Earticle

Objective To present new classification methods of knee osteoarthritis (KOA) using machine learning and compare its performance with conventional statistical methods as classification techniques using machine learning have recently been developed. Methods A total of 84 KOA patients and 97 normal participants were recruited. KOA patients were clustered into three groups according to the Kellgren-Lawrence (K-L) grading system. All subjects completed gait trials under the same experimental conditions. Machine learning-based classification using the support vector machine (SVM) classifier was performed to classify KOA patients and the severity of KOA. Logistic regression analysis was also performed to compare the results in classifying KOA patients with machine learning method. Results In the classification between KOA patients and normal subjects, the accuracy of classification was higher in machine learning method than in logistic regression analysis. In the classification of KOA severity, accuracy was enhanced through the feature selection process in the machine learning method. The most significant gait feature for classification was flexion and extension of the knee in the swing phase in the machine learning method. Conclusion The machine learning method is thought to be a new approach to complement conventional logistic regression analysis in the classification of KOA patients. It can be clinically used for diagnosis and gait correction of KOA patients.

We present a newly developed machine learning based optimized design method for high-temperature superconducting (HTS) magnet. Previous optimization design methods required performing thousands to tens of thousands of magnet characteristic calculations repeatedly to evaluate the objective functions and constraints. If the computation time for analyzing magnet characteristics was long, the design process inevitably became very time-consuming. In this research, we introduce a method that uses machine learning regression techniques to achieve similar design performance while significantly reducing computation time. XGBoost algorithm was trained to create a virtual model capable of predicting the actual characteristics of the magnet. By utilizing this predictive model, which allows for much faster calculations, rather than directly computing the characteristics during the optimization process, the design process was significantly enhanced in terms of efficiency. The proposed design method was applied to the design of a 2 T-class HTS magnet, and it was confirmed that similar results to the previous design could be achieved much more quickly.

앞으로의 시대는 인공지능을 이용한 다양한 분야에 다양한 제품이 생성될 것이다. 이러한 시대에 인공지능의 학습 방법의 동작 원리를 알고 이를 정확하게 활용하는 것은 상당히 중요한 문제이다. 이 논문은 지금까지 알려진 인공 지능 학습 방법을 소개한다. 인공지능의 학습은 수학의 고정점 반복 방법(fixed point iteration method)을 기반으로 하고 있다. 이 방법을 기반으로 수렴 속도를 조절한 GD(Gradient Descent) 방법, 그리고 쌓여가는 양을 누적하는 Momentum 방법, 마지막으로 이러한 방법을 적절히 혼합한 Adam(Adaptive Moment Estimation) 방법 등이 있다. 이 논문에서는 각 방법의 장단점을 설명한다. 특히, Adam 방법은 조정 능력을 포함하고 있어 기계학습의 강도를 조정 할 수 있다. 그리고 이러한 방법들이 디지털 신호에 어떠한 영향을 미치는 지에 대하여 분석한다. 이러한 디지털 신호의 학습과정에서의 변화는 앞으로 인공지능을 이용한 작업 및 연구를 수행함에 있어 정확한 활용과 정확한 판단의 기준이 될 것이다.

In the future, various products are created in various fields using artificial intelligence. In this age, it is a very important problem to know the operation principle of artificial intelligence learning method and to use it correctly. This paper introduces artificial intelligence learning methods that have been known so far. Learning of artificial intelligence is based on the fixed point iteration method of mathematics. The GD(Gradient Descent) method, which adjusts the convergence speed based on the fixed point iteration method, the Momentum method to summate the amount of gradient, and finally, the Adam method that mixed these methods. This paper describes the advantages and disadvantages of each method. In particularly, the Adam method having adaptivity controls learning ability of machine learning. And we analyze how these methods affect digital signals. The changes in the learning process of digital signals are the basis of accurate application and accurate judgment in the future work and research using artificial intelligence.

본 논문에서는 빅데이터 기반 열 공급망의 이상탐지를 위한 기계학습 방법에 대해 연구하였다. 특히, 클래스 불균형 문제를 해결하기 위해 정상 데이터를 기반으로 이상 데이터를 생성하는 방법을 제시하였으며 임계점 기반(Threshold-based) 이상탐지 방법 및 기계학습 기반(Machine Learning-based) 이상탐지 모델을 사용해 성능 차이를 비교하였다. 비교 결과 임계점 기반 모델보다 기계학습 기반 모델에서 높은 성능을 보였다.

