Earticle

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.

기계학습 기반 악성코드 탐지 모델은 학습셋에 존재하는 구조적 특성을 일반화하여 새로운 악성코드를 탐지하는 것을 목표로 한다. 그렇지만, 실제 악성코드 데이터셋은 특정 패밀리에 편향된 분포를 가지는 경향이 있어, 모델이 본질적이지 않은 패턴에 의존하게 되고 이에 따라 일반화 성능이 저하될 수 있다. 본 연구는 학습셋의 패밀리 분포가 일반화 성능에 미치는 영향을 분석하기 위해 패밀리 중복 수준과 다양성을 조절해 학습셋을 구성하고, IID(Independent and Identically Distributed) 및 OOD(Out-of-Distribution) 환경에서 모델 성능을 측정했다. 실험 결과, 일정 수준의 패밀리 중복은 모델의 일반화 성능을 향상시킬 수 있었지만, 중복이 과도할 경우 모델의 일반화 성능이 저하될 수 있으며, 패밀리 다양성이 높을수록 성능이 뚜렷하게 향상되는 경향을 확인했다. 이러한 결과는 IID 환경에서는 나타나지 않았으며, 이는 악성코드 탐지 모델 개발 시 학습셋 구성과 OOD 환경 기반의 평가가 필수적임을 시사한다.

Machine learning-based malware detection models aim to generalize structural characteristics present in the training set to detect new malware. However, real-world malware datasets tend to be biased toward specific families, which can cause models to rely on non-essential patterns, thereby degrading generalization performance. This study analyzes the impact of family distribution in the training set on generalization performance by constructing training sets with varying levels of family overlap and diversity, and evaluating model performance in both IID(Independent and Identically Distributed) and OOD(Out-of-Distribution) settings. Experimental results show that a certain level of family overlap can improve generalization performance, but excessive overlap can lead to performance degradation. Additionally, higher family diversity tends to significantly enhance performance. These effects were not observed in the IID setting, suggesting that training set composition and OOD-based evaluation are essential in the development of malware detecti on models.

This paper presents a Hybrid Alignment Model (HAM) based on a multi-source domain adaptation (MSDA) framework that designates directly captured, unprocessed images (Set C) as a fixed reference domain. Domain bias remains a major obstacle to generalization, particularly for models trained on visually enhanced web or academic images (Sets A and B), where Top-1 accuracy drops by up to 27.2 percentage points (pp) when transferred to real-world data (A→A = 0.988 vs. A→C = 0.716). We aim to overcome this domain bias, which severely degrades out-of-domain generalization in computer-vision–based gemstone identification. HAM builds on the 2,048-dimensional embedding of a pre-trained ResNet-50 backbone and integrates three complementary alignment strategies—maximum mean discrepancy (MMD, global), adversarial alignment (Adv., local), and contrastive alignment (Conf., class-boundary)—to mitigate domain shift at multiple levels. Decision-boundary stability is further enhanced through three auxiliary strategies—pseudo-labeling (PL), adaptive template matching (ATM), and dynamic loss weighting (DLW). Empirically, HAM achieves substantial gains over the baseline: Top-1 accuracy improves from 0.716 to 0.935 (+21.9 pp) for A→C and from 0.775 to 0.956 (+18.1 pp) for B→C, effectively mitigating domain bias and enabling robust cross-domain generalization. Explainable AI (XAI) analyses using Grad-CAM, LIME, SHAP, and Integrated Gradients (IG) confirm that the model consistently focuses on expert gemstone cues—light dispersion, surface texture, and facet boundaries— supporting interpretability and trust. To the best of our knowledge, this study presents the first empirical integration of all three core alignment mechanisms (MMD, Adv., Conf.) within a unified MSDA framework, offering an explainable and practically reliable approach for real-world gemstone identification.

An alternative solution to the problem of obtaining acceptable performances on a fading channel is the diversity technique, which is widely used to combat the fading effects of time-variant channels. The symbol error probability of M-ary DPSK (MDPSK), PSK (MPSK) and QAM (MQAM) systems using 2 branches from the branch with the largest signal-to-noise ratio(SNR) at the output of L-branch selection combining(SC), i.e., SC2 in frequency-nonselective slow Nakagami fading channels with an additive white Gaussian noise(AWGN) is derived theoretically. These performance evaluations allow designers to determine M-ary modulation methods against Nakagami fading channels.

