volume of data that is being created. One field in technology in which high amount of data is consumed, is computer vision. Human beings are able to detect and recognize faces or objects with ease even with external conditions such as expressions, illuminations or viewing angle affecting the sight when compared to the machines. This is because of high dimensions of data associated with it. Data dimensionality is refered to as total number of variables being measured in every observation. This project aims to compare different applicable dimensionality reduction techniques suitable for facial recognition system and propose an ensemble model of such techniques that will help improving the accuracy of the model and gauge the performance by testing it with different datasets consisting of facial images with varying illuminations, complex backgrounds, and expressions. The proposed ensemble model extracts feature vectors from a hybrid of two dimensional reduction techniques – Principal Component Analysis (PCA) and Locally Linear Embedding (LLE), and pass them through dense Convolutional Neural Network (CNN) to predict faces on the Labelled Faces in the Wild (LFW) dataset. The model performs with a testing accuracy of 0.95 and a testing F1 score of 0.94. The proposed system involves a webapp developed using Flask that captures a live video stream from a webcam which is integrated with the proposed ensemble model that allows the system to predict the face.

기상예보에서 활용하고 있는 앙상블 예보방법을 화학수송예보모델에 적용하여 미세먼지예보 적중률을 향상하고자 하 였다. 앙상블예보는 하나의 모델만 이용하여 예보결과를 확정하는 경우에는 예보결과에 편향적 오차로 인하여 예보 정확 도가 떨어지는 문제를 해결하기 위한 방법이다. 앙상블 모델의 입력자료인 화학수송예보모델은 한국대기질예보시스템 (KAQFS; Korean Air Quality Forecasting System)에서 테스트베드로 운영 중인 성격이 다른 5가지 모델을 이용하였다. 앙상블 기법은 3가지로 앙상블 멤버간의 산술평균, 가중평균, 기상 군집에 따른 가중평균을 테스트하였다. 가중치 산정 방법은 측정값과 모델값의 오차의 제곱합이 최소가 되는 최소자승법(Least squares method)을 적용하였다. 앙상블 예보 모델은 산술평균을 적용한 ENS01, 가중평균을 적용한 ENS02, 기상 군집에 따른 가중평균은 ENS03~ENS05에 적용하 여 5개의 앙상블 예보모델을 수행하여 평가하였다. 선행연구에서 고농도 예보적중률이 높았던 측정 습도에 대한 앙상블 모델을 ENS03으로 구성하고, 본 연구에서는 ENS03의 측정 습도 대신 예보 습도로 군집을 나눈 ENS04 모델과 온도, 풍 속, 습도에 대한 군집을 나눈 ENS05를 개발하였다. 본 연구로 개발한 ENS04와 ENS05의 성능이 기존 연구에 비해 성능 이 개선된 것을 확인하였고, 특히 온도, 풍속, 습도에 대해 군집을 나눈 ENS05는 예보지수 측면에서 거짓감지율이 감소 하며 감지확률은 증가하는 효과를 확인하였고, 통계평가 결과에서도 RMSE를 가장 많이 개선하는 것으로 나타났다. 본 연구를 기상조건에 따른 가중치를 부여하는 앙상블기법으로도 고농도 예보적중률을 향상시킬 수 있음을 확인하였다. 화 학수송모델의 예보적중률 향상도 지속적으로 필요하지만 예보의 적중률을 향상시키기 위한 앙상블 기법을 현업 예보에 적용하고, 향후 기상청에서 기상모델에 운영되는 칼만 필터링, 인공지능 기법 등 다양한 앙상블 기법을 검토하여 지역별 로 최적화된 예보방법으로 발전시킬 여지가 있다고 판단된다.