본 연구에서는 대전광역시 내의 보행로 2개소를 대상으로 보행 중 스마트폰 사용이 보행속 도에 미치는 영향을 분석하였다. 분석을 위해 스마트폰 사용실태에 대한 영상자료를 취득하고 도로용량편람에서 제시한 보행자 서비스수준의 보행밀도를 기준으로 보행속도를 산정하였다. 보행속도에 미치는 영향을 분석하기 위한 방법으로는 기계학습을 통한 다중회귀분석과 의사 결정나무(Decision tree)를 활용하였으며, 설명변수로는 성별, 스마트폰 미사용, 청각을 이용한 스마트폰 사용, 시각을 이용한 스마트폰 사용, 서비스수준A, 서비스수준B, 서비스수준C가 선 정되었다. 분석결과 서비스수준C가 보행속도 변화에 가장 높은 영향을 미치는 것으로 나타났으며, 서비스수준C에서 시각을 활용해 스마트폰을 이용한 여성그룹이 가장 낮은 속도로 보행 하는 것으로 나타났다. 특히 음악 감상이나 통화와 같은 청각을 이용한 유형보다 시각을 이용 하는 경우 대부분의 경우에서 보행속도가 크게 저하되며 통계적으로 유의한 차이가 있음을 확인하였다.

This study analyzed the impact of smartphone usage on walking speed during walking on two pedestrian walkways in Daejeon Metropolitan City. For the analysis, the video data about the actual use of smartphone was acquired and the walking speed was calculated based on the walking density of the pedestrian Level Of Service(LOS) presented in the Road Capacity Manual. Multiple regression analysis and decision tree using machine learning were used to analyze the impact of smartphone usage on walking speed, and as the explanatory variables, gender, disable smartphone, use of smartphone using auditory function, use of smartphone using visual function, LOS A, LOS B, LOS C were adopted. The result showed that LOS C had the highest impact on walking speed change and the women’s group using their visual function was founded to have the slowest walking speed in LOS C. In particular, the author found that walking speed significantly decreased in the case of use of visual function rather than listening to music or the hearing on the phone.

본 논문은 동적 샌드박스 도구를 이용하여 최근 급증하고 있는 멜트다운(Meltdown) 악성코드를 사전에 검출 및 차단하는 방법을 제시하였다. 멜트다운 공격 취약점에 대한 패치가 일부 제공되고 있으나 여전히 해당 시스템의 성능 저하 등의 이유로 의도적으로 패치를 적용하지 않는 경우가 많다. 이와 같이 적극적인 패치가 적용되지 않은 인프라를 위해 머신 러닝 기법을 이용하여 기존의 시그니처 탐지 방식의 한계를 극복하는 방법을 제시하였다. 우선 멜트다운의 원리를 이해하기 위해 가상 메모리, 메모리 권한 체크, 파이프 라이닝과 추측 실행, CPU 캐시 등 4가지의 운영체제 구동 방식을 분석하고 이를 토대로 멜트다운 악성코드에 리눅스 strace 도구를 활용하여 데이터를 추출하는 메커니즘을 제공하였으며 이를 기반으 로 의사 결정 트리 기법을 적용하여 멜트다운 악성코드를 판별하는 메커니즘을 구현하였다.

In this paper, we propose a method to detect and block Meltdown malicious code which is increasing rapidly using dynamic sandbox tool. Although some patches are available for the vulnerability of Meltdown attack, patches are not applied intentionally due to the performance degradation of the system. Therefore, we propose a method to overcome the limitation of existing signature detection method by using machine learning method for infrastructures without active patches. First, to understand the principle of meltdown, we analyze operating system driving methods such as virtual memory, memory privilege check, pipelining and guessing execution, and CPU cache. And then, we extracted data by using Linux strace tool for detecting Meltdown malware. Finally, we implemented a decision tree based dynamic detection mechanism to identify the meltdown malicious code efficiently.

