미주신경성 실신(VVS)은 흔한 일시적 의식 소실의 원인이지만 진단에 어려움이 있습니다. 표준 진단법인 기립경 검사(HUTT)는 민감도가 제한적이며, 인공지능(AI) 기반 도구는 프라이버시 및 해석 가능성 문제로 도입이 지연되고 있습니다. 본 연구는 HUTT에서 얻은 생체 신호를 활용하여 VVS 탐지를 위한 프라이버시 보호 개념 증명 프레임워크를 탐색합니다.
총 137명의 참가자(VVS 양성 54명, 음성 83명) 데이터를 분석하여 심전도(ECG) 및 혈압 신호에서 54개 특징을 추출했습니다. 차등 프라이버시 확률적 경사 하강법(DP-SGD)을 사용하여 로지스틱 회귀 모델을 훈련했으며, 보안 추론을 위해 동형암호(FHE)의 CKKS(Cheon–Kim–Kim–Song) 방식을 적용했습니다. 모델 해석 가능성은 LIME 및 SHAP 분석으로 평가했습니다.
DP-SGD 모델은 ε ≈ 16.5, δ = 10⁻⁵의 프라이버시 예산 하에서 0.833 ± 0.035의 정확도와 0.888 ± 0.019의 ROC-AUC를 달성했습니다. 그러나 FHE 기반 추론은 다항식 근사 제약으로 인해 성능이 크게 저하되었습니다(ROC-AUC ≈ 0.53). 해석 가능성 분석 결과, 기립기 혈역학적 특징(SBP_T, DBP_T) 및 자율신경계 지표(LFHF_RRI_T, LFHF_SBP_T)가 주요 예측 인자로 일관되게 확인되었습니다.
본 연구는 프라이버시를 보호하면서 VVS를 탐지할 수 있는 AI 모델의 가능성을 제시합니다. 특히, 차등 프라이버시 기법이 효과적인 성능을 유지하면서 데이터 보안을 강화할 수 있음을 보여주었습니다. 향후 FHE 성능 개선을 통해 실제 의료 환경에서의 적용 가능성을 높일 수 있을 것입니다.
CMS 실험에서 입자 충돌 이벤트를 재구성하는 데 핵심적인 입자 흐름(PF) 알고리즘은 최종 상태 입자들의 포괄적인 목록을 생성하여 충돌에 대한 전역적 설명을 제공합니다. 기존 PF 구현은 물리학 기반의 경험적 방법과 가정에 의존하지만, 본 연구는 이를 시뮬레이션 데이터로 직접 학습되고 GPU에 최적화된 기계학습(ML) 모델로 대체하는 방법을 제시합니다.
본 연구에서는 CMS 소프트웨어 프레임워크 내에 구현된 최첨단 ML 기반 PF (MLPF) 재구성 알고리즘을 소개합니다. MLPF 알고리즘은 GPU에서 학습 가능한 전체 이벤트 재구성을 수행하며, 다양한 검출기 조건과 충돌 에너지에 걸쳐 일반화되고, 여러 모듈식 재구성 단계를 단일 통합 모델로 대체합니다.
MLPF는 시뮬레이션 및 실제 데이터 모두에서 표준 PF 재구성과 유사한 물리학적 성능을 달성하며, 제트 에너지 분해능과 추론 시간에서 개선을 보였습니다. 특히, LHC Run-3 (2023–2024) 조건의 시뮬레이션 탑 쿼크-반쿼크 이벤트에서 횡방향 운동량 30–100 GeV 범위의 제트 에너지 분해능이 10–20% 향상되었습니다.
추론 시간 평가 결과, Nvidia L4 GPU에서 이벤트당 중앙값 20ms를 기록하여 표준 CMS PF 재구성의 약 110ms에 비해 크게 단축되었습니다. 이러한 MLPF 알고리즘은 고에너지 물리학 실험의 데이터 처리 효율성을 혁신하고, 미래 실험에서 복잡한 이벤트 재구성의 정확성과 속도를 향상시키는 데 기여할 수 있습니다.
대장암은 전 세계적으로 암 관련 사망의 주요 원인이며, 정확한 예후 모델 개발의 중요성이 커지고 있다. 기존 연구에서는 생존 예측 시 시간-대-사건(time-to-event) 데이터를 이진 변수로 변환하여 일반 분류 알고리즘을 적용하는 경우가 많았다. 이는 데이터의 시간적 특성과 중도 절단(censoring)을 무시하는 방법론적 한계를 내포한다.
본 연구는 이러한 관행의 문제점을 비판하고, 중도 절단을 적절히 처리하며 해석 가능한 생존 분석 전용 기계 학습 방법론의 필요성을 강조한다. 브라질 상파울루주 대장암 환자 데이터를 활용하여, 기존 분류 기반 XGBoost 모델 연구를 재검토하고, 랜덤 생존 산림(Random Survival Forests, RSF) 모델을 다양한 분할 규칙으로 적용하여 비교 분석했다.
