Earticle

본 연구는 ODA 정책을 수립하고 결정하는데 있어서 원조를 받는 수원국들의 특성을 분류하여 그 특성에 맞는 중장기 전략을 수립하는 것이 필요하다는 전제하에 국가분류를 체계적으로 하기 위한 방법론을 개발하는 것을 1차적 목적으로 한다. 더 나아가 본 연구는 분류된 개발도상국가들에 대하여 국가의 특성을 고려한 ODA 정책방향을 제시하는 것을 2차적 목적으로 한다. 이 연구를 위하여 선진 국과 개발도상국을 포함한 166개 국가들에 대하여 SDGs 점수와 1인당 GDP를 이용하여 머신러닝 분 석방법에 해당하는 신경망 분석과 의사결정나무 분석을 실시하였다. 그 결과 166개 국가들은 모두 12 개의 그룹으로 분류되었다. 개발도상국에 해당되는 노드는 모두 7개로서 이들 노드에 포함되는 국가 그룹에 대하여 개별 국가 그룹별로 ODA 전략을 제시하였다.

This study primarily aims to develop a systematic methodology for classifying countries, based on the premise that it is necessary to establish mid- to long-term strategies tailored to the characteristics of recipient countries when formulating and deciding ODA policies. Furthermore, the secondary objective of this research is to propose ODA policy directions that consider the specific characteristics of the classified developing countries. For this study, neural network analysis and decision tree analysis, which are machine learning analytical methods, were conducted using SDG scores and GDP per capita for 166 countries, including both developed and developing nations. As a result, the 166 countries were classified into 12 groups. Seven nodes corresponded to developing countries, and ODA strategies were proposed for each individual country group included in these nodes.

본 연구는 최근 공무원들의 이직이 증가하는 현상에 주목하고, 중앙정부 및 지방정부 공무원들을 대상으로 이직의도를 결정하는 영향요인들을 알아보고자 한다. 특히 기관유형 및 연차에 따른 차이를 살펴보기 위해 연구대상을 4개의 그룹으로 구분하고 예측력과 설명력을 높이기 위하여 분석방법으로 신경망 분석인 다층 퍼셉트론 분석과 로짓 분석을 함께 사용하였다. 분석결과, 중앙정부 5년 차 이하 공무원들은 담당업무의 책임성을 고려한 공정한 보상, 조직에 대한 소속감 등이 높을수록 이직의도 확률이 줄어드는 경향을 보였다. 그리고 중앙정부 6-10년 차 이하 공무원들의 경우 5년 차 이하 공무 원들과 동일한 영향요인과 함께 교육훈련/능력발전 활동의 직무수행 기여도 등 다양한 요인들이 이직 의도 확률을 감소시키는데 영향을 주었다. 지방정부에서는 5년 차 이하 공무원들의 경우 혁신을 위한 기관의 위험 감수 용인과 조직에 대한 강한 소속감이 이직의도 확률을 줄이는 데 영향을 미쳤으며, 6-10년 차 이하 공무원들은 혁신을 위한 기관의 위험 감수 용인과 함께 상급자의 미래비전 제시 등이 이직의도를 줄이는데 영향을 미치는 것으로 나타났다. 이러한 분석결과를 바탕으로, 연차 및 기관유 형별 공무원들의 이직의도를 줄일 수 있는 정책적 방향으로 공정한 보상 체계 구축, 조직몰입 증진, 경력개발 기회 제공, 상급자의 업무 지원 개선, 정보 제공 및 의사소통 강화, 조직 소속감 강화, 상급 자의 리더십 제고, 변화 관리 및 위험 감수 문화 조성 등을 정책대안으로 제시하였다.

This study used multi-layer perceptron analysis, and logit analysis to explain, predict, and analyze turnover intention among central and local government employees. As a result of the analysis, government employees with 5 years of experience or less in the central government tend to have lower turnover intentions when they receive fair compensation considering the responsibility of their work in the compensation and reward factor or have a higher sense of belonging to the organization in the organizational commitment factor. And government employees with 6-10 years of experience in the central government showed similar influencing factors. In local governments, a strong sense of belonging to the organization was found to reduce turnover intentions among employees with 5 years of experience or less. Among the change management factors, the agency's willingness to take risks for innovation was found to be influential in reducing turnover intentions among those with 5 years of experience or less and 6-10 years of experience. Based on these findings, the study suggests the following policy directions to reduce turnover intentions of public servants: establishing a fair compensation system, promoting organizational commitment, providing career development opportunities, improving job support from supervisors, enhancing information and communication, strengthening organizational belonging, enhancing job fulfillment, increasing job resources, enhancing leadership from supervisors and creating a culture of change management and risk-taking.