소매유형간 경쟁이 치열해 질수록 고객이탈을 방지하려는 전략은 고객관계관리측면에서 매우 중 요시된다고 할 수 있다. 특히 기존 전통적 소매업이 위협받는 가운데 대형슈퍼마켓의 진입이 이루 어질 경우 기존고객의 이탈 등 대형슈퍼마켓의 진입에 따른 영향은 지역내 중소상공인 뿐만 아니라 지역사회의 중요한 쟁점사항이 된다. 또 진입하는 대형슈퍼마켓의 입장에서도 신규시장에서 새로운 고객층의 확대 여부는 진입타당성 검토시 매우 중요한 요소가 된다. 본논문에서는 이런 경우 소비 자의 소매유형 선택에 대한 정확한 예측이 매우 중요해진다고 할 수 있다. 본 논문에서는 최근 등장하고 있는 기계학습방식(Machine Learning Method)중 로지스틱 (Logistic) 회귀모형, 의사결정나무(Decision Tree), 랜덤포레스트(Random Forest), 부스팅(Boosting), 신경망(Neural Network) 등의 예측력을 비교하여 소비자의 소매유형(전통시장과 대형슈퍼마켓)의 선택 및 교차쇼핑(Cross Shopping)의 정도를 예측하는 모형을 설정하고자 하였다. 훈련자료를 통 해 각 방식별 최적모형을 도출한 후 테스트자료의 부트스트랩을 통해 각각의 예측력을 비교한 결과 랜덤포레스트와 부스팅과 같은 앙상블(Ensemble)방식은 예측력의 우월성 측면에서 다른 기계학습 방식들은 물론 기존 선형모형들과의 비교할 때 유의적인 차이를 보이고 있다.

As competition is getting fiercer between retail formats, the strategy to prevent shoppers from churning is very important in terms of shopper relationship management. Therefore, it is necessary to develop a predictive model to consider not only retail format choice (i.e., national chains or traditional market) but also the possibility of cross-shopping derived from the partial churn. In order to predict retail format choice and degree of cross shopping, the current study used logistic regression analysis, decision tree, random forest, GBM, neural network models, which can be simultaneously used for classification model and regression model. In order for the degree of cross-shopping, the visits to the favorite retail format for each shopper and the visits to the alternative store format were used as dependent variables. The ensemble method such as random forest and boosting were the most superior model in predicting the retail format choice. Through the appropriate use of machine learning method, superior prediction is possible from the retail format choice for each shopper to the degree of the cross shopping, affecting more effective customer relationship management (CRM).

연구목적: 기계학습법을 이용하여 일반적인 직선 교량의 지진 취약도 분석 연구는 다수 수행되었으나 곡선 교량 구조물에 대한 연구 사례는 미미하다. 따라서 본 연구의 목적은 기계학습법 기반 I형 곡선 거 더를 갖는 교량의 재료 특성 및 기하학적 불확실성을 고려한 지진 취약도 분석하는 것이다. 연구방법: 강재 및 콘크리트의 재료 특성과 교각의 높이를 불확실성 매개변수로 고려하였다. 라틴하이퍼큐브 기 법을 이용하여 매개변수를 샘플링하였으며 지진파의 불확실성을 고려하여 시간이력해석을 수행하였 다. 해석결과를 원본데이터로 인공신경망, 반응표면분석법을 적용하여 학습 데이터를 생성하였다. 최 종적으로 원본 데이터 및 학습데이터를 이용하여 지진 취약도 분석을 수행하였다. 연구결과: 라틴하이 퍼큐브 기법을 이용하여 매개변수를 샘플링하였으며 지진파의 불확실성을 고려하여 총 160회의 시간 이력해석을 수행하였다. 해석결과와 기계학습을 통해 얻어진 예측 값을 비교하였으며 두 값의 유사도를 비교하기 위해 결정계수를 비교하였다. 반응표변분석법의 결정계수가 0.737로 비교적 관측 값과 유사한 것으로 나타났다. 지진 취약도 곡선도 반응표면 분석법을 통해 예측된 값이 관 측 값과 유사한 것으로 나타났다. 결론: 본 연구에서 유한요소 해석을 통해 관측된 값과 기계학습법을 통해 예측된 값을 비교하였을 때 반응표면 분석법이 관측값과 유사한 결과를 예측하는 것으로 나타났다. 하지만 두 가지 기계학습법 모두 관측 값에 비해 과소평가되는 것으로 나타났다.