예측 성능은 Harrell의 C-index와 Integrated Brier Score로 평가했으며, SHAP 값을 통해 모델의 해석 가능성을 분석했다. 연구 결과, RSF는 안정적인 성능을 보이며 임상적으로 유의미한 사망 예측 인자를 식별했다. 반면, 분류 모델은 특히 중도 절단 비율이 높을수록 생존 확률을 체계적으로 과소평가하는 경향을 보였으며, 이는 시뮬레이션 연구를 통해 재확인되었다.
이러한 발견은 중도 절단된 시간-대-사건 데이터 분석에 있어 생존 분석 전용 기계 학습 방법론의 중요성을 강조한다. 본 연구는 대장암 환자의 예후 예측 정확도를 높이고, 보다 신뢰할 수 있는 임상 의사결정을 지원하는 데 기여할 수 있다.
연합 추천(FedRec)은 사용자 기기에서 원시 상호작용 데이터를 공유하지 않고 모델을 훈련하여 개인 정보 보호를 강화한 추천 시스템입니다. 그러나 개인화된 FedRec은 개인화와 자원 효율성 사이에서 여전히 상충 관계에 직면해 있습니다. 본 연구는 지역 최적화 관점에서 개인화를 재조명합니다.
충분히 긴 지역 최적화가 사용자별 아이템 구조를 형성할 수 있지만, 잦은 동기화나 전체 교체는 이를 방해할 수 있음을 발견했습니다. 이러한 관찰을 바탕으로, 본 연구는 모델 불가지론적 프레임워크인 FedRKG를 제안합니다. FedRKG는 장기 지역 최적화(Long-Horizon Local Optimization)를 통해 개인화된 아이템 임베딩을 형성하고, 간헐적인 정규화된 지식 유도(Regularized Knowledge Guidance)를 통해 공통 전역 지식을 주입합니다. 이 설계는 지역 임베딩을 교체하거나 이중 표현을 유지할 필요 없이 공유된 협업 신호를 통합합니다.
또한, 사용자-아이템 상호작용 수준에서 전역 지식의 영향을 제어하기 위한 적응형 유도(Adaptive Guidance)를 도입합니다. 광범위한 실험 결과, FedRKG는 저장 및 통신 비용을 절감하면서 최신 FedRec 기준선보다 지속적으로 우수한 성능을 보였습니다.
본 연구는 개인화된 연합 추천 시스템의 효율성과 성능을 동시에 향상시키는 새로운 접근 방식을 제시하며, 향후 관련 연구 및 실제 서비스 개발에 기여할 수 있을 것으로 기대됩니다.
장거리 오일 및 가스 파이프라인의 안전한 운영을 위해 외부 방식 코팅의 무결성 확보는 매우 중요합니다. 건설 현장 이미지는 복잡한 배경, 다중 스케일 객체, 그리고 길거나 경계가 불분명한 코팅 상태를 포함하여, 낮은 겹침 조건에서 기존 바운딩 박스 회귀에 어려움을 줍니다.
본 연구는 장거리 천연가스 파이프라인 건설 현장에서 수집한 1388개의 이미지와 6가지 코팅 상태 범주에 걸친 1756개의 주석 인스턴스로 구성된 실제 현장 데이터셋을 구축했습니다. YOLOv10n을 기반으로, 훈련 중 객체의 스케일과 종횡비에 따라 NWD(Normalized Wasserstein Distance) 가중치를 조절하는 스케일-종횡비 적응형 NWD(SA-NWD) 회귀 전략을 개발했습니다.
6가지 무작위 시드에 걸쳐 SA-NWD는 가장 높은 평균 Recall(0.459 vs. 기준선 0.437)과 mAP@0.5(0.451 vs. 0.431)를 달성했습니다. 반면, 고정 가중치 NWD는 가장 높은 평균 mAP@0.5:0.95(0.251 vs. 기준선 0.240)를 기록했습니다. 형태학적으로 그룹화된 분석에서 SA-NWD는 극도로 긴 객체에 대해 더 높은 Recall(0.714 vs. 고정 가중치 NWD의 0.659)과 낮은 시드 간 표준 편차(±0.027 vs. ±0.101)를 보였습니다.
이 결과는 SA-NWD가 형태학적으로 복잡한 코팅 상태의 높은 Recall 선별에 유용하며, 고정 가중치 NWD는 더 안정적인 높은 IoU(Intersection over Union) 지역화를 제공할 수 있음을 시사합니다. 두 전략 모두 YOLOv10n 기준선의 추론 아키텍처, 매개변수 수, GFLOPs를 유지합니다.
유입수 및 유출수의 동적 변화와 막여과층을 통과하며 발생하는 유출수 품질 변화는 기계 학습(ML) 모델의 일반화를 저해하는 주요 요인이다. 특히 미지의 데이터에서 박테리아 및 바이러스 오염물질을 예측하는 모델 개발에 큰 어려움이 따른다. 본 연구는 이러한 문제를 해결하기 위해 두 가지 모델 일반화 패러다임을 제안한다.