The main purpose of this research is to understand the strongest predictors of wearable adoption among athletes with an emphasis on the perceived ethics of biometric data. We performed a word co-occurrence study of biometrics research to determine the ethical constructs of biometric data. A questionnaire incorporating the Unified Theory of Acceptance and Use of Technology (UTAUT), Health Belief Model and Biometric Data Ethics was then designed to develop a neural network model to predict the adoption of wearable sensors among athletes. Our model shows that wearable adoption’s strongest predictors are perceived ethics, perceived profit, and perceived threat; which can be categorized as professional stressors. The key theoretical contribution of this paper is to extend the literature on UTAUT by developing a predictive modeling of factors affecting acceptance of wearables by athletes, and highlighting the ethical implications of athlete’s adoption of wearables.

In this study, we conducted a comparative study of Korea, China, and India on the influencing factors of internet shopping repurchase intention through SEM-ANN two-stage analysis, and analyzed changes in predictive performance and variable importance. As a result, through SEM analysis, it was confirmed that the factors influencing repurchase intention in internet shopping are different between Korea, China, and India. It has been proven that the R² of SEM is improved through ANN. And It has been proven that statistical-conclusion-validity was improved through which the size of the path coefficient in SEM remained similar to that of ANN's variable importance analysis.

최근 상수관로의 노후화로 인해 많은 누수 및 수질 사고가 발생하여 경제적 손실과 더불어 사회적인 문제로 대두되고 있다. 하지만 상수관로는 지하에 매설되어 많은 내·외부적인 요인에 의해 영향을 받기 때문에 정확한 부식 및 노후화 정도의 예측이 어렵다. 따라서 본 연구는 최근 상수도내 노후관 로 인한 피해가 발생했었던 인천시 상수관망을 대상으로 관로의 노후도 평가항목 10개를 선정하고, 노후관로와 일반관로를 대상으로 주성분 분석과 인공신경망을 이용하여 노후도를 예측하였다. 연구 결과 데이터 변환을 거치지 않은 원데이터를 입력 데이터로 이용하여 인공신경망에 적용하는 것보 다 주성분 분석을 통해 산출된 주요 6개 요인을 사용하여 인공신경망에 적용하는 것이 관 노후도 점수평가 정확도를 높이는 것으로 나타났다. 또한, 인공신경망 시뮬레이션 최적화를 위해 은닉층 내 뉴런 수를 구분하여 시행착오를 수행한 결과 은닉층 내 12개의 뉴런이 존재할 때 결정계수가 가장 높게 나타났다.

Recently, due to the deterioration of water-supply pipes, several leaks and water-quality accidents have occurred. Thus, this deterioration appears to be a social problem, incurring a huge economic loss. However, because the water-supply pipe is buried underground and affected by various internal and external factors, it is difficult to accurately predict the degree of corrosion and aging. In this study, 10 items were selected for evaluating the deterioration of pipelines in Incheon metropolitan city’s water supply network, which was recently damaged by old pipes. In addition, deterioration was predicted using principal component analysis and artificial neural networks (ANNs) for old pipelines. It was found that applying the six factors calculated through principal component analysis to ANNs improves the accuracy of scoring evaluation for assessment of deteriorated pipes. In addition, using a trial and error method to divide the number of neurons in the hidden layer for optimization of ANN simulation, the coefficient of determination was found to be the highest when 12 neurons in the hidden layer were utilized.

Though box compression strength (BCS) is commonly used as a performance criterion for shipping containers, estimating BCS remains a challenge. In this study, artificial neural networks (ANN) are implemented as a new tool, with a focus on building up ANN architectures for BCS estimation. An Artificial Neural Network (ANN) model can be constructed by adjusting four modeling factors: hidden neuron numbers, epochs, number of modeling cycles, and number of data points. The four factors interact with each other to influence model accuracy and can be optimized by minimizing model’s Mean Squared Error (MSE). Using both data from the literature and “synthetic” data based on the McKee equation, we find that model estimation accuracy remains limited due to the uncertainty in both the input parameters and the ANN process itself. The population size to build an ANN model has been identified based on different data sets. This study provides a methodology guide for future research exploring the applicability of ANN to address problems and answer questions in the corrugated industry.

