정밀 농업, 자산 관리 및 자율 운송 관리를 위해 농업 기계의 자동 시각 식별 시스템은 필수적입니다. 그러나 실제 농업 환경 이미지는 높은 클래스 내 다양성, 클래스 간 유사성, 그리고 가림, 눈부심, 모션 블러와 같은 통제 불가능한 환경 요인으로 인해 심각한 문제를 야기합니다.
본 연구는 이러한 문제를 해결하기 위해 새로운 딥러닝 아키텍처인 MoEffNet을 제안합니다. MoEffNet은 EfficientNet 백본에 Mixture of Experts 레이어를 통합하고, 새로운 메타휴리스틱 알고리즘인 Refined Addax Optimization Algorithm (RAOA)을 통해 훈련 하이퍼파라미터를 최적화합니다. 이 동적 시스템은 입력값을 전문 전문가 서브네트워크로 라우팅하여 기계의 시각적 서브클래스에 대한 특징을 적응적으로 추출합니다.
MoEffNet은 12가지 유형의 기계 이미지 18,742개로 구성된 공개 데이터셋에서 98.72%의 Top-1 정확도를 달성했습니다. 이는 EfficientNet-B4, Vision Transformers, AMTNet 등 7가지 최첨단 방법보다 우수한 성능이며, 추론 처리량 또한 매우 빨라 엣지 컴퓨팅 환경에 적합합니다. Grad-CAM 분석 결과, 모델은 배경 아티팩트가 아닌 판별적인 기계 부품에 집중하는 것으로 나타났습니다.
이 연구는 비전 기반 농업 장비 인식 분야의 새로운 표준을 제시하며, 생체 영감 메타휴리스틱이 도메인 특화 신경망 아키텍처 개선에 효과적임을 보여줍니다.
토마토는 전 세계적으로 재배되는 주요 원예 작물 중 하나이지만, 잎 질병으로 인해 생산량과 품질에 큰 손실을 겪고 있습니다. 농업의 지속 가능성을 위해서는 질병의 조기 진단이 필수적입니다. 본 연구는 딥러닝과 기존 머신러닝 방법을 결합한 정밀한 질병 예측 모델을 제안합니다.
제안하는 시스템은 ResNet-101의 강력한 특징 추출 능력과 맞춤형 컨볼루션 신경망(CNN) 레이어를 결합하여 미세한 질병 특이적 패턴을 효과적으로 추출합니다. 추출된 특징들은 랜덤 포레스트 알고리즘을 통해 분류되어 최종 예측의 신뢰도를 높입니다.
이 모델은 10가지 토마토 잎 질병에 대한 다양한 데이터셋으로 훈련되었으며, 광범위한 병리학적 조건에 대해 일반화하는 능력을 보였습니다. 실험 결과, 하이브리드 아키텍처는 98.72%의 높은 분류 정확도를 달성하여 질병 증상을 초기 단계에서 효과적으로 감지할 수 있음을 입증했습니다.
본 연구에서 제안하는 솔루션은 농업 환경에서 실시간으로 구현될 가능성이 높습니다. 이 시스템은 현장에서 질병을 자동으로 정확하게 진단하여 농부들이 적시에 개입할 수 있도록 돕고, 작물 건강, 생산성 및 지속 가능한 생산을 향상시키는 데 기여할 수 있습니다.
급격한 도시화가 진행 중인 사하라 이남 아프리카에서는 분산된 비공식 폐기물 투기 및 고해상도 데이터 부족으로 인해 생활 폐기물 관리에 어려움이 있습니다. 본 연구는 크라우드소싱 UAV(무인항공기) 영상에서 노천 투기된 분산형 생활 폐기물(ODD-MSW)을 자동으로 감지하는 오픈 액세스 딥러닝 모델을 제안합니다.
이 모델은 사하라 이남 아프리카 10개국 29개 지역의 다양한 환경 맥락에서 수동으로 주석 처리된 이미지 타일을 통해 훈련 및 평가되었습니다. 그 결과, 모든 연구 지역에서 ODD-MSW 감지 정확도 92.87%(F1 점수 0.927)를 달성했습니다.
모델의 전이성을 검증하기 위해, 5개 대륙 19개국 21개 도시의 독립적인 OpenAerialMap 장면 25개에 현장 재훈련 없이 적용한 결과, 0.867의 F1 점수를 유지했습니다. 예측된 폐기물 분포는 국지적 핫스팟(주로 수로변)부터 도시 전역에 걸친 분산된 쓰레기까지 이질적인 축적 패턴을 보였습니다.