It aims to improve PM10 forecasting accuracy rate by applying the ensemble forecasting method used in weather forecasting to the chemical transport forecasting model. The ensemble forecast is a method for solving the problem that the forecast accuracy is low due to bias error in the forecast result when determining the forecast result using only one model. The chemical transport forecast models, which were the input data of the ensemble model, were based on five different models operated in the Korean Air Quality Forecasting System in test-beds. The ensemble method was tested by three items, arithmetic mean between ensemble members, weighted average and weighted average by weather cluster. The weighting method was based on the least squares method, which minimizes the sum of the squared error between the measured value and the model value. Regarding the ensemble forecast models, five ensembled forecasting models were created and evaluated by applying ENS01 where arithmetic mean was implemented, ENS02 where weighted average was implemented and ENS03~ENS05 where weighted average by weather cluster was implemented. In this study, ENS04 where clusters are divided by forecast humidity and ENS05 where clusters are divided by temperature, wind speed and humidity were developed. It was confirmed that ENS04 and ENS05 developed by this study had a reduced false detection rate, increased the detection probability and reduced RMSE in therms of forecasting and statistics index comparing with previous studies. Through this study, it was confirmed that the high-concentration forecasting accuracy rate can be improved by using the ensemble method which gives the weight according to weather conditions in the chemical transport model. While the forecasting accuracy rate of the chemical transport model is needed to be improved constantly, it is considered that there is a need to apply the ensemble method to the actual forecasting to improve the accuracy rate of the forecast constantly and develop an optimized forecast method by reviewing various ensemble methods such as Kalman filtering, artificial intelligence, etc.

미세먼지 예보 정확도를 향상시키기 위해서 여러 결정론적 예보모델로 예보 결과를 계산하고, 다양하게 에측된 예보치를 조합하여 최종 예보 결과를 도출하는 앙상블 기법에 대해서 연구를 진행하였다. 이를 위하여 기상 모델인 WRF(1)와 배출량 모델인 SMOKE(2), 화학수송 모델인 CMAQ(3)과 CAMx(4)를 이용하여 5개의 결정론적 모델을 제안하였다. 제안한 각각의 결정론적 예보모델결과를 이용하여 단순평균방법, 가중치를 적용하는 방법, 그리고 풍향, 풍속, 습도등의 기상조건에 따라서 가중치를 주는 방법 등 총 5종류의 앙상블 모델을 제시하고 그 예보 성능을 평가하였다. 결정론적 예보모델과 앙상블모델의 예보결과는 서울지역 자동측정망 자료와 비교하여 정확도를 비교 분석하였다. 본 연구에서 구성한 5가지의 앙상블 모델중에서는풍향, 풍속, 습도와 같은 기상조건에 의한 가중치를 적용하는 방법이 단순 평균을 적용하는 방법에 비해 높은 정합도를 나타내고 있으며, 이중 풍속에 대해서 가중치를 적용한 경우와 습도에 대해서 가중치를 적용한 경우가 예보적중률이 향상되는 것을 확인하였다. 이와 같이 여러 모델링 조건을 결합하여 다양한 예보결정론적 모델을 구성하여 예보치를 생산하고, 결정론적 예보치들을 기상조건에 따라 군집분석으로 별도의 가중치를 부여하여 조합하는 super-ensemble 방법을 적용하면 미세먼지 예보의 신뢰도가 향상될 수 있다는 것을 본 연구를 통하여 확인할 수 있었다.

This study was carried out to improve the accuracy of PM (Particulate Matter) forecasting using ensemble approaches. 5 prognostic forecast models were proposed based on various combination of meteorological model of WRF, emission inventories and chemical transport models of CMAQ and CAMx. The ensemble models using the prognostic forecast models were then suggested as ① a method of simply doing an arithmetical mean of 5 prognostic model forecast outcomes,② a super-ensemble method in which the weighted values of the prognostic model forecasts, ③ a method of the expanded super-ensemble in which the weighted values of the prognostic models are calculated by group classified by the meteorological conditions. In oder to evaluate performance of the proposed prognostic models and ensemble models, the forecasted PM concentrations were compared with the measurement at the ambient air quality monitoring sites in Seoul. The comparison shows that the ensemble models with weighted values on meteorological conditions, such as wind direction, wind speed and humidity improve the accuracy in the forecasting. This study also demonstrated that the reliability in the air quality forecasting can be improved by employing the ensemble approach rather than using a single prognostic model.