Low-Rate Denial of Service (LDoS) attacks raise an increasingly frequent and significant threat to performancecritical and sensitive networks. Due to their slowly evolving nature, it is challenging –but crucial– to detect such attacks during their early phases in order to mitigate their impact on network performance, e.g. Quality of Service (QoS), in longterm operation. To this end, this paper investigates the prediction of QoS via a modified version of the Recurrent Trend Predictive Neural Network (rTPNN) and the use of the prediction towards detracting LDoS attacks. The presented rTPNN-based QoS predictor is evaluated and compared against benchmark models for five scenarios using an open-access dataset. The results have shown that the modified rTPNN model can predict QoS with under 2% SMAPE, and the QoS prediction is a promising approach for developing LDoS attack detectors in future works.

본 연구에서는 수도권 4개 권역의 PM2.5 예보를 위해 심층신경망 모델을 개발하고, 계층별 관련성 전파를 사용하여 예 측결과에 대한 입력인자들의 기여도를 분석했다. 제안한 심층신경망 예보모델은 평균적으로 지수적중률 71%, 고농도 감 지 확률 65%, 오경보율 40% 정도의 성능을 보였다. 이러한 심층신경망 예보결과에 대한 입력인자들의 중요도를 분석하 기 위해 데이터를 지역 및 PM2.5 농도로 분류하여 계층별 관련성 전파를 수행했다. 그 결과 농도 및 지역에 상관없이 중 요도가 높은 인자는 압력, 온도, 이슬점온도, 상대습도, U, V, 이산화질소, 일산화탄소로 확인된 반면에 누적강수량, 아황 산가스, PM10, 오존은 중요도가 낮은 것으로 관찰되었다. 고농도 사례에서는 일사와 오존의 중요도가 낮아지고, 예측시 간에 근접한 시간대의 PM2.5의 중요도가 높아졌으며, CMAQ(The Community Multiscale Air Quality) 예측인자들의 중 요도도 다소 올라갔다. 지역별 입력인자들의 중요도는 대체로 유사했는데 인천과 경기북부의 경우 일사의 중요도가 낮아 지는 등 고농도 패턴의 인자중요도와 일부 비슷한 결과를 보였다. 이것은 인천과 경기북부가 다른 지역보다 고농도 데이 터가 더 자주 발생하기 때문으로 분석된다. 이러한 인자중요도 결과는 향후 고농도 적중률 향상 및 지역별 특성에 적합 한 예보모델을 개발하는데 활용하면 효과적일 것으로 기대한다.

In this study, we propose a deep neural network model for PM2.5 prediction in the four metropolitan areas, and analyze the contribution of input factors to the prediction results using layer-wise relevance propagation. The proposed deep neural network forecasting model exhibited an average exponential accuracy of 71%, a high-concentration detection probability of 65%, and a false alarm ratio of 40%. In order to analyze the importance of input factors for these deep neural network forecasting results, we classify the data into regional and PM2.5 concentration level and performed layer-wise relevance propagation. As a result, factors such as pressure, temperature, dew point temperature, relative humidity, U, V, nitrogen dioxide and carbon monoxide were found to be important, regardless of any region and concentration level. On the other hand, accumulated precipitation, sulfur dioxide, PM10, and ozone are shown to have lower importance. In highconcentration cases, the importance of solar radiation and ozone decreased, PM2.5 during time periods close to the prediction time increased, and the importance of CMAQ(The Community Multiscale Air Quality) predictive factors also showed some degree of elevation. The importance of input factors by region are generally similar; however, in the case of Incheon and Northern Gyeonggi Province, the importance of the radiation decreases, showing some similarities to the importance of factors in high concentration patterns. This is analyzed as being due to a higher occurrence of highconcentration data in Incheon and Northern Gyeonggi Province compared to other regions. These analyzing results are expected to be effective in developing forecasting models that improve the prediction accuracy of high concentration and match regional characteristics in the future.

