Earticle

Breast cancer normally occurs in the breast cells of both men and women, but is prominent in women. Computer aided detection increases the chance of early detection and diagnosis. This paper proposes a breast cancer detection method using Nuclear Atypia Scoring (NAS). The proposed cancer detection method works by converting each and every cancerous tissue into objects. Along with detecting the grade, proposed mechanism gives the count of the detected cells. This assists pathologists in identifying whether cells are cancerous or not along with the count of each type. Proposed model was evaluated on MITOS-ATYPIA-14 Challenge dataset. Accuracy of 0.89 and precision of 0.87 is obtained by the best method. Results indicate that the proposed machine learning technique has better performance as compared to existing methods and can aid pathologists in the detection process.

The unlimited possibilities of machine learning have been shown in several successful reports and applications. However, how to make sure that the searched results of a machine learning system are not tampered by anyone and how to prevent the other users in the same network environment from easily getting our private data are two critical research issues when we immerse into powerful machine learning-based systems or applications. This situation is just like other modern information systems that confront security and privacy issues. The development of blockchain provides us an alternative way to address these two issues. That is why some recent studies have attempted to develop machine learning systems with blockchain technologies or to apply machine learning methods to blockchain systems. To show what the combination of blockchain and machine learning is capable of doing, in this paper, we proposed a parallel framework to find out suitable hyperparameters of deep learning in a blockchain environment by using a metaheuristic algorithm. The proposed framework also takes into account the issue of communication cost, by limiting the number of information exchanges between miners and blockchain.

Due to the complex functioning of Smart Healthcare Systems (SHS), many security concerns have been raised in the past. It provisions the attackers to hamper the working of SHS in a variety of ways, e.g., injection of false data to replace vital signs, tampering of medical devices to prevent informing critical situations, etc. In this work, a novel ML-based framework, i.e., SmartHealth is proposed to secure IoMT devices in SHS. SmartHealth watches the vital signs gathered through different IoMT to analyze the change in various body activities to differentiate between normal activities and dangerous security attacks. The performance of the SmartHealth is also analyzed for three different dangerous attacks. During performance analysis, it has been observed that SmartHealth can identify wicked activities in IoMT 92% times accurately with an F1-score of 90%.

In this paper, a machine learning-based technique is presented for detecting compromised IoT devices in edge computing networks. The model profiles device behavior using parameters such as CPU usage, network traffic, and power data, detecting anomalies that suggest an attack may be in progress. The lightweight framework can achieve high detection accuracy at low computational cost and is capable of processing in realtime.

This study aims to extensively analyze the performance of various Machine Learning (ML) techniques for predicting version to version change-proneness of source code Java files. 17 object-oriented metrics have been utilized in this work for predicting change-prone files using 31 ML techniques and the framework proposed has been implemented on various consecutive releases of two Java-based software projects available as plug-ins. 10-fold and inter-release validation methods have been employed to validate the models and statistical tests provide supplementary information regarding the reliability and significance of the results. The results of experiments conducted in this article indicate that the ML techniques perform differently under the different validation settings. The results also confirm the proficiency of the selected ML techniques in lieu of developing change-proneness prediction models which could aid the software engineers in the initial stages of software development for classifying change-prone Java files of a software, in turn aiding in the trend estimation of change-proneness over future versions.

Entering the era of big data, data has become a source of competitiveness of the state and companies. Everyone is aware of the importance of data, but is not well aware of the importance of data analysis and utilization. Most people recognize the analysis and utilization of data as an area of experts. In this study, a customer analysis framework that can be easily performed by non-experts using machine learning was presented. Companies can understand customer characteristics and customer changes through periodic customer analysis.