겨울철 도로 결빙으로 인한 사고는 대부분 큰 사고로 이어진다. 이는 운전자가 도로의 결빙을 사전에 자각하기 어렵기 때문이다. 본 연구에서는 AutoML과 CNN의 앙상블 모델을 이용하여 도로교통 이머징 리스크 를 정확하게 탐지하는 방법을 연구한다. 비정형 데이터인 이미지를 이용한 CNN 이미지 특징 추출 기반 도로교 통 이머징 리스크 분류 모델과 정형 데이터인 기상 데이터를 이용한 AutoML 기반 도로교통 이머징 리스크 분류 모델을 각각 학습시킨다. 그 후 모델들에서 도출된 확률값을 입력하여 CNN 기반 분류 모델을 보완하도록 앙상 블 모델을 설계한다. 이를 통해 도로교통 이머징 리스크 분류 성능을 향상하고 더 정확하고 빠르게 운전자에게 경고하여 안전한 주행이 가능하도록 한다.

Most accidents caused by road icing in winter lead to major accidents. Because it is difficult for the driver to detect the road icing in advance. In this work, we study how to accurately detect road traffic emerging risk using AutoML and CNN's ensemble model that use both structured and unstructured data. We train CNN-based road traffic emerging risk classification model using images that are unstructured data and AutoML-based road traffic emerging risk classification model using weather data that is structured data, respectively. After that the ensemble model is designed to complement the CNN-based classification model by inputting probability values derived from of each models. Through this, improves road traffic emerging risk classification performance and alerts drivers more accurately and quickly to enable safe driving.

본 연구는 월 단위로 집계된 관광지 방문객 통계를 일 단위로 분해하여 정밀한 관광지 방문객 수 예측을 수행하기 위한 통계적·머신러닝 기반 프레임워크를 제시한다. 연구 대상은 2022년 1월부터 2024년 12월까지의 제주지역 21개 주요 관광지이며, Denton-PFD(Proportional First Difference) 기법을 활용하여 월별 방문객 수를 일 단 위 시계열로 변환하였다. 이후 강수량, 기온, 풍속 등 기상 변수와 주말, 공휴일, 성수기 여부를 나타내는 캘린더 변 수를 결합하고, XGBoost, Random Forest, LightGBM을 결합한 트리 기반 앙상블 모델을 구축하였다. 모델 성능 평가는 대칭 평균 절대 백분율 오차(sMAPE)를 통해 수행되었으며, Denton-PFD 기반 데이터셋은 균등 분해 데이터셋 대비 월평균 방문객 수 중·상위 그룹에 해당하는 관광지에서 예측 성능을 평균 약 23% 향상시킨 것으로 나타났다. 연구 결과, Denton-PFD 기반 일 단위 분해는 월 단위 데이터의 정보 손실을 최소화하면서 외생 변수에 따른 단기 변동성을 효과적으로 반영함을 실증하였다. 이는 관광지 방문객 수 예측 연구에서 고빈도 시계열을 구성 하는 새로운 방법론적 기반을 제시하며, 나아가 관광지 단위의 일별 수요 관리 및 혼잡 완화 정책 수립을 위한 근거 로 활용될 수 있다.