본 연구는 인쇄회로기판(PCB)의 RAM시료를 대상으로 선별을 통한 주요 금속의 회수율을 제고하기 위해레이저 유도붕괴 분광기(LIBS)로 스펙트럼 데이터를 얻어 주성분분석(PCA)과 심층신경망 기법을 적용했다. 레이저를 RAM 시료 표면294 지점에 조사해 스펙트럼을 얻고 기판을 검정(K), 노랑(Y), 초록(G)로 구분해 데이터가 구분이되는지 살펴보았다. PCA 분석과 SEM-EDS 분석결과의 비교를 통해 각 부분의 선별 가능성과 기준이 될 수 있는 파장, 포함된 주요 금속 조성비를 확인하였다. 추후 공정 자동화를 위해 심층신경망을 통한 각 부분 자동 분류 가능성을 타진하였고 98% 이상의 분류 정확도를 보았다. 따라서 본 연구를 통해 폐전기전자제품(WEEE)을 폐금속 회수 공정에 투입하기 전에 이를 선별할 수 있는 새로운 방법론을 만드는 데 활용할 수 있을 것으로 기대된다.

In this study, we collected spectral data using laser induced breakdown spectrometry. Our results were processed by a principle component analysis (PCA) and a deep neural network to improve the separation efficiency of metals from RAM samples of a printed circuit board (PCB). The spectra were collected from 294 spots on the sample surface and subsequently divided into three groups, i.e., Black (K), Yellow (Y), and Green (G) by visual inspection of the surface color. We identified the specific wavelengths that were usable as separation criteria as well as the main elemental composition of each part by comparing the PCA and scanning electron microscopy-electron dispersive spectroscopy ()results. We also confirmed the possibility of automatic separation with a deep neural network whose separation accuracy was more than 98%. Our results can be used to create a new automatic separation process for waste electronic electrical equipment.

석유 및 천연가스 생산 시스템 설계의 주요한 목적은 현장 운영상의 제한조건하에서 최적의 시스템을 산출하는 것이다. 이러한 생산 시스템 최적화 연구에 사용하는 저류층 전산모델은 일정압력 또는 일정유량으로 생산할 때 저류층 공저의 유량이나 압력변화 등의 생산정 거동예측과 생산정 추가 시 최적의 시추위치 정보 산출 등의 다양한 생산 시나리오에 대한 평가도구로 활용한다. 기존의 연구는 주 운영변수인 저류층 공저압력이나 생산량 결정에 과도한 계산시간이 요구되는 저류층 전산모델을 대체한 유입유동특성관계나 물질평형방정식을 도입하였다. 이러한 경우 생산정간의 복잡한 간섭효과를 고려할 수 없고 신뢰성 있는 해석결과 도출에 한계를 나타내었다. 이 연구에서는 이러한 문제에 대한 대안으로 다층연결구조와 유전알고리즘을 이용하여 자동화, 최적화한 개선된 구조의 PNN 모델을 개발하여 저류층 전산모델을 대체하였다. 개발한 PNN 모델은 과거 생산자료나 시뮬레이션 자료를 이용하여 보다 빠르고 자동화된 방법으로 학습하고, 새로운 생산 시나리오에 대한 출력변수를 학습한 PNN을 통해 산출하므로 최적화 과정에 필요한 수많은 시나리오 평가시간을 크게 줄일 수 있다. PNN을 생산정 거동 예측 문제에 적용하여 저류층 전산모델과 비교한 결과 기존 인공신경망의 여러 한계점을 극복하고 해석의 효율성과 정확성을 크게 개선하였다.

The major impediment to formal optimization of large producing fields is the cost of computing the state of the objects being optimized. Previous studies for prediction of reservoir performance have used local inflow performance relationships or material balance models. These approaches ignore flow interactions among wells during the optimization process, often resulting suboptimal operations. In this study, a new polynomial neural network with layer over-passing structure has been developed to replace a relatively time consuming reservoir simulator through robust and systematic search algorithm. The networks are trained from a representative samples of simulations, which form a re-useable knowledge base of information for addressing many different management questions. The proposed approach reduces significantly computational effort for optimization of the development scheme within reasonable accuracy and outperforms other neural network models.