Purpose: Although many studies on seismic fragility analysis of general bridges have been conducted using machine learning methods, studies on curved bridge structures are insignificant. Therefore, the purpose of this study is to analyze the seismic fragility of bridges with I-shaped curved girders based on the machine learning method considering the material property and geometric uncertainties. Method: Material properties and pier height were considered as uncertainty parameters. Parameters were sampled using the Latin hypercube technique and time history analysis was performed considering the seismic uncertainty. Machine learning data was created by applying artificial neural network and response surface analysis method to the original data. Finally, earthquake fragility analysis was performed using original data and learning data. Result: Parameters were sampled using the Latin hypercube technique, and a total of 160 time history analyzes were performed considering the uncertainty of the earthquake. The analysis result and the predicted value obtained through machine learning were compared, and the coefficient of determination was compared to compare the similarity between the two values. The coefficient of determination of the response surface method was 0.737, which was relatively similar to the observed value. The seismic fragility curve also showed that the predicted value through the response surface method was similar to the observed value. Conclusion: In this study, when the observed value through the finite element analysis and the predicted value through the machine learning method were compared, it was found that the response surface method predicted a result similar to the observed value. However, both machine learning methods were found to underestimate the observed values.

최근 스마트폰의 보급 및 웹 서비스의 도입으로 온라인 사용자들은 대규모의 콘텐츠를 시간과 장소에 관계없이 접할 수 있게 되었다. 그러나 사용자들은 대규모의 콘텐츠 사이에서 원하는 콘텐츠를 찾는 데 어려움을 겪게 되었다. 이러한 문제를 해결하기 위해 다양한 분야에서 사용자 모델링 및 추천 시스템에 대한 연구가 활발하게 수행되었다. 그러나 정보 환경의 변화에 따른 시니어 계층의 적극적인 변화에도 불구하고 시니어 계층에 초점을 맞춘 사용자 모델링 및 추천 시스템에 대한 연구는 매우 부족한 실정이다. 이에 본 논문에서는 기계 학습 방법을 기반으로 스마트 시니어 계층의 선호도를 파악할 수 있는 모델링 방법을 제안하고, 스마트 시니어 분류 모델을 개발 한다. 이 결과, 스마트 시니어 계층의 선호도를 파악할 수 있을 뿐만 아니라 스마트 시니어 분류 모델 개발을 통해 시니어 사용자에게 가장 적합한 활동 및 콘텐츠를 제공하는 콘텐츠 추천 연구에 대한 발판을 마련하였다.

With the recent spread of smartphones and the introduction of web services, online users can access large-scale content regardless of time or place. However, users have had trouble finding the content they wanted among large-scale content. To solve this problem, user modeling and content recommendation system have been actively studied in various fields. However, in spite of active changes in senior groups according to the changes in information environment, research on user modeling and content recommendation system focused on senior groups are insufficient. In this paper, we propose a method of modeling smart senior based on their preference, and further develop a smart senior classification model using machine learning methods. As a result, we can not only grasp the preferences of smart seniors, but also develop a smart senior classification model, which is the foundation for the research of a recommendation system which will provide the activities and contents most suitable for senior groups.

Purpose: The purpose of this study is to develop a model for predicting mental health risk among adolescents based on health behavior information by employing a hybrid machine learning method. Methods: The study analyzed data of 51,850 domestic middle and high school students from 2022 Youth Health Behavior Survey conducted by the Korea Disease Control and Prevention Agency. Firstly, mental health risk levels (stress perception, suicidal thoughts, suicide attempts, suicide plans, experiences of sadness and despair, loneliness, and generalized anxiety disorder) were classified using the k-mean unsupervised learning technique. Secondly, demographic factors (family economic status, gender, age), academic performance, physical health (body mass index, moderate-intensity exercise, subjective health perception, oral health perception), daily life habits (sleep time, wake-up time, smartphone use time, difficulty recovering from fatigue), eating habits (consumption of high-caffeine drinks, sweet drinks, late-night snacks), violence victimization, and deviance (drinking, smoking experience) data were input to develop a random forest model predicting mental health risk, using logistic and XGBoosting. The model and its prediction performance were compared. Results: First, the subjects were classified into two mental health groups using k-mean unsupervised learning, with the high mental health risk group constituting 26.45% of the total sample (13,712 adolescents). This mental health risk group included most of the adolescents who had made suicide plans (95.1%) or attempted suicide (96.7%). Second, the predictive performance of the random forest model for classifying mental health risk groups significantly outperformed that of the reference model (AUC=.94). Predictors of high importance were ‘difficulty recovering from daytime fatigue’ and ‘subjective health perception’. Conclusion: Based on an understanding of adolescent health behavior information, it is possible to predict the mental health risk levels of adolescents and make interventions in advance.