도시부 교차로는 도시 내 둘 이상의 도로가 교차하는 지점을 말한다. 이러한 구조적 특성에 기인하여 교차로에서는 많 은 교통사고가 발생하고 있으며 이를 해결하기 위해 특별한 관리가 요구된다. 일반적으로 수행되는 교차로 안전성 평가 연구는 교통량 및 사고빈도 데이터를 활용한 Hotspot identification 방법으로 수행된다. 그러나 이러한 방법은 사고 심각 도에 영향을 미치는 상황 요인을 반영할 수 없기 때문에 신뢰도가 낮은 결과를 초래할 수 있다. 본 연구는 사고 심각도 요인 분석 결과를 활용한 도시부 교차로 안전성 평가 프레임워크를 제안한다. 먼저 머신러닝 방법인 Random forest(RF) 및 Extreme gradient boosting(XGB) 기법을 활용하여 교차로 사고 심각도에 영향을 미치는 변수를 도출하였다. 도출된 변수의 중요도는 AHP 분석 및 엔트로피 방법론을 통해 혼합 가중치로 산출된다. 산출된 혼합 가중치를 통해 각 교차로 별 평가 score를 계산하였으며, 교차로 간 안전성 우선순위를 제시하였다. 제시한 우선순위는 기존 연구에서 활용되고 있는 안전성 평가지표인 사고빈도 기반 PSI(Potential for safety improvement) 분석 결과와 비교하여 검증하였다. 분석은 2017-2019년 서울시, 부산시내의 80개 교차로에서 발생한 사고를 대상으로 하였다. 1) 심각도 분석 결과 충돌 유형, 가 해운전자 연령, 세부사고유형, 사고발생 위치 변수가 심각도에 유의한 영향을 미치는 변수로 도출되었다. 2) 해당 변수 들은 AHP 및 엔트로피 방법론을 통해 교차로 요인별 혼합 가중치 및 안전성 평가 score로 산출되었으며, 3) 평가 score 기반의 안전성 평가결과 사고심각도를 고려한 안전성이 취약한 교차로 서울, 부산시의 상위 5개 교차로를 도출하였다. 심각도 기반의 분석결과는 기존 빈도분석 기반의 PSI 평가결과와 비교했을 때 일부 교차로와 유사한 결과를 보이는 것 으로 나타났다. 이는 기존 빈도분석 기반의 안전성 평가가 갖는 접근방식과 달리 개별 사고가 갖는 특징을 반영했다는 점에서 세밀한 안전성 개선방안 도출을 할 수 있다는 점에서 의의를 갖는다.

Technologies that are considered to be a part of the fourth industrial revolution include holograms, augmented reality, and virtual reality. As technology advances, the industry’s scale is growing quickly as well. While the development of technology for direct use is moving slowly, awareness of floating holograms—which are considered realistic content—is growing as the industry’s scale and rate of technological advancement continue to accelerate. Specifically, holograms that have been incorporated into museums and exhibition spaces are static forms of content that viewers gaze at inertly. Additionally, their use in educational fields is very passive and has a low rate of utilization. Therefore, in order to improve usability from the viewpoint of viewers of realistic content, such as exhibition halls or museums, we introduce realistic content control technology in this study using a machine learning framework to recognize hands. It is anticipated that using the study’s findings, manipulating realistic content independently will enhance comprehension of objects presented as realistic content and boost its applicability in the industrial and educational domains.

Objective To evaluate the clinical utility and implementation considerations of artificial intelligence (AI)-based fetal health classification systems using the Kaggle Fetal Health Classification dataset, with a focus on obstetric physicians’ perspectives. Methods We analyzed the Kaggle Fetal Health Classification dataset (n=2,126), containing 21 cardiotocography parameters. Five machine-learning algorithms were evaluated: logistic regression, random forest, gradient boosting, support vector machine, and decision tree. Class weighting was applied to address the dataset imbalance. The model performance was assessed using standard classification metrics. An expert opinion-based clinical utility assessment framework was developed to assess interpretability, workflow integration, and safety. Results With class weighting applied, gradient boosting achieved the highest accuracy (89.67%), followed by random forest (88.50%) and logistic regression (82.16%). The most important predictive features were abnormal short-term variability (16.23% importance) and the percentage of time with abnormal long-term variability (13.21% importance). An analysis of all 21 features revealed that contraction-related parameters, including uterine_contractions, contributed minimally to the classification performance. The 35.3% false negative rate for pathological cases represents a significant safety concern and requires physician oversight. Conclusion AI-based fetal health classification systems show potential for future applications when properly validated. However, the significant false negative rate for pathological cases indicates that these systems cannot function independently. External validation using multicenter clinical data and prospective outcome studies is essential before clinical implementation.