본 연구는 중국어 ‘黑+중첩접미사’를 포함하는 색채어 형용사 예문의 인공신경망 기계 번역 과 대화형 AI 기계 번역의 결괏값을 비교 분석하는 것을 목적으로 한다. 먼저, 중국어의 경우 국내와 국외의 대화형 AI 언어모델 중 더 높은 품질의 번역을 제공하는 것은 국내 네이버사의 ‘Hyper Clova X’이다. 다음으로, ‘黑+중첩접미사’류 형용사를 포함한 구문의 기존 신경망 기 계번역 프로그램 ‘Papago’와 대화형 AI 언어모델 ‘Hyper Clova X’에서 번역 결과 대체로 Clova X의 번역 품질이 더 높았다. 끝으로, 중한번역에서 대화형 AI 언어모델 활용 시 사용자 가 고려해야 하는 부분으로는 한국어 조사, 어미 등에 오류 여부를 확인하고, 입력한 문장이 축약된 정보를 포함하고 있을 때 출력값에 오류가 있을 가능성이 크므로 주의해야 한다. 본 연구를 토대로 더욱 다양한 중국어 결합구조를 활용한 텍스트를 통하여 여러 상황에 AI 기술과 인간이 함께 공존하고 발전해나갈 수 있도록 관련 분야의 연구가 지속되기를 기대한다.

This study aims to compare and analyze the results of neural network machine translation and generative AI machine translation for color adjectives containing the Chinese '黑+compound suffix' Firstly, within the realm of Chinese language, 'Hyper Clova X' by the domestic company Naver provides higher-quality translations among both domestic and international conversational AI language models. Subsequently, when examining translations of sentences with '黑+compound suffix' type adjectives, the existing neural network machine translation program 'Papago' and the conversational AI language model 'Hyper Clova X' were compared, revealing that, in general, Clova X exhibited superior translation quality. Finally, in utilizing conversational AI language models for Chinese translation, users should be attentive to potential errors in Korean particles, verb endings, and other grammatical elements. Additionally, caution is advised when the input sentence contains condensed information, as this may increase the likelihood of errors in the output. Building upon this research, it is anticipated that ongoing studies in related fields will continue to explore diverse Chinese syntactic structures, facilitating the coexistence and development of AI technology and human communication in various contexts.

기술의 발달은 영상처리 기법과 컴퓨터 비전 분야의 엄청난 발전을 이루었고, 디지털 영상처리 기술은 다양한 응용 분야에서 가파른 속도의 진보를 보이고 있다. 한편, 홍반, 비듬, 가려움증 등 두피와 관련한 질환의 경우, 이를 조기에 발견하고 관리하는 것이 탈모, 만성 두피염, 피부암 등 다양한 질병의 예방에 도움이 되므로, 빠르고 손쉽게 두피의 상태를 판단하고 조치하는 시스템에 대한 요구가 크게 늘고 있다. 이에, 최신 딥러닝 기법 을 활용하여 빠르고 손쉽게 자신의 두피 상태를 판단하고 선별할 수 있는 알고리즘을 제안하였다. 제안하는 알고 리즘은 기존의 연구들보다 정확하며, 사전 문진이나 진단 또는 두피의 위치에 상관없이 손쉽게 두피의 상태를 파 악할 수 있다. 제안하는 알고리즘을 구현하고 실험한 결과, 약 95%의 정확도를 나타냈으며, 전통적인 방법을 기반 으로 한 기존의 연구보다 최대 약 6%의 정확도가 증가함을 확인할 수 있었다.

Development of technology has led to tremendous advances in image processing and computer vision technology, and digital image processing technology is rapidly developing in many areas. Besides, in the case of scalp-related diseases such as erythema, dandruff, and itching, early detection and management of these help to prevent various severe diseases such as hair loss, chronic scalp inflammation, and skin cancer, so it is possible to quickly and easily diagnose the condition of the scalp and take action. Therefore, a novel algorithm is proposed that can quickly and easily diagnose the scalp condition, using the latest deep learning technology. The proposed algorithm is more accurate than existing ones, and it can easily identify the condition of the scalp regardless of the prior questionnaire or the location of the scalp. As a result of implementing and testing the proposed algorithm, accuracy of about 95% is obtained which lead to the increase of accuracy by up to about 6% compared to the existing algorithms.

연구목적: 본 연구는 인공신경망 라이브러리 기술을 이용하여, 기상 데이터 변화 예측을 통한 한반도 가 뭄 취약지역 분석을 목적으로 하였다. 연구방법: 연구지역 중 북한 지역의 다양한 기상데이터의 확보가 힘든 특수성을 고려하여 연구지역의 월별 누적강수량 데이터를 활용하였으며, 통계프로그램 R을 이용 하여 인공신경망 알고리즘을 통한 기상데이터 추정을 수행하였다. 연구결과: 본 논문에서 진행한 연구 결과, 실제 데이터와 예측 데이터 간의 상관계수 값은 인공신경망 알고리즘을 활용한 결과가 회귀분석 결과보다 평균 0.043879 더 높은 것으로 확인되었다. 결론: 연구의 결과는 가뭄 대응을 위한 재난대응 기초 연구 자료로 활용 가능할 것으로 기대한다.