This study presents a statistical and machine learning-based framework to perform precise daily visitor count predictions by decomposing monthly aggregated tourist attraction visitor statistics into daily components. The study subjects are 21 major tourist attractions in the Jeju region from January 2022 to December 2024. The Denton-PFD (Proportional First Difference) technique was used to convert monthly visitor counts into daily time series. We then combined meteorological variables such as precipitation, temperature, and wind speed with calendar variables including weekends, public holidays, and indicators of peak season status, and built a tree-based ensemble model that integrates XGBoost, Random Forest, and LightGBM. Model performance was evaluated using symmetric mean absolute percentage error (sMAPE). The Denton-PFD-based dataset demonstrated an average improvement of approximately 23% in prediction performance compared to the uniformly disaggregated dataset for tourist destinations in the middle-to-upper group of monthly average visitor counts. The study demonstrated that Denton-PFD-based daily decomposition effectively captures short-term volatility driven by exogenous variables while minimizing information loss in monthly data. This provides a new methodological foundation for constructing high-frequency time series in tourism visitor forecasting research and can serve as a basis for developing daily demand management and congestion mitigation policies at the tourism destination level.

The rising prevalence of breast cancer across the globe requires the application of advanced diagnostic techniques for early detection and treatment. This research uses the Wisconsin Breast Cancer Dataset to explore the efficacy of various machine-learning algorithms and ensemble techniques in predicting breast cancer. The study encompasses three significant steps: data retrieval from Kaggle, data preparation through exploratory data analysis, and predictive model formulation and evaluation. Various machine learning algorithms, including Support Vector Machine (SVM) and Random Forest (RF) were employed alongside ensemble techniques like Bagging, Boosting, and a Voting Classifier that integrates multiple models. Feature selection emerged as a pivotal task, enhancing model performance by focusing on significant attributes, thus addressing challenges like high dimensionality and overfitting while promoting model interpretability. The Voting Classifier exhibited the highest accuracy of 98.25%, with varying performance across different feature sets. The insights garnered from feature selection and machine learning models demonstrate promising capabilities for early breast cancer diagnosis, emphasizing the critical role of machine learning in advancing medical data analytics for better healthcare outcomes. This research not only underscores the potential of machine learning in medical diagnostics but also provides a comprehensive exploration of feature selection and ensemble learning in achieving superior predictive accuracy in breast cancer detection.

웹 추천기법에서 가장 많이 사용하는 방식 중의 하나는 협업필터링 기법이다. 협업필터링 관련 많은 연구에서 정확 도를 개선하기 위한 방안이 제시되어 왔다. 본 연구는 Word2Vec과 앙상블 합성곱 신경망을 활용한 영화추천 방안에 대해 제안한다. 먼저 사용자, 영화, 평점 정보에서 사용자 문장과 영화 문장을 구성한다. 사용자 문장과 영화 문장을 Word2Vec에 입력으로 넣어 사용자 벡터와 영화 벡터를 구한다. 사용자 벡터는 사용자 합성곱 모델에 입력하고, 영화 벡터는 영화 합성곱 모델에 입력한다. 사용자 합성곱 모델과 영화 합성곱 모델은 완전연결 신경망 모델로 연결된다. 최종적으로 완전연결 신경망 의 출력 계층은 사용자 영화 평점의 예측값을 출력한다. 실험결과 전통적인 협업필터링 기법과 유사 연구에서 제안한 Word2Vec과 심층 신경망을 사용한 기법에 비해 본 연구의 제안기법이 정확도를 개선함을 알 수 있었다.

One of the most commonly used methods of web recommendation techniques is collaborative filtering. Many studies on collaborative filtering have suggested ways to improve accuracy. This study proposes a method of movie recommendation using Word2Vec and an ensemble convolutional neural networks. First, in the user, movie, and rating information, construct the user sentences and movie sentences. It inputs user sentences and movie sentences into Word2Vec to obtain user vectors and movie vectors. User vectors are entered into user convolution model and movie vectors are input to movie convolution model. The user and the movie convolution models are linked to a fully connected neural network model. Finally, the output layer of the fully connected neural network outputs forecasts of user movie ratings. Experimentation results showed that the accuracy of the technique proposed in this study accuracy of conventional collaborative filtering techniques was improved compared to those of conventional collaborative filtering technique and the technique using Word2Vec and deep neural networks proposed in a similar study.