본 연구는 급속한 고령화 시대에서 우리나라의 고령층의 경제활동 수준을 다양한 머신러닝 기법으로 정확히 예측하고자 하였다. 고령층의 경제활동 수준과 기존 연구들은 고령층의 삶의 만족도, 사회보장제도 등과 연관된 인과성 검증을 중심으로 이루어진 데 반해, 본 연구는 다양한 머신러닝 기법으로 고령층의 경제활동 수준을 예측하였 으며, 특히 예측조합법을 함께 사용함으로써 예측의 안정성을 도모하였다. 60세 이상의 경제활동참가율, 취업률 등을 종속변수로 하고 가구 특성, 소득, 평균임금 등을 설명변수로 설정하여 서로 다른 특성을 지닌 5가지의 머신러닝 기법 과 2가지의 예측조합법을 적용하여 예측결과들을 비교하였다. 분석 결과, 종속변수별, 예측구간별로 예측성능이 높은 머신러닝 기법 및 예측조합법은 상이하였으나, 예측의 안정성 측면에서는 예측조합법이 상대적으로 우수한 것으로 나타났다. 이에 따라, 본 연구는 고령층의 경제활동 수준을 정확히 예측하고 예측의 안정성을 도모하여 정책적 관점에 서도 실용성을 제고한다고 볼 수 있다.

This study predicts the economic activity level of the elderly in Korea using various machine learning methods. While the previous studies mainly focused on testing the relationship between the economic activity level and the life satisfaction or the social security system, this study aims at the accurate prediction on the economic activity level of the elderly using various machine learning methods and the forecast combination. Dependent variables such as the activity rate, employment rate, etc and independent variables such as the income, average wage, etc compose the dataset in this study. Five different machine learning methods and two forecast combinations are applied to the given dataset. The prediction performances of the machine learning method and the forecast combination varied across the dependent variables and prediction intervals, but it was found that the forecast combination was relatively superior to other methods in terms of the stability of prediction. This study has significance in that it accurately predicted the economic activity level of the elderly and achieved the stability of the prediction, raising practicality from a policy perspective.

본 논문에서는 머신러닝 알고리즘 중 하나인 다층 퍼셉트론을 기반으로 전력선통신 시스템에서의 수신 신호를 이용하여 송신단에서 전송한 원신호를 예측하는 시스템 모델을 제안한다. 전력망을 활용한 통신 방식을 사용하는 전력선통신 시스템은 일반적인 통신설 로를 활용하는 통신 방식에 비해 잡음이 많다. 이 때문에 전력선통신 시스템의 성능이 저하가 되는 문제가 발생한다. 이를 해결하기 위해 본 논문에서 제안하는 통신 시스템 모델을 이용하면 원신호 예측을 통해 잡음의 영향이 최소화되어 전력선통신 시스템의 성능 저하를 완화시킨다. 본 논문에서는 제안한 통신 시스템 모델을 백색 잡음 환경에 적용하여 시뮬레이션을 해봄으로써 원신호가 예측 되는지를 입증한다.

In this paper, we propose a system model that predicts the original signal transmitted from the transmitter using the received signal in the power line communication system based on the multi - layer perceptron which is one of the machine learning algorithms. Power line communication system using communication system using power network has more noise than communication system using general communication line. It causes a problem that the performance of the power line communication system is degraded. In order to solve this problem, the communication system model proposed in this paper minimizes the influence of noise through original signal prediction and mitigates the performance degradation of the power line communication system. In this paper, we prove that the original signal is predicted by applying the proposed communication system model to the white noise environment.