Machine learning (ML) models are widely used in big data analysis. In particular, boosting algorithms have demonstrated the potential to achieve a predictive performance comparable to that of traditional statistical models through iterative learning. However, a notable limitation of the ML models is that their performance is limited by small sample sizes or insufficient explanatory variables. In this study, we investigated the variations in the predictive performance of ML models with different sample sizes and numbers of explanatory variables within the framework of a generalized linear model. The simulation study demonstrated that the prediction performance of the ML models improved as both the sample size and the number of explanatory variables increased. These results were also observed in the analysis of real-world datasets.

레오메트릭 측정은 고무 컴파운드의 최적 가황 특성을 결정하는 데 필수적이지만, 기존 방식은 시간이 오래 걸려 제조 효율성을 저하시키고 품질관리를 지연시킨다. 본 연구는 토크가 초기값보다 2단위(dNm) 증가하는 데 걸린 시간, 10% 가황도에 도달하는 데 걸린 시간, 90% 가황도에 도달하는데 걸리는 시간, 가황 완료 후 가장 높은 토크 값등 주요 레오메트릭 특성을 정확하게 예측하면서 측정시간을 크게 단축할 수 있는 머신러닝 기반 프레임워크를 제안한다. 천연고무, 스티렌-부타디엔 고무, 클로로프렌 고무, 에틸렌-프로필렌-다인 모노머 고무를 대상으로 1초 간격 토크–시간 데이터를 수집하였으며, 각 고무별 100배치를 무빙 다이 레오미터 측정 장비로 산업현장 조건에서 측정하였다. 데이터 전처리에는 이상치 제거, 결측치 보정, 스케일링, 피처엔지니어링을 포함하였다. Gradient Boosting Regressor, Extreme Gradient Boosting Regressor, CatBoost Regressor, Linear Regressor 을 적용하고 평균 절대 백분율 오차, 결정계수, 평균 절대 오차, 평균 제곱근 오차 지표와 교차검증으로 성능을 평가하였다. 분석 결과, 전체 측정시간의 30~70%만으로도 안정적인 특성 예측이 가능했으며, 최적 종료 시점은 고무 종류와 예측 대상에 따라 달랐다. 본 접근법은 다양한 고무 조성과 가황 시스템에 적용 가능한 데이터 기반 방법론으로, 품질관리 주기 단축과 운영 비용 절감에 기여할 수 있다.

Rheometric measurement is essential for determining the optimal curing characteristics of rubber compounds; however, conventional methods are time-consuming, reducing manufacturing efficiency and delaying quality control. This study proposes a machine learning?based framework that enables accurate prediction of key rheometric properties while significantly reducing measurement time. The target properties include the scorch time, defined as the time required for torque to increase by 2 dNm from the initial value; the cure onset time, representing 10% cure; the optimum cure time, representing 90% cure; and the maximum torque, corresponding to the equilibrium torque after vulcanization. Torque?time data were collected at 1-s intervals for natural rubber, styrene?butadiene rubber, chloroprene rubber, and ethylene?propylene?diene monomer rubber, with 100 batches per compound measured under industrial conditions using a Moving Die Rheometer. Data preprocessing included outlier removal, missing-value imputation, scaling, and feature engineering. Gradient Boosting Regressor, Extreme Gradient Boosting Regressor, CatBoost Regressor, and Linear Regressor were implemented, and model performance was evaluated using mean absolute percentage error, coefficient of determination, mean absolute error, root mean square error, and cross-validation. The results demonstrated that stable predictions of rheometric properties can be achieved with only 30?70% of the full measurement time, although the optimal cutoff point varied depending on the rubber type and target property. The proposed approach provides a data-driven methodology applicable to diverse rubber formulations and vulcanization systems, offering potential benefits for shortening quality control cycles and reducing operational costs in industrial practice.

