Earticle

최근 DNN이 다양한 산업에 확산되면서 IoT 기기 및 엣지 컴퓨팅에 적합한 경량 모델에 관한 연구가 급증하고 있 다. 본 논문에서는 기존에 없던 딥러닝 모델의 파라미터를 1 비트 단위로 조작할 수 있는 자동화 프레임워크를 개발 하며 파라미터 비트와 모델 정확도 사이의 관계를 실험 및 연구한다. 본 연구는 제안된 프레임워크를 사용하여 ImageNet 데이터셋으로 사전 학습된 DNN 모델 중 CNN 모델들의 파라미터를 하위 n-bit를 0, 1 또는 랜덤한 값으로 치환하는 3가지 방법을 통해 각각 정보 손실 발생시키면서 파라미터와 정확도 간의 강인성을 비트 단위로 실험하였다. 주요 모델로는 InceptionV3, InceptionResnetV2, ResNet50, Xception, DenseNet121, Mobile NetV1, MobileNetV2 을 사용하였다. 실험 결과, 성능이 낮은 모델일수록 하위 비트의 정보 손실에 민감하여 성 능이 좋은 모델보다 정확도를 유지하는 비트 수가 적다는 것을 실험적으로 확인했고, 파라미터와 정확도 간의 강인 성이 높다는 것을 확인하였다. 이러한 실험을 바탕으로 모델별 유효 파라미터 비트를 설정하여 파라미터를 줄이며 정확도를 유지할 수 있다.

Recently, with the proliferation of DNNs in various industries, there has been a surge in research on lightweight models suitable for IoT devices and edge computing. In this paper, we propose an automated framework that enables manipulation of deep learning model parameters at a 1-bit level, a capability not previously available. We investigate the relationship between parameter bits and model accuracy. Using the developed framework, we systematically experimented with the parameters of CNN models pre-trained on the ImageNet dataset by setting the lower n-bit to 0, 1, or a random value while each method inducing distinct information loss. The primary models evaluated include InceptionV3, InceptionResnetV2, ResNet50, Xception, DenseNet121, MobileNetV1, and MobileNetV2. Experimental results show that models with lower performance are more sensitive to information loss in the lower bits, requiring fewer bits to maintain accuracy compared to high-performing models. This concludes a high robustness between parameters and accuracy.

With the wide application of camera equipment, digital image, as an important information carrier, has gradually integrated into me their lives. With the popularity of image editing software, people have to re-examine seeing is believing ideas. In recent years, there have been frequent incidents of image fraud in the fields of news media, judicial notarization and scientific research. Therefore, judging the authenticity and originality of digital images has become an urgent problem to be solved in the field of forensics. Tamper often change the image and its information through different image operations which affecting the reader's authenticity of things. Therefore, it is of great significance to detect the operation history of digital images. Based on the above research background, this paper first summarizes the research status of image operation forensics algorithm, and then obtains evidence from digital image muti-operation. The accuracy, practicability and robustness of the algorithm are proposed. In this paper, an image muti-operation forensics method with JPEG robustness is proposed. Experiments show that this method has a good performance in JPEG robust detection with high quality factor and low quality factor.

Optimizing complex networks to be resilient against various attack models has been an important problem that is actively studied in the academia. In the proposed optimization method, individual node degrees are balanced iteratively based on the No-Regret learning algorithm, resulting in a robust network topology with increased resilience against outside attacks. Through simulation results, we show that the proposed robustness enhanced networks perform well under targeted attacks compared to the conventional optimized networks.

In this paper, we propose a method for constructing error-correcting output codes (ECOCs) based on a codeword bit flipping algorithm to enhance adversarial robustness of neural networks. In the previous work in Verma and Swami (2019), ECOCs are applied to deep neural networks (DNNs) based on the analogy between channel noise and adversarial examples to achieve state-of-the-art adversarial robustness. To improve adversarial robustness, it was proposed in Wan et al. (2022) to optimize the Hamming distance between codewords and employ codeword assignment algorithms. Our study achieves approximately a 8% accuracy improvement on MNIST and CIFAR-10 under adversarial attacks compared to the method proposed in Wan et al. (2022).