강우 데이터는 습지관리, 수문모의, 수자원 관리와 같은 다양한 분야에서 활용되는 필수 입력자료 중 하나이다. 강우 데이터를 활용하여 효율적인 수자원관리를 위해서는 기본적으로 데이터의 결측률을 최소화 시킴으로써 최대한 많은 데이터를 확보하는 것이 필수적이다. 또한 미계측 지역에 대한 강우 데이터를 확보한다면 보다 효율적인 수문모의가 가능하다. 그러나 결측 강우 데이터는 주로 통계학적 기법에 의해 추정되어 왔다. 본 연구의 목적은 데이터 간의 상관 관계를 기반으로 새로운 데이터를 예측할 수 있는 머신러닝 알고리즘을 활용하여 결측 강우 데이터를 복원할 수 있는 새로운 방법을 제안하고자 한다. 또한, 기존의 통계적 방법들과 비교하여 머신러닝 기법의 결측 강우 데이터 복원을 위한 활용가치를 평가하고자 한다. 평가를 위해 대표적인 머신러닝 알고리즘인 Artificial Neural Network (ANN)과 Random Forest (RF)을 적용하였다. 강우의 발생 유무를 분류하는 성능은 RF 알고리즘이 ANN 알고리즘보다 강우 발생유무의 분류 정확도가 높은 것으로 나타났다. 분류 모형의 평가 지표인 F1-score나 Accuracy값이 RF는 0.80, 0.77인 반면에, ANN은 0.76, 0.71로 계산되었다. 또한 강우량을 추정하는 성능 역시 RF가 ANN 알고리즘보다 보다 높은 정확도를 보였다. RF과 ANN 알고리즘의 RMSE은 2.8mm/day과 2.9mm/day이고,  값은 0.73, 0.68으로 계 산되었다.

Precipitation data is one of the essential input datasets used in various fields such as wetland management, hydrological simulation, and water resource management. In order to efficiently manage water resources using precipitation data, it is essential to secure as much data as possible by minimizing the missing rate of data. In addition, more efficient hydrological simulation is possible if precipitation data for ungauged areas are secured. However, missing precipitation data have been estimated mainly by statistical equations. The purpose of this study is to propose a new method to restore missing precipitation data using machine learning algorithms that can predict new data based on correlations between data. Moreover, compared to existing statistical methods, the applicability of machine learning techniques for restoring missing precipitation data is evaluated. Representative machine learning algorithms, Artificial Neural Network (ANN) and Random Forest (RF), were applied. For the performance of classifying the occurrence of precipitation, the RF algorithm has higher accuracy in classifying the occurrence of precipitation than the ANN algorithm. The F1-score and Accuracy values, which are evaluation indicators of the classification model, were calculated as 0.80 and 0.77, while the ANN was calculated as 0.76 and 0.71. In addition, the performance of estimating precipitation also showed higher accuracy in RF than in ANN algorithm. The RMSE of the RF and ANN algorithms was 2.8 mm/day and 2.9 mm/day, and the values were calculated as 0.68 and 0.73.

본 최근 들어, 머신러닝 기술의 발전과 더불어, 건설 분야에서도 다양한 분야에 머신러닝 기술이 접목되 는 것을 볼 수 있다. 머신러닝 기술은 기존의 사례데이터들을 기반으로 향후 미래의 사례에 대한 예측성능을 향상 시킬 수 있는 기술로서, 공사비를 예측하는 데에도 그 활용성이 높을 것으로 판단된다. 본 연구에서는 건설공사비 예측을 위한 딥러닝 모델에서 과적합방지를 위한 Drop out 방법을 적용하는 경우의 예측성능을 분석하고자 한다. 연구에서는 251개의 공사비 데이터를 활용하였으며, 이들 데이터를 활용하여 Drop out의 비율, Drop out 코드의 배치 위치와 적용 횟수, 레이어 층과 노드 수 변화에 따른 평균 오차율 등을 비교 분석하고자 하였다. 결과적으로 는 모델의 크기가 큰 모델, Drop out 비율이 낮은 모델, Drop out을 출력값에서 멀리 배치한 모델의 오차율이 낮 아지는 것을 확인하였다. 또한, 노드 수와 레이어 층을 늘릴수록 기존 모델에서는 정확도의 변화가 보이지 않지만, Drop out 모델의 예측 정확성이 기존 모델보다 향상되는 것을 알 수 있었다.