급격한 기술 생명주기 단축 속에서 약신호의 조기 탐지는 조직의 선제적 기술혁신 전략 수립을 위한 핵심 역량이다. 그러나 전문가 직관에 의존하는 정성적 호라이즌 스캐닝은 인지적 편향과 정보 과잉으로 인해 예측의 재현성 및 조직적 수용성 확보에 구조적 한계를 지닌다. 본 연구는 이러한 한계를 극복하기 위해 대규모 학술 문헌을 활용한 정량-정성 통합 포어사이트 프레임워크를 제안한다. 분석 대상은 AI･디지털 기술 도메인에 한정하여, 2007년부터 2025년까지 arXiv에 게재된 약 89만 건의 프리프린트 논문이다. SBERT 임베딩과 K-Means 클러스터링을 적용하여 기술의 의미론적 흐름을 동적으로 추출하고, 이를 약신호, 부상신호, 추세신호의 세 단계로 분류하는 알고리즘을 개발하였다. 후향적 예측을 통해 검증한 결과, 단기 예측 구간(1~3년)에서 Macro F1 기준 0.878~0.913의 성능을 달성하였다. 본 연구는 Bijker et al.(1987)의 기술의 사회적 구성 이론과 Rogers(2003)의 혁신확산이론을 결합한 사회구성주의적 관점을 이론적 토대로 삼아, 약신호에서 주류 추세로의 전이가 임계 질량 형성이라는 사회적 과정을 거친다는 점을 실증하였다. 이를 통해 정량적 흐름 분석이 전문가 판단을 대체하는 것이 아니라 증거 기반 R&D 의사결정을 위한 보완적 토대로 기능할 수 있음을 확인하였다는 점에서 기술경영 및 혁신 정책적 의의를 가진다.

In an era of rapid technological change, the early detection of weak signals is a critical capability for formulating proactive technology innovation strategies. However, traditional qualitative horizon scanning, which relies heavily on expert intuition, faces structural limitations in securing predictive reproducibility and organizational receptiveness due to cognitive biases and information overload. To overcome these challenges, this study proposes a quantitative-qualitative integrated foresight framework utilizing large-scale academic literature. Restricting the analysis domain to AI and digital technologies, we analyzed approximately 890,000 arXiv preprint papers published between 2007 and 2025 using SBERT embeddings (384-dimensional) and K-Means clustering (K=100) to dynamically extract the semantic flows of technologies and classify them into Weak, Emerging, and Trend signals. Retrospective prediction verification demonstrated strong predictive performance (Macro F1: 0.878?0.913) across short-term horizons of 1 to 3 years. This study grounds its analytical approach in a social constructivist perspective, combining Bijker et al.'s (1987) Social Construction of Technology (SCOT) theory with Rogers' (2003) diffusion of innovations framework to empirically demonstrate that the transition from weak signals to mainstream trends follows a social process of critical mass formation. These results hold significant implications for technology management and evidence-based R&D decision-making by showing that data-driven quantitative flow analysis can complement, rather than replace, expert judgment ? while also extending the applicability of innovation diffusion theory to the domain of academic literature ecosystems.

4차 산업혁명 시대를 맞아, 제조 기업들은 생산성 향상을 위해 축적된 설비 데이터를 활용하여 스마트제조를 실현하는 것에 높은 관심을 두고 있다. 하지만 기존의 설비 데이터 분석 연구들은 주로 센서 데이터 등 정형 데이터를 대상으로 하여, 실제 큰 비중을 차지하고 있는 텍스트와 같은 비정형 데이터에 대한 분석 연구는 부족한 실정이다. 특히, 작업자가 수기로 작성한 텍스트 데이터를 활용한 사례는 매우 적었다. 따라서 본 논문에서는 작업자가 수기로 작성한 설비 오류 데이터를 분석하여 연관 규칙 마이닝을 통해 설비 오류 발생 패턴을 도출하는 프레임워크를 제안하고자 한다. 이때, 일반적인 텍스트 분석 기법과 같이 단어를 분석 기준으로 사용하는 경우 전문 용어에 해당하는 설비 오류의 의미를 표현하는 데에 한계가 있다는 점에 착안하여 구절을 추출하여 텍스트 분석 기준으로 사용하였다. 제안하는 프레임워크의 성능을 실제 사례를 통해 검증하였으며, 본 연구 결과를 활용하면 설비 오류를 예방하여 가동률을 높이고 나아가 제조 기업의 생산성 향상에 기여할 수 있을 것으로 기대한다.