Purpose: In this paper, using artificial neural network algorithm, the Korean Peninsula was analyzed for drought vulnerable areas by predicting weather data changes. Method: Monthly cumulative precipitation data were utilized for research areas considering the specific nature areas, and weather data prediction through artificial neural network algorithm was carried out using statistical program R. The predicted data were applied to the Standardized Precipitation Index (SPI) to analyze drought vulnerable areas in the Korean Peninsula. Result: In this paper, the correlation coefficient values between real and predicted data are found to be 0.043879 higher on average than the regression results, using artificial neural network algorithms. Conclusion: The results of the research are expected to be used as basic research materials for responding to drought.

에어컴프레서는 다양한 제조공장에서 널리 사용되고 있는 원동기이며, 공기역학을 기반으로 하는 다수의 제조 장비 에 동력을 제공하고 있어, 예기치 못한 고장이 발생할 경우 전체 제조라인의 가동이 중단될 수 있다. 본 연구에서는 컴프레서에 통신이 가능한 진동센서를 부착하여 컴프레서 가동 시 발생되는 진동 데이터를 클라우드 상에 축적하고 수집된 데이터로부터 컴프레서의 운영 상태 진단을 위한 특징들을 추출하였다. ‘합성곱신경망(Convolutionl Neural Networks)’을 활용하여 수집된 데이터와 추출된 특징들을 학습시켜 컴프레서의 상태 건전성을 자동으로 예측할 수 있도록 인공지능 알고리즘을 고안하였다. 이후 합성곱신경망의 최적화 파라미터별로 컴프레서의 건전성 예측 정확도에 어떠한 영향을 미치는지 실험하였다. 실험결과, 합성곱신경망을 통한 컴프레서의 진동 데이터 분석에 서는 ‘모멘텀’ 최적화 기법의 판정 정확도가 가장 우수하였다. 데이터 셋의 특성에 따라 적절한 신경망 최적화 기법 이 합성곱신경망 학습 효율과 예측 정확도를 결정짓는 매우 중요한 요소임을 확인할 수 있었다.

The air compressor is a common rotating machine that is widely used in various manufacturing plants, and provides power to a number of manufacturing devices based on aerodynamics in the plant, so if an unexpected failure occurs, the entire manufacturing line can be shut down. In this study, a vibration sensor capable of communication was attached to the compressor, the vibration data generated during compressor operation was accumulated on the cloud, and features for diagnosing the operating status of the compressor were extracted from the collected data. An artificial intelligence algorithm was designed to automatically predict the health-condition of the air- compressor by learning the collected data and extracted features using ‘Convolutional Neural Network (CNN). And then we tested how each CNN optimization parameter affected the compressor's health prediction accuracy. As a result of the experiment, in analyzing compressor vibration data through CNN, the ‘momentum’ optimization algorithm had the best accuracy, and depending on the characteristics of the data set. We found that appropriate neural network optimization techniques are a very important factor in determining CNN learning efficiency and prediction accuracy.

fEMG는 안면 근육의 미세한 움직임을 감지하는 생체 신호이며 얼굴의 표정이나 감정을 측정하는 도구로서 연구되고 있다. fEMG 신호는 민감하여 잡음에 취약하며 이를 제거하기 위해 전처리가 필요하다. 본 논문에서는 fEMG 신호의 전처리와 합성곱 신경망 모델을 통한 안면 표정 분석을 진행한다. 원시 fEMG 신호를 20~450Hz 주파수 대역으로 대역 통과 필터링하고 60Hz에서 노치 필터링한 뒤, 이를 이용하여 안면 표정을 분석하는 합성곱 신경망 기반 모델을 제안한다. 제안한 2D 합성곱 신경망 모델은 기존에 제안된 머신러닝 기법인 LDA에 비해 8.27%p 더 높은 정확도를 보였으며, 비지도 LDA보다는 7.28%p 더 향상되었다. 실험 결과는 fEMG 신호를 사용한 2D 합성곱 신경망 기법이 안면 표정 분석에 효과적임을 보여준다.