Recently, with the development of machine learning technology, it can be seen that machine learning technology is applied to various fields in the construction field. Machine learning technology is a technology that can improve prediction performance for future cases based on existing case data, and is expected to be highly utilized in predicting construction costs. This study aims to analyze the predictive performance when applying the Drop out and K-fold methods to prevent over fitting in the deep learning model for predicting construction costs. In the study, 251 construction cost data were used, and the data were used to compare and analyze the ratio of drop-out, the placement and application number of drop-out codes, changes in the number of layers and nodes, and the average error rate according to the K-fold verification method. It was confirmed that the error rates of the model with a large size, the model with a low drop-out ratio, the model with drop-out placed far from the power value, and the model with the K- In addition, it was found that as the number of nodes and layer layers increased, there was no change in accuracy in the existing model, but the prediction accuracy of the Drop out model was improved compared to the existing model.

APT(Advanced Persistent Threat) 공격은 사이버 공간상에 존재하는 다양한 공격 중에서 매우 위협적인 공격의 하 나로서 분명한 공격 의도와 대상이 존재하는 형태이다. APT는 복잡하고 다양한 방법과 기술을 사용하여 공격 대상으 로부터 중요 정보를 탈취하기 위해 공격한다. 이러한 APT는 첨단 기술과 인공지능의 발달로 공격 방식도 매우 지능화 되고 있는게 현실이다. 이러한 APT 공격은 특정 공격 대상에 맞게 설계되어 있어서 미리 설계된 규칙 기반 기법들로 는 탐지가 어렵다. 따라서 본 논문에서는 APT 공격 탐지를 위해 APT 공격 초기에 C&C 서버와의 연결을 탐지하는 기 법을 제안하였다. 이 기법은 C&C 서버와 멀웨어의 연결을 초기에 탐지하게 된다면 APT 공격에 대해 신속하게 대처할 수 있는 장점을 가질 수 있게 된다. 이러한 효율성을 높이기 위하여 DNS 서버와 관련한 네트워크 트래픽을 수집한 후 머신러닝을 기반으로 한 분석을 통해 C&C 서버를 탐지하는 방법을 제안하였다. 제안한 기법의 우수한 성능은 위해 실 험을 통해 확인할 수 있었다.

APT (Advanced Persistent Threat) attack is one of the most threatening attacks among various attacks that exist in cyberspace, and has a clear intention and target. APT attacks to steal sensitive information from the target using complex and diverse methods and techniques. The reality is that the attack method of these APTs is also becoming very intelligent due to the development of advanced technology and artificial intelligence. Since these APT attacks are designed for a specific attack target, it is difficult to detect them with pre-designed rule-based techniques. Therefore, in this paper, for APT attack detection, we propose a method to detect the connection with the C&C server in the early stage of an APT attack. If this technique detects the connection between the C&C server and malware at an early stage, it can have the advantage of quickly responding to APT attacks. To increase this efficiency, we proposed a method of detecting the C&C server through machine learning-based analysis after collecting network traffic related to the DNS server. The excellent performance of the proposed technique was confirmed through experiments.

In this research, we evaluate on the disassemblability of recycling process for vehicle front door using the symbolic chart method and machine-learning algorithm. It is applied to the front door of 1600cc class vehicle, and then the conventional steel door and CFRP door were compared. Based on the principle symbolic chart method, the number of processes can be different according to decomposer proficiency of suitability of recycling process, so the evaluation method is required to supply this issue. The machine learning algorithm, and artificial intelligence method were applied and the applicable tools for each experiment were used to compensate the variations in the number of processes according to different proficiencies. Because CFRP front door has integrated components compare to steel door, so its disassemblability processes were decreased to 80 from 103 of the conventional steel door’s. It can be confirmed that the disassemblability was increased from the suitability of recycling equation. In case of the steel, disassemblability was approximately 60.6, in case of the CFRP is approximately 72 for car front door. Therefore, it can be concluded that the disassemblability of CFRP was better in the evaluation of suitability of recycling.