The reduction of efficiency of missing observations on complete diallel cross designs are examined. we studies robustness of optimal block designs for estimating general combining ability against loss of missing observations in diallel cross. A-efficiencies suggest that these designs are fairly robust. Simple g-inverses may be found for the information matrices of the line effects which allow evaluation of expressions for the variances of the differences between the pairs of line effects with missing observations. we numerically calculate the reduction of efficiency for estimating general combining ability against loss of missing observations in diallel cross.

Visual Question Answering (VQA) models suffer from a language bias problem, where they excessively rely on textual correlations. This study proposes a plausible counterfactual data generation method, named Plausible Counterfactual Data Generation (PCDG), which utilizes Grad- CAM-based visual importance to replace significant objects in a contextually appropriate manner. By synthesizing more contextually relevant samples than other existing augmentation methods, PCDS effectively strengthens visual-language alignment. In experiments on the VQA-CP v2 benchmark, our method achieved significant performance improvements, particularly a 10.56% increase in the 'Num' category and a 2.78% increase in the 'Other' category. This indicates that the proposed method enhances the VQA model's generalization ability and robustness through debiasing.

The term “sweet spot” is commonly used in analog/RF engineering to describe an operating region where multiple, often competing, requirements are satisfied simultaneously. This paper presents a practical sweet-spot framework that treats bias selection as a constrained multi-objective problem and explicitly connects device inversion level to distortion, noise, power/current, bandwidth-related loading, and robustness against process-voltage-temperature (PVT) drift. A step-by-step, equation-based analysis is given for IM3 shaping using a main path and an auxiliary path that controls the IM3 amplitude ratio and phase error at a combining node, clarifying how a “dip” in IM3 can be created and widened into a tunable sweet-spot region. Finally, a sweet-spot-aware parallel-path architecture is proposed to make the sweet spot tunable and repeatable under realistic excitation.

모델 인버전은 원본 학습 데이터 없이, 사전 학습된 모델로부터 반복적인 최적화를 통해 합성 입력을 복원하는 데이 터 없는 학습에서 널리 사용되는 기법이다. 그러나 최신 비전 트랜스포머에 이를 적용할 경우, 고비용의 셀프 어텐 션 메커니즘으로 인해 큰 계산적 부담이 발생하게 된다. 이를 중요하지 않은 패치들을 모두 제거함으로써 효율성을 향상시키는 희소 모델 인버전이 제안되었다. 하지만 데이터가 없는 상황에서 검증 데이터의 부재로 인한 학습 불안 정성의 증폭은 여전히 해결해야 할 문제로 남아 있다. 검증 데이터가 없는 환경에서는 모델의 정확도가 불확실해지 고, 변동성이 커지므로, 모델의 강건성 향상이 필수적이다. 본 논문에서는 데이터 없는 환경에서 생성되는 이미지의 품질과 다양성을 일관되게 유지하여, 정확도에 대한 표준편차를 낮추고 강건성을 향상시키는 방법을 제안한다. 제안 한 Adaptive AEM은 패치 제거 이후의 중요도를 재조정해 엔트로피 최소화를 촉진시킨다. 실험 결과, 제안한 방법 으로 생성된 이미지를 사용하면 이전 방법론에 비해 데이터 없는 양자화에서는 최대 72%, 데이터 없는 지식 증류 에서는 최대 49%까지 정확도의 표준편차를 줄여 모델을 강건하게 만들 수 있음을 입증한다.

Model inversion is a widely used technique in data-free learning, where synthetic inputs are reconstructed from a pretrained model through iterative optimization without access to the original training data. However, when applied to modern Vision Transformers, the high computational cost of the self-attention mechanism poses a significant challenge. Sparse Model Inversion (SMI) has been proposed to improve efficiency by removing non-essential patches. Nevertheless, in the absence of real validation data, the instability of training remains an unresolved issue, as model accuracy becomes uncertain and exhibits high variance. To address this, we propose a method that consistently preserves the quality and diversity of generated images in data-free environments, thereby reducing the standard deviation of accuracy and enhancing model robustness. The proposed Adaptive AEM readjusts the importance after patch removal to promote entropy minimization. Experimental results demonstrate that using images generated by our method reduces the standard deviation of accuracy by up to 72% in data-free quantization and up to 49% in data-free knowledge distillation, compared to previous approaches, leading to significantly more robust models.