데이터 마이닝 분야에서 앙상블 모형의 유용성은 널리 인정되고 있다. 앙상블을 구성하는 단위모형들 사이의 다양성이 보장되는 경우, 최종 모형의 정확성 및 안정성이 향상되기 때문이다. 하지만, 얼마나 많은 단위 모형들이 어떤 방식으로 결합되어야 하는가에 대해서는 아직도 더 많은 연구가 필요하다. 본 연구에서는 신용카드 부정사용 유형 중 하나인 현금불법융통 문제에 대해 앙상블 모형의 유용성을 검증하고자 한다. 부정행위 적발 모형은 전형적인 분류 문제의 한 유형이나, 클래스간 불균형이 매우 심하다는 특징이 있다. 따라서, 현금불법융통 문제에 적합한 다양성(Diversity) 척도를 개발하여 최소한의 단위모형들로 앙상블 모형을 구성하는 방안을 제시하였다. 축소된 앙상블 모형이 많은 수의 모형을 결합한 앙상블 모형과 거의 같은 정확성 및 안정성을 보임을 국내 신용카드사의 실제 자료를 사용하여 입증하였다.

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 study addresses default prediction through ensemble techniques and cost-sensitive learning. It introduces a novel stacking method, focusing on instances with varying misclassification costs. Previous research lacks this comprehensive approach, highlighting a research gap. The proposed technique proves advantageous in terms of economic payoff and performance, offering practical utility. It complies with regulatory monitoring standards without incurring statistical cost penalties. This study demonstrates potential revenue gains even without precise cost ratios. Empirical results using Taiwanese company bankruptcy data (1999-2009, 95 financial ratios) reveal significant outcomes. Firstly, the proposed algorithm markedly improves economic payoff. Secondly, its statistical performance remains unaffected, even considering the dependency on overall prediction errors related to misclassifying defaults. Lastly, the method is computationally efficient, robust across cost scenarios.

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.

An ensemble classifier is a method that combines output of multiple classifiers. It has been widely accepted that ensemble classifiers can improve the prediction accuracy. Recently, ensemble techniques have been successfully applied to the bankruptcy prediction. Bagging and random subspace are the most popular ensemble techniques. Bagging and random subspace have proved to be very effective in improving the generalization ability respectively. However, there are few studies which have focused on the integration of bagging and random subspace. In this study, we proposed a new hybrid ensemble model to integrate bagging and random subspace method using genetic algorithm for improving the performance of the model. The proposed model is applied to the bankruptcy prediction for Korean companies and compared with other models in this study. The experimental results showed that the proposed model performs better than the other models such as the single classifier, the original ensemble model and the simple hybrid model.

최근 장기적인 기후 변동성을 고려하기 위하여 대기-해양 순환 패턴을 수치화한 기상인자가 수문 변수 예측에 널리 사용되 고 있다. 또한 정확하고 안정적인 예측을 위해 인공신경망 기반의 예측 모형이 꾸준히 발전하고 있다. 기상인자를 활용하여 기후 변동성을 고려한 수문량 예측은 수자원 및 환경 보존의 장기적인 관리에 효율적으로 활용될 수 있으므로 수문 변수에 유의한 인자의 파악과 이를 활용한 예측 모형의 적용은 꾸준한 도전이 될 것이다. 본 연구에서는 우리나라 한강 유역 댐 유 입량에 통계적으로 유의한 상관성이 있는 대표 기상인자를 선정하고, 이를 인공신경망 앙상블 모형에 적용하여 댐 유입량 예 측을 수행하였다. 이를 위해 앙상블 경험적 모드분해법을 활용하여 댐 유입량과 기상인자간의 통계적 상관성을 확인하였으 며, 기존 단일 인공신경망 모형의 한계를 보완한 인공신경망 앙상블 모형을 구축하였다. 예측 수행 결과, 5개 댐 상관계수 평균이 훈련 기간에서 0.88, 검증 기간에서 0.68의 예측력을 보이는 것을 확인하였으며, 본 연구에서의 절차를 토대로 우리 나라의 다양한 수문 변수와 기후 변동성간의 관계를 활용한 다양한 적용 사례가 나오길 기대한다.