본 연구는 목조문화재 흰개미 피해와 기상데이터를 이용하여 기계학습 모형을 수립하고 예측 성능을 평가하였다. 데이터는 흰개미 피해 데이터, 목조문화재 위치, 기상데이터로 구 분하였으며, 목조문화재 위치를 기준으로 가까운 3개의 관측지점을 탐색하고, 2010년부터 2018 년까지 약 8년의 기상데이터를 종합하여 총 491개의 데이터 셋을 만들었다. 정제된 데이터 셋 을 이용하여 기계학습 모형을 만들어 평가한 결과, 흰개미 피해에 직접적인 영향을 미치는 기 상요인으로 소형증발량이 모형을 가장 잘 설명해주는 시계열 독립변수라는 것을 확인하였으 며, Linear SVM 알고리즘 모형을 이용하였을 때 72.8%의 정확도를 나타내었다. 소형증발량은 기상청 종관기상 데이터로 모든 관측소에서 관측되는 기상요인이 아니라 특정 관측소에서만 수집되고 있어 예측 모형을 만들기에 충분한 데이터 확보가 어렵다. 기계학습 모형은 데이터수 가 충분할 때 정확도를 높일 수 있기 때문에 흰개미 피해 데이터와 소형증발량 데이터가 더 확보된다면 예측 성능을 높일 수 있을 것이다.

In this study, a machine learning model was established using termite damage and meteorological data on wooden cultural properties, and the prediction performance was evaluated. The data were divided into termite damage data, the location of wooden cultural properties, and meteorological data. Three observatories were searched based on the location of the wooden cultural properties, and meteorological data for about 8 years from 2010 to 2018 were combined to make a total of 491 data sets. As a result, it was confirmed that the value of small evaporation as a meteorological factor that directly affects termite damage is the time series independent variable that best explains the model, and showed an accuracy of 72.8% when the Linear SVM algorithm model was used. The value of small evaporation is the synoptic meteorological data of the Korea Meteorological Administration, and it is collected only at specific stations, not meteorological factors observed at all stations. Therefore, It is difficult to obtain enough data to make a predictive model. Since machine learning models can improve accuracy when the number of data is sufficient, prediction performance can be improved if more termite damage data and the value of small evaporation are obtained.

본 연구는 기존 동반질환을 이용한 중증도 보정 방법의 제한점을 보완하기 위해 급성심근경색증 환자의 맞춤형 중증도 보정방법을 개발하고, 이의 타당성을 평가하기 위해 수행되었다. 이를 위하여 질병관리본부에서 2006년부터 2015년 까지 10년간 수집한 퇴원손상심층조사 자료 중 주진단이 급성심근경색증인 한국표준질병사인분류(KCD-7) 코드 I20.0~I20.9 의 대상자를 추출하였고, 동반질환 중증도 보정 도구로는 기존 활용되고 있는 CCI(Charlson comorbidity index), ECI(Elixhauser comorbidity index)와 새로이 제안하는 CCS(Clinical Classification Software)를 사용하였다. 이에 대한 중 증도 보정 사망예측모형 개발을 위하여 머신러닝 기법인 로지스틱 회귀분석, 의사결정나무, 신경망, 서포트 벡터 머신기법을 활용하여 비교하였고 각각의 AUC(Area Under Curve)를 이용하여 개발된 모형을 평가하였다. 이를 평가한 결과 중증도 보정도구로는 CCS 가 가장 우수한 것으로 나타났으며, 머신러닝 기법 중에서는 서포트 벡터 머신을 이용한 모형의 예측력 이 가장 우수한 것으로 확인되었다. 이에 향후 의료서비스 결과평가 등 중증도 보정을 위한 연구에서는 본 연구에서 제시한 맞춤형 중증도 보정방법과 머신러닝 기법을 활용하도록 하는 것을 제안한다.

This study was conducted to develop a customized severity-adjustment method and to evaluate their validity for acute myocardial infarction(AMI) patients to complement the limitations of the existing severity-adjustment method for comorbidities. For this purpose, the subjects of KCD-7 code I20.0 ~ I20.9, which is the main diagnosis of acute myocardial infarction were extracted using the Korean National Hospital Discharge In-depth Injury survey data from 2006 to 2015. Three tools were used for severity-adjustment method of comorbidities : CCI (charlson comorbidity index), ECI (Elixhauser comorbidity index) and the newly proposed CCS (Clinical Classification Software). The results showed that CCS was the best tool for the severity correction, and that support vector machine model was the most predictable. Therefore, we propose the use of the customized method of severity correction and machine learning techniques from this study for the future research on severity adjustment such as assessment of results of medical service.