With the advent of the 4-th industrial revolution, manufacturing companies have increasing interests in the realization of smart manufacturing by utilizing their accumulated facilities data. However, most previous research dealt with the structured data such as sensor signals, and only a little focused on the unstructured data such as text, which actually comprises a large portion of the accumulated data. Therefore, we propose an association rule mining based facility error pattern extraction framework, where text data written by operators are analyzed. Specifically, phrases were extracted and utilized as a unit for text data analysis since a word, which normally used as a unit for text data analysis, is unable to deliver the technical meanings of facility errors. Performances of the proposed framework were evaluated by addressing a real-world case, and it is expected that the productivity of manufacturing companies will be enhanced by adopting the proposed framework.

대규모 주거 단지 내 전기차 충전 스케줄링 최적화 등 에너지와 공간의 효율적인 통합 관리를 실현하기 위해서는 차량별 주차 정보를 사전에 파악할 수 있는 예측 기술 확보가 필수적이다. 따라서 본 연구에서는 주차 문제와 전기차 충전 조정 문제를 해결하기 위해 3단계의 주차 점유량 예측 방식을 제안한다. 1단계는 기계학습을 활용한 시간대 별 입차 대수 예측, 2단계는 예측한 입차 대수만큼 입차 시각에 따른 주차 시간 확률 밀도 근사 함수 기반의 랜덤 샘플링을 진행하여 차량별 주차 시간 예측, 3단계로는 예측한 입차 대수와 주차 시간을 활용하여 시간대별 주차 점유량을 예측하는 과정이다. 최종적인 주차 점유량 예측 결과는 결정계수(R2) 값을 비교하였을 때, 최대 0.93으로 높은 성능을 나타낸다. 따라서 본 연구는 입차 및 주차 시간을 예측할 수 있다는 점에서 '에너지와 공간의 통합 주차 관리' 분야에서 활용도가 높을 것이라 기대한다.

To realize the efficient integrated management of energy and space, such as optimizing electric vehicle (EV) charging scheduling in large-scale residential complexes, it is essential to secure prediction technologies capable of identifying individual vehicle parking information in advance. Accordingly, this study proposes a three-step parking occupancy prediction framework to address parking issues and EV charging coordination challenges. The methodology comprises: (1) predicting arrival counts per time slot using machine learning; (2) predicting individual parking durations through stochastic sampling based on probability density functions(PDFs) of parking duration corresponding to specific arrival times; and (3) estimating time-specific parking occupancy by integrating the predicted arrival and duration data. The final parking occupancy prediction results demonstrated high performance, achieving a maximum coefficient of determination (R2) of 0.93. Consequently, this study is expected to have significant utility in the domain of "integrated energy and space management," as it provides a robust means to forecast both vehicle arrivals and parking durations.