사우디아라비아의 서로 다른 도시에 위치한 두 혐기성 막분리 생물반응조(AnMBR) 기반 폐수처리장에서 물리화학적 매개변수, 바이러스 측정법, PCR 기반 데이터를 활용하여 바이러스 입자를 예측하고 로그 제거 값(LRV)을 평가했다. 제안된 패러다임은 평생 학습(lifelong learning)과 제로샷 일반화(zero-shot generalization) 프레임워크에 기반한다. 평생 학습 접근법은 지식 기반 적응 모듈과 공유 사전, 그리고 지연된 출력 측정을 통해 바이러스 입자를 예측하는 로컬 ML 예측기를 통합한다. 제로샷 일반화 접근법은 듀얼 어텐션 트랜스포머 모델을 기반으로 하며, 시간 및 입력 어텐션 메커니즘을 통해 핵심 수질 입력 특성을 적응적으로 우선순위화하여 바이러스 병원체를 추정한다.
두 접근법 모두 미지의 AnMBR 기반 폐수 매트릭스 및 폐수처리장에서 일반화 및 견고성을 보장했다. 아데노바이러스, 대장균 파지, CrAssphage, 고추 순한 얼룩 바이러스 및 총 바이러스 농도를 예측하고 다양한 폐수 매트릭스 및 폐수처리장에서 LRV를 통해 오염물질 제거 성능을 추정함으로써 그 유효성을 검증했다.
본 연구 결과는 AnMBR 시스템에서 바이러스 오염물질 예측 및 제거 효율 평가의 신뢰성을 높여, 폐수 재이용 및 공중 보건 보호에 기여할 수 있는 고급 모니터링 및 제어 전략 개발에 중요한 기반을 제공한다.
설명 가능한 인공지능(XAI)은 복잡한 모델의 출력을 인간이 이해할 수 있도록 연결하는 것을 목표로 하며, 컴퓨터 비전 분야에서 그 중요성이 커지고 있습니다. 본 연구는 귀인 기반, 활성화 기반, 섭동 기반, 트랜스포머 기반의 네 가지 주요 XAI 방법론을 선별하여 비교 분석합니다. 이는 광범위한 문헌 검토를 통해 대표적인 접근 방식들을 집중적으로 다룹니다.
각 방법론은 고유한 방식으로 모델의 의사결정을 해석합니다. Grad-CAM과 같은 귀인 기반 방식은 기울기와 특징 활성화를 활용하여 입력 이미지의 핵심 영역을 강조합니다. 활성화 기반 방식은 내부 뉴런의 반응을 분석하여 계층적 특징 표현을 밝히고, RISE와 같은 섭동 기반 방식은 모델의 내부 접근 없이 입력 변형을 통해 특징 중요도를 평가합니다. 트랜스포머 기반 방식은 자기 주의 메커니즘을 통해 전역적인 정보 흐름을 추적하여 해석 가능성을 제공합니다.
이 방법론들은 충실도, 국소화 정확도, 효율성, 의료 영상 주석과의 중첩도 등의 지표를 사용하여 평가되었습니다. 또한, XAI 기법의 다양성을 반영하는 계층적 분류 체계를 제안합니다. 분석 결과, RISE는 가장 높은 충실도를 보였으나 계산 비용이 높아 실시간 적용에 한계가 있었습니다. 트랜스포머 기반 방식은 의료 영상 분야에서 높은 IoU 점수를 기록했으나, 주의 맵 해석에 신중함이 요구됩니다.
이러한 발견은 해석 가능성과 효율성 사이의 균형을 맞추는 상황 인지적 평가 및 하이브리드 XAI 방법론의 필요성을 강조합니다. 본 연구는 윤리적, 실용적 과제를 논의하며 표준 벤치마크와 도메인별 튜닝의 중요성을 역설합니다.
중장비 공장에서 작업자의 안전모 착용 여부를 정확하게 감지하는 것은 매우 중요하지만, 수동 검사나 영상 감시는 오판 및 누락의 위험이 있습니다. 이에 따라 현대 공장의 안전 관리를 위해 빠르고 지능적인 감지 알고리즘 개발이 필수적입니다.
본 연구는 객체 감지 분야에서 속도와 정확성의 균형이 뛰어난 YOLO 시리즈를 기반으로, YOLOv10 모델을 개선하여 안전모 식별 성능을 향상시켰습니다. 먼저, YOLOv10의 Conv 컨볼루션을 분산형 DSConv 컨볼루션으로 대체하여 컨볼루션 레이어의 메모리 효율성을 높이고 작은 객체 식별 정확도를 확보했습니다. 또한, Dysample 모듈을 통합하여 계산 부하를 줄이고 샘플링을 개선하여 모델의 일반화 능력을 향상시켰으며, WIoU 손실 함수를 도입하여 수렴 속도를 높이고 적응성을 강화했습니다.
최적화된 모델은 SSD, Faster RCNN 및 다양한 YOLO 버전과 같은 주류 객체 인식 알고리즘과 비교했을 때 우수한 성능을 보였습니다. 특히, 원본 YOLOv10 대비 평균 정확도는 0.5% 증가했으며, 부동 소수점 연산량은 7.1%, 모델 크기는 1.4% 감소했습니다. 최종적으로, 최적화된 모델을 Atlas200I DK A2 컴퓨팅 박스에 배포하여 IoT 엣지 디바이스에서의 활용 가능성을 검증했습니다.