본 논문에서는 3GPP release 10과 11 기술표준인 LTE-A 시스템에서 사용되는 초소형 실내 기지국인 HeNB 적용 시 발생할 수 있는 핸드오버 실패 문제의 방법을 제시하였다. LTE-A에서 기지 국의 최적 설치, 운용을 위해 새롭게 개발된 기술인 자가구성네트워크(SON) 기술에는 기지국 설치를 위한 자가설정기술, 기지국 최적 운용을 위한 자가최적화 기술, 그리고 문제 발생 시에 적용하는 자가 치유기술이 있다. 핸드오버 문제는 기지국 운용 시에 발생하는 문제로서 자가최적화기술 중 핸드오버 시 RLF를 최소화하기 위해 핸드오버 파라미터를 최적화하는 MRO 기능이 적용된다. LTE-A의 HeNB 간 핸드오버 시에는 너무 이른 핸드오버, 너무 늦은 핸드오버 그리고 잘못된 셀로의 핸드오버의 세 가 지 문제가 발생한다. 본 논문에서는 너무 늦은 핸드오버 발생과 이로 따른 RLF 발생으로 인한 성능 저하 문제를 제시하고 이의 해결방안을 제시하였다. 제안된 MRO 기법은 UE에서 측정된 수신신호강 도를 기반으로 서빙셀과 타겟셀의 CIO 값을 적응적으로 적용할 수 있는 최적화 기법이다. 모의실험 을 통한 성능분석 연구결과 본 논문에서 제안한 MRO 기법은 이 알고리즘을 적용하지 않은 환경에 비해 약 80% 정도의 성능개선 효과를 제공한다. 따라서, 본 논문에서 제안한 너무 늦은 핸드오버 방 지를 위한 MRO 기법은 LTE-A시스템의 HeNB 적용 환경에서 RLF 의 효과적인 방지와 개선을 위 해 적용될 수 있을 것으로 기대된다.

The Self-Organizing Network(SON) technology has been developed in 3GPP Release 10 and 11 standard, so called the LTE-Advanced system, for automatic configuration, operation and maintenance of eNBs and HeNBs. A HeNB is deployed to cover few users, typically in a home or small indoor environments, using a transport technology such as Internet connection. In such LTE-A HeNB systems, three types of handover problems, too late, too early and to wrong cell handover problems, occur due to inappropriate handover parameters configuration. In this paper, a Mobility robustness optimization(MRO) algorithm is proposed to address the too late handover problem in the LTE-A HeNB systems. Simulation results show that the proposed MRO algorithm is able to improve key performance index(KPI) of too late handover up to 80% by adjusting handover parameters automatically. The proposed MRO algorithm can be applied to the LTE-A indoor environment where many HeNBs are deployed.

삽입하려는 암호영상이 원본 전체 이미지 내에 랜덤하게 분포할수록 삽입과 추출성능이 좋아지는데 본 논문에서는 랜덤성이 우수한 오토스테레오그램을 삽입암호 영상으로 사용하여 워터마크 하였을 때 복원과 추출성능이 양호함을 알아보았고 이를 이용하여 로고영상을 워터마크하려는 영상의 전 영역에 랜덤하게 고루 분포하게하여 워터마크한 후 역으로 변환하여 로고를 찾았다. 영상이 많이 손상되었을 때도 추출된 로고가 육안으로 식별할 수 있을 정도로 견고성이 우수함을 알아보았다.

In Generally, a imbedding and extracting is good as watermark using a random dot image. In this paper, when the autostreogram which has some randomness is used watermark image, distortion rate is low and extraction rate is high. Using this quality, when any logo image is transformed to same image domain randomly, distortion rate is low and extraction rate is high, more over the robustness is good in spite of hard clipping.