2020년 상수도 통계에 따르면 전국 상수도 보급률은 약 99% 정도로 높은 수치를 기록하고 있으나 노후관으로 인한 관로파손 및 수질사고로 인해 효과적인 운영에는 많은 어려움이 존재한다. 이러한 문제를 해결하기 위해 기술진단 및 정밀안전진단 등 체계적인 유지관리 규정이 도입되었으며 적용되고 있으며, 이때 시스템의 정량적인 성능평가를 위해 간접평가와 직접평가로 구성된 점수평가법이 적용되었다. 간접평가는 지중에 매설된 관로를 대상으로 매설연도, 관경, 관로연장 등의 노후도인자를 통해 관의 노후도를 추정하고 간접평가 결과 3등급으로 판명되는 관로의 경우 객관적인 관의 상태를 평가하기 위해 시편채취 및 관로 내시진단 등의 직접평가가 수행된다. 하지만 관로의 직접평가는 간접평가결과 3등급의 모든 관로에 대해 수행하기에는 진단비용 및 시간 등 제약조건에 따라 모든 지점에 대한 직접평가 수행에는 한계가 있다. 따라서, 본 연구에서는 이러한 관로 성능평가 기법의 한계를 개선하기 위해 상수도시스템 통합평가 기술을 개발하였다. 개발한 기술은 머신러닝 기법을 적용하여 간접평가 및 직접평가 결과를 토대로 직접평가가 필요한 지점의 결과를 예측하였다. 이를 바탕으로 상수도시스템 평가성능 향상 및 보강 우선순위 선정 단계에서 의사결정권자의 판단에 도움이 될 것으로 판단된다.

최근 급상승한 암호 화폐의 인기로 인해 암호 화폐 채굴 악성코드인 크립토재킹 위협이 증가하고 있다. 특히 웹 기반 크립토재킹은 피해자가 웹 사이트에 접속만 하여도 피해자의 PC 자원을 사용해 암호 화폐를 채굴할 수 있으며 간단하게 채굴 스크립트만 추가하면 되기 때문에 공격이 쉽고 성능 열화와 고장의 원인이 된다. 크립토재킹은 피해자가 피해 상황을 인지하기 어렵기 때문에 크립토재킹을 효율적으로 탐지하고 차단할 수 있는 연구가 필요하다. 본 연구에서는 크립토재킹의 대표적인 감염 증상과 스크립트를 지표로 활용하여 효과적으로 크립토재킹을 탐지하는 프레임워크를 제안하고 평가한다. 제안한 크립토재킹 탐지 프레임워크에서 행위 기반 동적 분석 기법으로 컴퓨터 성능 지표를 학습한 K-Nearest Neighbors(KNN) 모델을 활용했고, 스크립트 유사도 기반 정적 분석 기법은 악성 스크립트 단어 빈도수를 학습한 K-means 모델을 크립토재킹 탐지에 활용했다. 실험 결과에 따르면 KNN 모델은 99.6%의 정확도를 보였고, K-means 모델은 정상 군집의 실루엣 계수가 0.61인 것을 확인하였다.

Due to the recent surge in popularity of cryptocurrency, the threat of cryptojacking, a malicious code for mining cryptocurrencies, is increasing. In particular, web-based cryptojacking is easy to attack because the victim can mine cryptocurrencies using the victim's PC resources just by accessing the website and simply adding mining scripts. The cryptojacking attack causes poor performance and malfunction. It can also cause hardware failure due to overheating and aging caused by mining. Cryptojacking is difficult for victims to recognize the damage, so research is needed to efficiently detect and block cryptojacking. In this work, we take representative distinct symptoms of cryptojacking as an indicator and propose a new architecture. We utilized the K-Nearst Neighbors(KNN) model, which trained computer performance indicators as behavior-based dynamic analysis techniques. In addition, a K-means model, which trained the frequency of malicious script words for script similarity-based static analysis techniques, was utilized. The KNN model had 99.6% accuracy, and the K-means model had a silhouette coefficient of 0.61 for normal clusters.

