신용카드 사기는 매년 수십억 달러의 손실을 발생시키지만, 프라이버시 문제로 인해 은행 간 거래 데이터 공유가 어렵습니다. 이로 인해 연합 학습(Federated Learning, FL) 환경에서 사기 샘플 부족 문제가 발생하며, 이는 통일된 모델 훈련에 큰 제약이 됩니다.
본 연구는 이러한 문제를 해결하기 위해 연합 학습 합성 소수 오버샘플링 기법(FL-SMOTE)을 제안합니다. 이 기법은 부분 동형 암호화와 완전 동형 암호화의 장점을 결합하여 성능과 보안을 강화합니다. 특히, 유클리드 거리 합산, 암호문 비교, 프라이버시 보존 유클리드 거리 순위 지정에 부분 동형 암호화를 활용합니다.
합성 소수 클래스 샘플 생성 및 연합 학습의 보안 집계에는 CKKS(Cheon-Kim-Kim-Song) 방식을 사용합니다. CKKS 근사법을 적용하여 계산 복잡성과 정확성 간의 균형을 맞추었으며, 로지스틱 회귀 모델에 CKKS 방식을 통합하는 방법을 제시합니다. 또한, 클라이언트 손실 함수에 2차 항을 추가하여 로컬 모델과 가속화된 전역 모델 간의 불일치를 정규화합니다.
제안된 FL-SMOTE 알고리즘은 두 가지 공개 데이터셋을 통해 평가되었습니다. 실험 결과, FL-SMOTE가 훈련 결과를 향상시키고 오버샘플링 목표를 성공적으로 달성함을 입증했습니다. 이 연구는 금융 사기 탐지 분야에서 데이터 프라이버시를 유지하면서 모델 성능을 개선하는 실질적인 해결책을 제시합니다.
의료 영상 합성 분야에서 GAN(생성적 적대 신경망)은 뛰어난 잠재력을 보였지만, 진단 등급의 품질, 특히 해부학적 에지 보존 및 모드 붕괴 방지 측면에서 한계가 있었습니다. 본 연구는 이러한 문제를 해결하기 위해 안정적인 에지 인식 GAN 아키텍처를 제안합니다. 이 아키텍처는 훈련 중 구조적 그라디언트를 적응적으로 강화하는 동적 학습형 양방향 커널과 공간적 일관성을 유지하기 위한 보간된 스킵 연결을 가진 계층형 생성기를 특징으로 합니다.
방법론은 CT 신장 데이터셋(12,446개 이미지)에 대해 Wasserstein 정규화를 이용한 적대적 훈련을 활용하여 전역적 충실도와 국부적 정밀도를 최적화했습니다. 포괄적인 실험 결과, 제안 모델은 정량적 지표에서 우수성을 입증했습니다. FID(Fréchet Inception Distance)는 43% 개선(87 vs. DCGAN의 149, p < 0.01), 에지 선명도는 16% 향상(Sobel 그라디언트 크기 45.2 ± 3.1 vs. 38.9 ± 4.2), SSIM 점수는 0.82 ± 0.05를 달성했습니다.
임상 검증에서는 공인 방사선 전문의들이 합성 이미지의 89%를 진단적으로 타당하다고 평가했으며, 특히 종양 경계 묘사에 대해 높이 평가했습니다. 또한, 이 아키텍처는 기존 GAN 대비 손실 변동을 34% 감소시키며 탁월한 훈련 안정성을 보였고, 128 × 128 해상도로 효율적인 확장이 가능했습니다.
이러한 결과는 프라이버시를 보호하는 의료 데이터 증강을 위한 새로운 기준을 제시하며, 주석 처리된 데이터셋이 제한적인 시나리오에 즉각적인 가치를 제공합니다. 향후 연구는 3D 볼륨 합성으로의 확장과 다중 모달 애플리케이션을 위한 확산 모델과의 통합을 포함하며, 이는 의료 기관이 프라이버시 침해 없이 합성 환자 데이터를 생성하고 공유하는 방식을 혁신할 잠재력을 가집니다.
아스팔트 혼합물 수치 모델의 일반화 능력은 가상 골재 데이터베이스의 제한된 형태학적 다양성으로 인해 저해되며, 이는 아스팔트 포장의 기계적 반응 예측 신뢰도를 낮춥니다. 본 연구는 이러한 한계를 극복하고자 딥 컨볼루션 Wasserstein 생성적 적대 신경망(DC-WGAN)을 활용하여 3D 가상 골재 데이터베이스를 증강하는 새로운 프레임워크를 제안합니다.
스테레오 비전 및 다중 뷰 매칭 기술로 원본 3D 가상 골재 데이터베이스를 구축한 후, 6가지 DC-WGAN 변형 모델을 사용하여 데이터를 증강했습니다. 모델 성능과 증강된 데이터베이스를 종합적으로 평가하기 위해 다중 기준 평가 접근법을 도입했으며, 데이터 증강이 기계적 반응 예측에 미치는 영향을 분석하고자 골재 패킹 및 Superpave Gyratory Compaction(SGC) 시뮬레이션을 수행했습니다.
연구 결과, DC-WGAN-div 모델이 가장 낮은 Wasserstein 거리 및 Fréchet Inception 거리 값을 보였으며, 진구형도, 각도 지수, 프랙탈 차원 측면에서 형태학적 충실도가 가장 높아 최적의 성능을 달성했습니다. 증강된 골재 데이터베이스는 골재 패킹 밀도 및 회전-높이 곡선에서 높은 일관성을 보여 아스팔트 혼합물의 기계적 반응을 충실히 재현할 수 있음을 입증했습니다.
본 연구는 DC-WGAN을 활용한 3D 가상 골재 데이터 증강의 효과를 검증하고, 이를 통해 아스팔트 혼합물 수치 모델의 예측 신뢰도를 향상시킬 수 있는 길을 제시합니다. 최적의 성능을 보인 DC-WGAN-div 모델로 증강된 데이터베이스는 경량화 처리 가능성도 확인되어 실제 적용 잠재력이 높습니다.