PC, SNS, IoT의 대중화로 수많은 데이터가 생성되고 그 양은 기하급수적으로 증가하고 있다. 거대한 양의 데이 터를 활용하는 방법으로 인공신경망 학습은 최근 많은 분야에서 주목받는 주제이다. 인공신경망 학습은 음성인식, 이미 지 인식에서 엄청난 잠재력을 보였으며 더 나아가 의료진단, 인공지능 게임 및 얼굴인식 등 다양하고 복잡한 곳에 광범 위하게 적용된다. 인공신경망의 결과는 실제 인간을 능가할 정도로 정확성을 보이고 있다. 이러한 많은 이점에도 불구하 고 인공신경망 학습에는 여전히 프라이버시 문제가 존재한다. 인공신경망 학습을 위한 학습 데이터에는 개인의 민감한 정보를 포함한 다양한 정보가 포함되어 악의적인 공격자로 인해 프라이버시가 노출될 수 있다. 공격자가 학습하는 도중 개입하여 학습이 저하되거나 학습이 완료된 모델을 공격할 때 발생하는 프라이버시 위험이 있다. 본 논문에서는 최근 제안된 신경망 모델의 공격 기법과 그에 따른 프라이버시 보호 방법을 분석한다.

With the popularization of PC, SNS and IoT, a lot of data is generated and the amount is increasing exponentially. Artificial neural network learning is a topic that attracts attention in many fields in recent years by using huge amounts of data. Artificial neural network learning has shown tremendous potential in speech recognition and image recognition, and is widely applied to a variety of complex areas such as medical diagnosis, artificial intelligence games, and face recognition. The results of artificial neural networks are accurate enough to surpass real human beings. Despite these many advantages, privacy problems still exist in artificial neural network learning. Learning data for artificial neural network learning includes various information including personal sensitive information, so that privacy can be exposed due to malicious attackers. There is a privacy risk that occurs when an attacker interferes with learning and degrades learning or attacks a model that has completed learning. In this paper, we analyze the attack method of the recently proposed neural network model and its privacy protection method.

폐렴은 폐에 고름 혹은 물이 차는 호흡기 관련 감염 질환이다. 세계적으로 폐렴은 소아 및 노인 계층에서 감염 질환 으로 인한 사망 원인 중 하나이다. 일반적으로 의료진들은 폐렴 진단을 위해 흉부 X-ray 영상을 사용한다. 그러나 폐렴은 유사한 증상을 보이는 감기와 독감으로 오진될 가능성이 높으며, 이는 심각한 합병증의 원인이 될 수 있다. 따라서, 의료진의 실수를 최소화하기 위해 대안적인 보조 진단 방법이 필요하다. 폐렴의 조기 진단을 위한 보조 도 구로 딥러닝 기술에 기반한 인공지능 시스템이 연구되고 있으나, 딥러닝이 진단 보조 도구로 확립하기 위해서는 더 많은 연구가 필요하다. 본 연구에서는 광저우 여성 아동 병원 데이터셋과 코로나19·폐렴·정상 흉부 X-ray 데이터 셋을 사용하여 Swin Transformer와 Residual Neural Network의 성능을 분석한다. 실험 결과, Swin Transformer는 흉부 X-ray 영상 데이터셋에서 98.9%의 정확도를 보이며,코로나19·폐렴·정상 흉부 X-ray 데이 터셋에서는 92.35%의 정확도를 보인다. Residual Neural Network는 두 데이터셋에서 각각 97.9%와 88.8% 의 정확도를 보인다. 이러한 결과는 폐렴 보조 진단 도구로써 Swin Transformer가 Residual Neural Network 보다 적합함을 의미한다. 그러므로, Swin Transformer는 조기 진단과 조기 치료, 환자의 건강 증진에 기여할 수 있을 것이라 기대한다.