Recently, climate indices represented by quantifying atmospheric-ocean circulation patterns have been widely used to predict hydrologic variables for considering long-term climate variability. Hydrologic forecasting models based on artificial neural networks have been developed to provide accurate and stable forecasting performance. Forecasts of hydrologic variables considering climate variability can be effectively used for long-term management of water resources and environmental preservation. Therefore, identifying significant indicators for hydrologic variables and applying forecasting models still remains as a challenge. In this study, we selected representative climate indices that have significant relationships with dam inflow time series in the Han-River basin, South Korea for applying the dam inflow forecasting model. For this purpose, the ensemble empirical mode decomposition(EEMD) method was used to identify a significance between dam inflow and climate indices and an artificial neural network(ANN) ensemble model was applied to overcome the limitation of a single ANN model. As a result, the forecasting performances showed that the mean correlation coefficient of the five dams in the training period is 0.88, and the test period is 0.68. It can be expected to come out various applications using the relationship between hydrologic variables and climate variability in South Korea.

최근 스마트 모빌리티 시스템이 운전자 중심 서비스를 위해 위·변조에 강인한 신체 내부의 전기적 신호인 생체신호를 이용하여 운전자 인식 연구가 활발히 진행 중이다. 기존 딥러닝 네트워크로써 CNN은 제한적인 지역적 특징 추출과 LSTM은 반주기적 생체신호의 형태학적 특징 분석 한계로 성능을 개선하는데 한계가 있다. 본 논문은 시간변화에 따른 신호 패턴을 학습하는 TCN(Temporal Convolutional Network)과 장기 의존성을 학습하는 BiLSTM (Bidirectional Long Short Term Memory)을 이용한 운전자 식별 시스템을 제안한다. 제안한 식별 시스템은 신 호의 잡음을 제거하는 전처리 과정, 기준점 및 비기준점 기반 특징 분할 과정, TCN과 BiLSTM 앙상블 모델에 의 해 운전자를 식별하는 과정으로 구성된다. 실험 결과, PhysioNet 공개 DB인 drivedb와 normal sinus rhythm database를 이용하여 운전자 식별 정확도는 각각 99.76%, 99.97%로 기존 단일 네트워크보다 4.64%, 3.84% 더 우수함을 확인하였다.

Recently, driver recognition research is actively underway for smart mobility systems to provide driver-centered services using biosignals, electrical signals inside the body that are resistant to forgery and falsification. As an existing deep learning network, CNN has limited local feature extraction and LSTM has limitations in improving performance due to limitations in analyzing morphological features of semi-periodic biological signals. This paper proposes a driver identification system using a temporal convolutional network(TCN) that learns signal patterns according to time changes and a Bidirectional Long Short Term Memory(BiLSTM) that learns long-term dependencies. The proposed identification system consists of a preprocessing process to remove noise from the signal, a feature segmentation process based on fiducial points and non-fiducial points, and a process to identify the driver using the TCN and BiLSTM ensemble models. Experimental results using the PhysioNet public databases, drivedb and normal sinus rhythm database, showed that the driver identification accuracy was 99.76% and 99.97% respectively, which is 4.64% and 3.84% better than the existing single network models.

In this study, we proposed an Automated Writing Evaluation (AWE) system for Korean learner texts using a multi-view model. To address the linguistic complexity of Korean, the model represents the input text with various n-grams and combines the results of the base models trained on these features in a higher meta model to make the final prediction. The system outperformed the transformer-based AWE models, achieving an average accuracy of 83.5% and an average F1 score exceeding 82% across evaluation datasets. Furthermore, it maintained consistent performance across all proficiency levels and showed particularly better robustness on unseen data. In addition, the system enhances interpretability of the automatic grading by providing a confidence score for the prediction, the linguistic features using PCA analysis, and the n-gram tokens that contributed to the rating. This study is expected to provide practical help for teachers to evaluate learners' writing more efficiently and accurately.