뉴럴 네트워크는 학습에 사용하는 파라미터를 문제에 맞게 최적화하여 일반화 성능을 향상시키는 것이 목적이다. 선행 연구들은 다차원의 로스 랜드스케이프(loss landscape)를 시각화하는 방법을 탐구하며, 모델의 일반화 측면에서 어떤 영향을 주는지 탐구한다. 하지만 아직까지 로스 랜드스케이프가 근본적으로 일반화 성능에 어떠한 영향을 주는지 잘 알려져 있지 않으며, 평평하거나 경사진 로스 랜드스케이프 중 어떤 형태가 일반화 성능에 더 효과적인지 여러 의견이 나뉜다. 따라서 우리는 로스 랜드스케이프가 일반화 성능과 연관 있음을 실험을 통해 파악한다. 나아가 비전문제에서 MSA(multi-head self-attention) 레이어를 기반으로 구성된 트랜스포머 구조를 사용해 작은 유도 편향(inductive bias)을 가지며 소규모 데이터 셋 체제에서의 단점을 보완한다. 결론적으로 평평한 로스 랜드스케이프가 일반화 성능에 긍정적인 영향을 끼친다는 것을 관찰한다.

기존 시각 기반 강화학습은 강인한 표현 학습에 어려움이 있어 배경이나 시점 변화에 취약하다. 본 연구는 SimCLR 기반 대조 학습과 계층적 강화학습을 결합한 프레임워크를 제안한다. 인코더가 생성한 잠재 벡터를 목표 후보로 저장하고, 상위 정책은 의미 있는 목표를 샘플링하며, 하위 정책은 해당 목표 달성을 위한 행동을 생성한다. 두 정책 모두 PPO로 최적화되어 희소 보상 환경에서도 안정적인 목표 지향 탐색이 가능하다. DeepMind Control Suite 실험 결과, 제안 방법이 기존 방법 대비 학습 안정성과 일반화 성능을 향상시킴을 확인하였다.

Conventional visual reinforcement learning struggles with robust representation learning, causing performance degradation under visual variations. This study proposes a framework integrating SimCLR-based contrastive learning with hierarchical reinforcement learning. The encoder generates latent vectors stored as potential goals, while a high-level policy samples meaningful goals and a low-level policy produces actions. Both policies are optimized using PPO, enabling stable goal-directed exploration in sparse-reward environments. Experiments on DeepMind Control Suite tasks demonstrate improved training stability and generalization compared to baselines.

본 연구에서는 신경망 학습의 중요한 평가 척도로써 고려될 수 있는 일반화 성능과 학습속도를 개선시키기 위한 방안으로써 초기 가중값과 학습률과 같은 주요 인자들을 이용한 신경망 학습 영향을 살펴본다. 특히 초기 가중값과 학습률을 고정시킨 후 새롭게 조정된 계수들을 점차적으로 변화시키는 새로운 인자 결합방법을 이용하여 신경망 학습량과 학습속도를 비교해 보고 계수조정을 통한 개선된 학습 영향을 살펴본다. 그리고 단순한 예제를 이용한 실증분석을 통하여 신경망 모형의 일반화 성능과 학습 속도 개선을 위한 각 인자들의 개별 효과와 결합 효과를 살펴보고 그 개선 방안을 제시한다.

k-익명화는 해커들의 개인 정보 탈취를 예방하기 위해, 원래의 데이터를 변경하여 제삼자에게 배포하는 기술이다. 데이터 일반화는 원래의 데이터 값을 고수준의 값으로 대체하는 방법으로 k-익명화 기법에서 널리 사용되고 있다. 이 기법은 매우 효율적인 방법으로 증명되고 있지만, 일반화된 데이터를 딥러닝에 사용할 경우, 학습 성능이 저하되는 단점이 있다. 본 연구에서는 데이터 일반화에 의한 값 왜곡이 딥러닝 성능에 얼마나 영향을 주는지 알아보고자 하였다. 실험에서는 텐서플로우를 사용하여 딥러닝 모델을 구축하고 일반화되지 않은 데이터셋과 일반화된 데이터셋을 사용하여 구축된 모델을 학습시킨후, 각각에 대한 학습 성능을 측정하였다. 학습 데이터로는 2010년 1월 1일부터 2022년 6월까지 수집한 한국의 온도 데이터를 사용하였다. 실험을 위해, 데이터 일반화 기법을 적용하여 원래의 값을 고수준 값으로 변경하고 이를 실험 데이터로 사용하였다. 학습 성능 지표값으로는 평균제곱 오차(Root Mean Square Error, RMSE)를 사용하였다. 실험결과, 일반화 정도가 적을 경우, 0.90%의 성능 저하가, 일반화 정도가 중간일 경우, 3.15%의 성능 저하가, 일반화 정도가 심할 경우, 6.57%의 성능 저하가 발생하였다.

k-anonymization is a technology that changes original data and distributes it to third parties to prevent hackers from stealing personal information. Data generalization is widely used in k-anonymization where the data values are replaced by high-level ones. Although this method has been proven to be very effective in protecting personal information, when generalized data is used as machine learning data such as deep learning, there is a problem that the learning performance is degraded. This study tried to find out how much the value distortion caused by data generalization affects deep learning performance. In the experiment, a deep learning model was built using TensorFlow, the same model was trained using a non-generalized dataset and a generalized dataset, and the learning performance of each was measured. The Korea’s temperature collected from January 1, 2010 to June 2022 was used as training dataset. In addition, in order to generate distorted data, the values were changed into high-level generalized ones by force. Root Mean Square Error (RMSE) was used as the performance metric value. The experiment results show that when the degree of generalization was small, there was a performance degradation of 0.90%, when the degree of generalization was medium, a performance degradation of 3.15%, and when the degree of generalization was severe, a performance degradation of 6.57% occurred.