PPneumonia is a respiratory infectious disease that causes fluids to fill the lungs. It is considered one of the leading causes of infection-related deaths in children and seniors worldwide. Clinicians usually use chest X-ray images to diagnose pneumonia. However, pneumonia is prone to be misdiagnosed because it overlaps with cold and flu, causing severe and critical medical complications. Consequently, alternative supportive diagnostic methods are needed to minimize human errors and assist clinicians. Several attempts have used artificial intelligence systems, mainly in deep learning methods, to assist clinicians in early pneumonia diagnoses. However, further studies are required to consolidate the use of deep learning as an assistant tool to diagnose pneumonia accurately. In this study, we examine the Swin Transformer and the Residual Neural Network’s performance in classifying pneumonia and healthy chest X-ray images using the Guangzhou Women and Children’s Medical Center dataset and the COVID19, Pneumonia and Normal Chest X-ray Posteroanterior dataset. The experiment results demonstrate that the Swin Transformer achieves an accuracy of 98.9% in the Chest X-ray images dataset and 92.35% in the COVID19, Pneumonia and Normal Chest X-ray Posteroanterior dataset, while the Residual Neural Network achieves an accuracy of 97.9% and 88.8% respectively in classifying pneumonia. These results indicate that the Swin Transformer outperforms the Residual Neural Network as a tool for assisting clinicians in diagnosing pneumonia. Thus, the Swin Transformer may help in early decision-making, leading to treatment initiation and improving patient's health.

본 논문은 컬러 영상에서 색상과 움직임 정보를 이용하여 후보영역을 특정하고 연기의 특성들을 추출하여 신경망을 사용한 검출의성능을 분석하여 제시한다. 기존 연기 검출 알고리즘에서는 연기의 움직임, 색상을 분석하여 후보영역으로 특정하고 그 영역 안에서연기의 여러 특성을 분석 하는 방법을 이용한다. 하지만 대부분 처음 발생하는 연기의 색상조건을 고려하지 않았기 때문에 조기검출에는 적절하지 못하다. 본 논문은 연기의 색상과 움직임의 특성을 분석하여 그에 알맞은 방법을 적용하여 후보영역을 폭넓게결정하고 그 영역 내에서 연기의 확산과 투명성을 인공신경망에 적용시킴으로써 나오는 성능을 분석하였다. 모의실험 결과는91.31%의 검출율과, 2.62%의 오검출율 성능을 확인할 수 있었다

In this paper, we present performance analysis of video smoke detection based on BPN-Network that is using multi-smokefeature, and Neural Network. Conventional smoke detection method consist of simple or mixed functions using color,temporal, spatial characteristics. However, most of all, they don't consider the early fire conditions. In this paper, we analysisthe smoke color and motion characteristics, and revised distinguish the candidate smoke region. Smoke diffusion,transparency and shape features are used for detection stage. Then it apply the BPN-Network (Back-Propagation NeuralNetwork). The simulation results showed 91.31% accuracy and 2.62% of false detection rate.

교통 혼잡을 해결하기 위한 AI 기반 속도 예측 연구는 활발하게 진행되고 있다. 하지만, 인공지능의 추론 과정을 설명하는 설명 가능한 AI의 중요성이 대두되고 있는 가운데 AI 기반 속도 예측의 결과를 해석하고 원인을 추리하는 연구는 미흡하였다. 따라서 본 논문에서는 `설명 가능 그래프 심층 인공신경망 (GNN)`을 고안하여 속도 예측뿐만 아니라, GNN 모델 입력값의 마스킹 기법에 기반하여 인근 도로 영향력을 정량적으로 분석함으로써 혼잡 등의 상황에 대한 추론 근거를 도출하였다. TOPIS 통행 속도 데이터를 활용하여 서울 시내 혼잡 도로를 기준으로 예측 및 분석 방법론을 적용한 후 영향력 높은 인근 도로의 속도를 가상으로 조절하는 시뮬레이션 통하여 혼잡 도로의 통행 속도가 개선됨을 확인하여 제안한 방법론의 타당성을 입증하였다. 이는 교통 네트워크에 제안한 방법론을 적용하고, 그 추론 결과에 기반한 특정 인근 도로를 제어하여 교통 흐름을 개선할 수 있다는 점에 의미가 있다.

AI-based speed prediction studies have been conducted quite actively. However, while the importance of explainable AI is emerging, the study of interpreting and reasoning the AI-based speed predictions has not been carried out much. Therefore, in this paper, 'Explainable Deep Graph Neural Network (GNN)' is devised to analyze the speed prediction and assess the nearby road influence for reasoning the critical contributions to a given road situation. The model's output was explained by comparing the differences in output before and after masking the input values of the GNN model. Using TOPIS traffic speed data, we applied our GNN models for the major congested roads in Seoul. We verified our approach through a traffic flow simulation by adjusting the most influential nearby roads' speed and observing the congestion's relief on the road of interest accordingly. This is meaningful in that our approach can be applied to the transportation network and traffic flow can be improved by controlling specific nearby roads based on the inference results.