사물인터넷의 자원 제약적 특성을 충족하기 위해서는 경량화된 침입탐지 모델이 필요하다. 동시에, 날로 심각해지는 적대 적 공격에 대응하기 위해서는 이러한 경량 모델이 단순히 효율적일 뿐만 아니라, 적대적 강건성과 데이터 프라이버시까지 강 화되어야 한다. 이에 본 연구는 경량화된 기계학습 기반 침입탐지 모델을 대상으로 적대적 강건성 및 데이터 프라이버시를 동 시에 보장할 수 있는 접근방법을 제안한다. 제안하는 접근방법은 우선 침입탐지 모델이 적대적 전이학습을 실시할 적대적 예 제를 생성한다. 전이학습 과정에서는 차등 프라이버시 최적화 기법을 적용하여 적대적 강건성을 강화하면서 학습 데이터에 대 한 프라이버시를 확보한다. 그리고 하이퍼파라미터 미세 조정을 통해 계산 효율성도 최적화하여 자원 제약이 큰 국방 사물인 터넷 환경에서의 적용 가능성을 높인다. 실험은 국방 사물인터넷 환경에서 활용하는 MQTT 프로토콜을 기반으로 생성된 MQTTset 데이터세트를 학습한 LightGBM 기반 침입탐지 모델을 대상으로 진행되었으며, 적대적 강건성은 Zero Order Optimization (ZOO) 공격을 통해 블랙박스 환경에서 평가하였다. 실험 결과, 이진분류에서는 기존 모델 대비 적대적 데이터에 대한 분류 정확도가 9.2%p 향상되었으며, 정상 데이터에서도 안정적인 성능을 유지하였다. 다중분류에서는 추론 시간이 미세 하게 증가했으나, 가장 안정적인 성능을 보였다.

To meet the resource-constrained nature of the Internet of Things (IoT), lightweight intrusion detection models are required. At the same time, to counter increasingly sophisticated adversarial attacks, these models must also be reinforced with enhanced adversarial robustness and stronger data privacy protection. Therefore, we propose an approach that simultaneously guarantees adversarial robustness and data privacy for a lightweight machine learning-based intrusion detection model. Our approach first generates adversarial examples to perform adversarial transfer learning. During the transfer learning, a differential privacy optimization technique is applied to enhance adversarial robustness while ensuring data privacy for the training data. In addition, we optimize computational efficiency through hyperparameter tuning, thereby increasing the applicability of the model to resource-constrained M-IoT environments. Experiments were conducted on a LightGBM-based intrusion detection model trained on the MQTTset dataset, a data set generated based on the MQTT protocol used in M-IoT environments. Adversarial robustness was evaluated in a black-box environment using Zero-Order Optimization (ZOO) attacks. Experimental results show that in binary classification, classification accuracy for adversarial data improved by 9.2 percentage points compared to the existing model, and stable performance was maintained even on normal data. In multiclass classification, inference time increased slightly, but our approach demonstrated the most stable performance.

본 연구는 공급사슬 회복탄력성(resilience), 강건성(robustness), 민첩성(agility)의 관계를 실증적으로 규명하고, 이들이 기업 성과(재무성과, 운영성과)에 미치는 차별적 영향을 분석하였다. 기존 연구에서는 공급사슬 회복탄력성을 강건성과 민첩성을 포괄하는 상위 개념으로 볼 것인지, 아니면 이들과 독립적인 역량으로 볼 것인지에 대해 학문적 합의가 부족하였다. 이를 검증하기 위해 국내 제조업 기업을 대상으로 설문조사를 실시하고, 요인분석과 회귀분석을 통해 모형 간 설명력을 비교하였다. 분석 결과, 회복탄력성이 강건성과 민첩성을 단순히 포함하는 상위 개념이 아니라, 이들과 나란히 독립적인 전략적 역량으로 기능함이 확인되었다. 특히 재무성과에 대해서는 민첩성이, 운영성과에 대해서는 강건성이 주요한 설명 변수로 나타나, 성과 유형별로 각 역량의 중요성이 상이하게 드러났다. 또한 세 개념은 판별타당도 측면에서는 중첩성을 보였으나, 다중공선성 문제는 발견되지 않아 측정 차원에서는 유사성이 존재하더라도 기능적 차별성은 유지됨을 확인하였다. 본 연구는 공급사슬 역량 간의 관계에 대한 학문적 논의를 심화시키는 동시에, 기업이 목표 성과에 따라 강건성과 민첩성에 선택적으로 투자해야 한다는 실무적 시사점을 제공한다.