배경 및 목적: 본 연구에서는 새로운 의존형태소 일반화 과제(Novel Bound-Morpheme Generalization, NBMG)를 한국어와 영어로 개발하여 이중언어 사용 일반 아동, 단일언어 일반 아동, 단일언어 언어발달지연 아동의 형태소 학습 능력을 살펴보고, 집단 간 비교를 통하여 NBMG가 언어발달지연 아동 선별에 효과가 있는지 확인해 보고자 하였다. 방법: 본 연구에 참가하는 만4세 6개월-만7세 이중언어 일반 아동 30명, 단일언어 일반 아동 30명, 단일언어 언어발달지연 아동 20명이며, 이중언어 아동에게는 한국어 의존형태소 일반화 과제(KNBMG)와 영어 의존형태소 일반화 과제(ENBMG)를 실시하였고, 단일언어 아동에게는 KNBMG만 실시하였다. 결과: 이중언어 일반 아동, 단일언어 일반 아동, 단일언어 언어발달지연 아동의 KNBMG 수행력에서 단일언어 언어발달지연 아동이 이중언어 일반 아동과 단일언어 일반 아동에 비해 통계적으로 유의하게 낮은 수행력을 나타냈다. 또한 이중언어 일반 아동의 KNBMG점수는 한국어 수용어휘력 합산점수와 유의한 상관관계를 보였으며, KNBMG점수와 ENBMG점수도 유의한 상관관계를 보였다. 논의 및 결론: NBMG는 언어발달지연 아동을 선별하는데 효과적인 과제로써, KNBMG 수행력이 낮을 경우 아동의 언어발달지연을 의심해 볼 수 있다. 그러므로 이중언어 아동과 언어재활사가 공유하는 한 가지 언어로 NBMG를 제작하여 아동의 언어 능력을 측정할 수 있다는 가능성을 제시해 주었다.

Objectives: The standard evaluation tools widely used today cannot accurately assess the learning ability of bilingual children. For this reason, we produced the Novel Bound-Morpheme Generalization task (NBMG) in both English and Korean to measure bilingual children’s ability to learn morphemes. Methods: The age of the subjects ranged from 4 years and 6 months to 7 years old. There were 30 normally developing Korea-English bilinguals, 30 normally developing Korean monolinguals, and 20 Korean monolinguals with language impairment. For the bilinguals, both Korean NBMG (KNBMG) and English NBMG (ENBMG) tests were conducted, while for the monolinguals only KNBMG was conducted. Results: First, for the KNBMG, the performance of Korean monolinguals with language impairment was noticeably poorer than bilinguals and normal Korean monolinguals. Second, for the bilingual children, there was a noticeable correlation between their KNBMG performances and REVT total scores, and between KNBMG and ENBMG performances. Conclusion: In conclusion, NBMG was proven to be an effective evaluation tool for identifying children with language impairment; a poor performance on KNBMG may reasonably lead to suspicion of language impairment. It further suggests that measuring children’s language ability through a task created in a single language is effective when the language is shared by the bilingual children and the speech language pathologist.

본 연구는 플라스틱 재료를 사용한 유공관 암거의 품질성능시험을 통해 간척지 농지 범용화에 적용가능 여부를 판단하였다. 직경 30mm, 50mm, 55mm의 폴리에틸렌 재질의 유공관을 사용하였으며, 품질성능평가 항목은 밀도시험, 인장강도시험, 충격강도시험, 투수시험을 실시하였다. 밀도시험결과는 모든 시험편에서 유공관 품질기준인 밀도 0.94g/㎤이상의 결과를 보였으며, 인장강도 시험은 직경 30mm와 직경 55mm는24.5MPa이상으로 품질기준을 만족하지만, 직경 50mm 유공관에서 24.4MPa로 품질기준인 24.5MPa에 미흡하므로 보강이 필요한 것으로나타났다. 충격강도시험은 모든 시험편에서 파괴도 5미만으로 품질기준을 만족하는 결과를 보였으며, 내면에도 이상이 없는 것으로 분석되었다. 투수시험 결과는 모든 시험편에서 품질기준인 0.1㎝/sec 이하를 만족하는 결과를 보였다. 본 연구에 적용한 주름유공관은 간척지 범용농지에 지하배수암거로 사용이 가능한 것으로 평가되었다. 하지만 제품의 공장생산 시 품질관리가 미흡할 소지가 있으므로 현장반입 전 사전품질관리가 필요하다고 판단된다.