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 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 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.

코로나바이러스감염증-2019(Coronavirus Disease-2019, COVID-19)는 발생 직후부터 급속히 확산되어 현재까 지도 전 세계 보건에 중대한 영향을 미치고 있다. 이에 본 연구에서는 이 질병의 빠른 확산을 방지하기 위한 효율적 인 진단 방법으로 컨볼루션 신경망을 기반으로 흉부 X선 영상에서 COVID-19를 자동으로 검출하기 위한 End-to-End 앙상블 학습방법을 제안한다. 먼저 연구 데이터세트는 클래스 불균형 문제를 줄이기 위해 오픈소스 데이터베이스에 서 얻은 정상 및 COVID-19 영상을 각 442개로 구성하였다. 제안하는 모델은 크게 특징추출계층과 분류계층으로 구 성되는데, 특징추출계층에는 총 5가지의 CNN 모델(DenseNet201, VGG19, ResNet50, Xception, lnceptionV3)을 이용 하여 앙상블 구조로 설계하였다. 그 결과 제안된 앙상블 모델이 단일 모델에 비해 분류 성능이 향상됨을 확인하였다. 결론적으로 End-to-End 앙상블 모델은 COVID-19 진단 모델의 성능을 향상시킬 수 있는 유용한 모델임을 확인하였 다. 따라서 End-to-End 앙상블 학습방법을 사용한 모델은 초기 스크리닝 과정에서 적용하여 감염병의 확산을 효과적 으로 예방할 수 있는 도구로써 활용될 수 있을 것으로 기대된다.

Since the outbreak of Coronavirus Disease 2019(COVID-19), it has rapidly spread and significantly influenced on the global health. In order to prevent rapid spread as much as possible, we propose an end-to-end ensemble method to detect COVID-19 in chest X-ray images based on convolutional neural networks as a method for diagnosing COVID-19. First of all, to reduce the class imbalance problem, the dataset was composed of 442 normal images and 442 COVID-19 images based on the two public databases. The proposed model is made up of a feature extractor and a classifier. The feature extractor was designed as an ensemble structures by using DenseNet201, VGG19, ResNet50, Xception, and lnceptionV3. As a result, the proposed model improved classification performance compared to the single model. In conclusion, the End-to-End ensemble model confirmed that the proposed ensemble method is an useful method to improve the performance of the COVID- 19 diagnostic model. The model using the End-to-End ensemble learning method can be applied to the screening stage to help prevent the spread of infectious diseases.

This paper presents a novel hybrid data drift detection framework, the Ensemble Modeling-based Hybrid Drift Score (EM-HDS), that integrates Principal Component Analysis (PCA), Variational Autoencoders (VAEs), and ensemble modeling to effectively detect both global structural shifts and localized non-linear variations in feature space. PCA identifies global changes by monitoring variance alignment and principal component transformations, while VAEs enhance sensitivity to localized anomalies through probabilistic modeling of reconstruction errors. The EM-HDS framework integrates complementary techniques using a Random Forest ensemble model, effectively capturing complex, non-linear relationships between PCA and VAE metrics. Experimental evaluations on synthetic datasets with simulated drift and real-world COCO image features demonstrate the robustness and adaptability of the proposed method. EM-HDS delivers superior drift detection performance, significantly improving detection accuracy, particularly in scenarios involving simultaneous global and local drifts, surpassing standalone PCA and VAE approaches. Although the framework requires careful tuning of hyperparameters to adapt to specific datasets, its ability to dynamically adjust to diverse drift patterns makes it a practical and effective solution for real-time monitoring and adaptation in dynamic environments. This research establishes a strong foundation for enhancing the reliability of machine learning models in complex, real-time applications for future work.