This study empirically investigates the relationships among supply chain resilience, robustness, and agility, and analyzes their differential impacts on firm performance, including financial and operational outcomes. Prior literature has lacked consensus on whether supply chain resilience should be considered an overarching construct encompassing robustness and agility, or whether these capabilities function as independent strategic resources. To address this debate, a survey of manufacturing firms in Korea was conducted, and factor analysis and regression analysis were applied to compare the explanatory power of alternative models. The results indicate that resilience does not merely subsume robustness and agility but functions as an independent capability alongside them. Specifically, agility was found to be the most influential factor for financial performance, while robustness played the most significant role in operational performance, highlighting the differentiated contributions of these capabilities. Moreover, although conceptual overlaps among the three constructs were observed in discriminant validity tests, no multicollinearity issues were detected, suggesting that while they share measurement similarities, they maintain functional distinctiveness in explaining performance. This study contributes to advancing theoretical discussions on supply chain capabilities and provides practical implications by emphasizing the need for firms to selectively invest in robustness or agility depending on their targeted performance outcomes.

본 논문에서는 4세대 이동통신 기술표준인 LTE/LTE-A 시스템에서 기존 실외 기지국인 eNB 에 집중되는 이동통신 트래픽 부하를 경감시키고 실내 사용자에게 만족스런 통신품질을 제공하여 더 많은 가입자를 수용하기 위해 적용되고 있는 초소형 실내 기지국인 펨토셀(FemtoCell)에서 발생할 수 있는 다양한 유형의 핸드오버 문제의 최적화 방법을 제시하였다. LTE/LTE-A에서는 펨토셀의 최적 설치와 운용을 위해 자가구성네트워크(SON) 기술이 제안되고 있으며, 특히 실내 사용자의 펨토셀간 이동시 발생할 수 있는 링크절체(RLF)에 의한 핸드오버 문제의 최소화를 위해 핸드오버 파라미터를 최적화하는 MRO 기능이 적용된다. 펨토셀간의 핸드오버에서는 너무 이른 핸드오버, 너무 늦은 핸드 오버 그리고 잘못된 셀로의 핸드오버의 세 가지 유형의 핸드오버 문제가 발생한다. 본 논문에서는 이 러한 세 가지 유형의 핸드오버에서 발생하는 RLF에 의한 핸드오버 문제를 해결하기 위한 효과적인 핸드오버 파라미터 최적화 방안을 제시하고 분석하였다. 본 논문에서 제안하는 MRO 기법은 단말기 에서 측정된 펨토셀들의 수신신호 강도를 기반으로 서빙셀과 타겟셀의 CIO 값을 적응적으로 조정할 수 있는 최적화 기법이다. 다섯 개의 펨토셀로 구성된 모의실험환경에 대한 성능분석 연구결과 본 논 문에서 제안한 MRO 기법은 이 알고리즘을 적용하지 않은 환경에 비해 약 80% 정도의 성능개선 효 과를 제공한다. 따라서 본 논문에서 제안한 펨토셀의 핸드오버 문제 해결과 최적화를 위한 MRO 기 법은 실내 사용자를 위한 LTE-A시스템의 펨토셀 환경에서 효과적인 RLF 방지와 개선을 위해 적용 될 수 있을 것으로 기대된다.

The Self-Organizing Network(SON) technology has been developed in 3GPP Release 10 and 11 standard, so called the LTE-Advanced system, for automatic configuration, operation and maintenance of indoor and outdoor base-stations. In particular, the Femtocell, also called a HeNB(Home eNB), is tending to be deployed not only to accommodate indoor mobile communication users, but also to diverge heavy traffic load concentrated to the outdoor base-station(eNB). The Femtocell is connected to the indoor wired communication networks such as Internet. In such LTE/LTE-A Femtocell systems, three types of handover problems such as too late handover, too early handover and to wrong cell handover problems may occur due to inappropriate handover parameters configuration and its resulting radio link failure(RLF). In this paper, a Mobility Robustness Optimization(MRO) algorithm is proposed to tackle the three handover problems in the LTE-A Femtocell systems. Simulation results show that the proposed MRO algorithm is capable to improve such handover problems up to 80% by optimizing handover parameters automatically. The proposed MRO algorithm will play an important role in providing better communication services to the users in the LTE-A indoor environment where many Femtocells are deployed.