본 논문은 실제 시스템의 빅데이터가 확보되었고 시스템에 대한 정보를 일부 알고 있을 때 파라미터를 가진 그레이박스 혹은 블랙박스 형태의 가설모델을 설정하고 기계학습을 통해 모델을 자동 생성하는 기법을 제안하였다. 제안된 프레임워크를 구현하고 다양한 가설모델에 대한 실험을 통해 학습된 모델의 정합도와 가설모델의 학습에 소요되는 비용에 대해 분석하였다. 실험결과 제안된 가설모델 기반 기계학습 기법으로 상미분방정식으로 기술될 수 있은 연속시스템의 그레이박스 혹은 화이트 박스 가설모델과 주어진 빅데이터를 이용하여 모델링을 했을 때 상당히 좋은 성능과 정확도를 보인 모델을 찾아낼 수 있음을 확인하였다. 이 기법은 최근 생성된 빅데이터를 이용하여 디지털트윈 모델의 일치성을 자동 갱신하거나 새로운 입력에 대한 출력을 예측하는 목적으로도 잘 활용될 수 있을 것으로 기대된다.

This paper proposes a method of automatically generating a model through a machine learning technique by setting a hypothetical model in the form of a gray box or black box with unknown parameters, when the big data of the actual system is given. We implements the proposed framework and conducts experiments to find an appropriate model among various hypothesis models and compares the cost and fitness of them. As a result we find that the proposed framework works well with continuous systems that could be modeled with ordinary differential equation. This technique is expected to be used well for the purpose of automatically updating the consistency of the digital twin model or predicting the output for new inputs using recently generated big data.

항공 분야에도 머신러닝 (ML; machine learning) 기반의 인공지능(AI; artificial intelligence)를 활용하는 시스템 개발이 본격적으로 시작되었다. 항공용 소프트웨어는 항공무선기술위원회(RTCA; Radio Technical Commission for Aeronautics) DO-178C 또는 DO-278A 등의 표준을 통해 안전성 보증을 하고 있으며, 이 표준들은 결정론적 특성과 설명가능성을 내재한 소프트웨어를 대상으로 개발되었고 잘 적용된다. 반면 ML 기반 AI는 그 특성을 고려할 때, 이러한 기존 소프트웨어 인증 표준 적용만으로는 그 신뢰성을 제대로 보증하기 어렵다. 본 논문에서는 유럽항공안전청(EASA; european union aviation safety agency)이 이에 대응하기 위해 제시하는 새로운 인증 방법론에 대해 알아보고, AI가 적용된 항공 소프트웨어 인증을 위해 국내 규제당국과 산업계가 어떤 준비를 해야 하는지 논의한다.

Recently, the Machine Learning based Artificial Intelligence has introduced in aviation field. In most cases, safety assurance of aviation software is achieved by applying RTCA DO-178C or DO-278A or similar standards. These standards were developed for and are well-suited to software that has inherent deterministic properties and explainability. Considering the characteristics of AI software based on ML, it is not feasible to assure the integrity of those new aviation systems using traditional software assurance standards mentioned above. In this paper, we research the certification framework that is newly suggested by EASA to deal with the aviation system including ML AI functions, and discuss what should the Korean authority and related industries prepare to cope with this issue.

Purpose ? This study develops a nonlinear stress test framework for Korean shipping firms by combining macroeconomic volatility-derived variables with ensemble machine learning and explainable AI. Unlike prior studies using annual averages, we construct intra-year volatility features from monthly FX, monthly Brent, and daily BDI data to mitigate smoothing bias in panel datasets. Design/Methodology/Approach ? For each indicator, we compute two volatility variables: coefficient of variation and max-min spread. The six volatility variables, combined with 14 firm-level financial ratios and four macro level variables, are fed into LightGBM and CatBoost classifiers. Three stress scenarios (FX shock, oil shock, and perfect storm) are injected into the trained models, and SHAP decomposes outcomes by variable contribution. Findings ? LightGBM attains the highest classification performance. SHAP analysis shows that firm-level financial variables, led by equity ratio, dominate default prediction, while volatility variables add predictive power beyond their level counterparts. Stress scenarios yield limited amplification because the panel structure forces all firms to share identical annual macro values, empirically confirming the smoothing bias problem. SHAP dependence analysis identifies nonlinear threshold turning points in key financial variables that act as critical buffers. Research Implications ? The study offers quantitative financial buffer guidelines by identifying SHAP-based turning points, and shows that firm-specific volatility measures are essential to effective maritime stress testing.