폐기물 축적은 인구 밀도(Spearman ρ = 0.674, p < 0.001) 및 지역 인프라 접근성 부족 지표(ρ = 0.700, p < 0.001)와 강한 연관성을 보였습니다. 이 모델은 지자체 및 지역 매핑 커뮤니티가 수집한 UAV 영상에 바로 적용 가능하여, 기술 전문성 없이도 ODD-MSW 모니터링을 가능하게 합니다. 이는 현지 실무자들이 UAV 영상을 실행 가능한 정보로 전환하여 사하라 이남 아프리카의 폐기물 관리를 개선하는 데 기여할 것입니다.
본 연구는 딥러닝에서 활용되는 신경 확률 미분 방정식(neural SDE)의 샘플 크기가 무한대로 증가할 때, 관련 최적 제어 문제의 극한 거동을 분석합니다. N개 샘플을 갖는 신경 SDE는 중앙 집중식 제어를 포함하는 N-입자 시스템과 연관될 수 있습니다.
저자들은 N-입자 시스템에 해당하는 해밀턴-야코비-벨만(Hamilton–Jacobi–Bellman) 방정식을 분석하고, N에 대해 균일한 규칙성 결과를 확립했습니다. 이러한 균일한 규칙성 추정치는 확률적 최대 원리(stochastic maximum principle)와 역방향 확률 리카티(Riccati) 방정식 분석을 통해 도출되었습니다.
이러한 균일한 규칙성 결과를 활용하여, 샘플 크기 N이 무한대로 수렴함에 따라 목적 함수 최소값과 신경 SDE의 최적 매개변수가 수렴함을 보였습니다. 수렴하는 대상은 보렐 확률 측도의 바서슈타인 공간(Wasserstein space)에 정의된 적절한 함수로 식별될 수 있습니다.
나아가, 본 연구는 정량적인 수렴 속도 또한 도출하여 딥러닝 모델의 대규모 데이터 처리 시 안정성과 최적화에 대한 이론적 기반을 강화합니다. 이는 딥러닝 알고리즘 설계 및 분석에 중요한 통찰력을 제공합니다.
본 연구는 월별 요금 데이터와 현장 검사로 확인된 라벨만으로 전력 도난을 탐지할 때, 어떤 지도 학습 모델이 불규칙한 소비 패턴을 효과적으로 식별하는지 탐구합니다. 이는 AMI(지능형 원격 검침 인프라)의 고해상도 시계열 데이터 없이도 적용 가능한 방법론을 모색합니다.
4,000명의 고객과 864건의 도난 사례를 포함하는 2021년 1월부터 2025년 5월까지의 53개월치 kWh 데이터를 활용했습니다. 도난 사례를 모두 유지하면서 다수 클래스 언더샘플링을 통해 1:1 균형 학습 세트를 구축한 후, K-최근접 이웃, 결정 트리, 서포트 벡터 머신, 랜덤 포레스트, 두 개의 다층 퍼셉트론, LSTM, 1D CNN 등 8가지 분류기를 80/20 계층 분할 방식으로 비교했습니다.
성능은 임계값 최적화 정확도, 정밀도, 재현율, F1-점수, ROC 곡선 아래 면적(AUC) 및 혼동 행렬을 통해 평가되었습니다. 테스트 세트에서 랜덤 포레스트와 소형 밀집 네트워크는 0.685의 정확도를 보였으며, 랜덤 포레스트는 가장 높은 AUC(0.748)와 F1-점수(0.677)를 달성했습니다. 그러나 이 모델들은 테스트 세트 내 도난 계정의 약 1/3을 놓쳤습니다.
본 연구 결과는 월별 전력 도난 스크리닝에 앙상블 및 소형 밀집 네트워크 모델이 유용함을 시사합니다. 또한, AMI 기반 시계열 모델의 성능 이점이 53개 지점의 월별 요금 데이터에는 자동으로 전이되지 않음을 보여줍니다.
안전 문제는 항상 중요한 관심사였으며, 기술 활용은 이러한 사회적 우려를 해결하는 데 필수적입니다. 본 연구는 실시간 모니터링, 위치 추적 및 비상 경보 기능을 제공하는 스마트 안전 보호 시스템(SSPS)의 설계 및 구현을 다룹니다. 이 시스템은 사물 인터넷(IoT) 기술을 활용하여 이러한 문제들을 해결합니다.
제안된 시스템은 착용 가능한 장치로, 센서와 GPS를 사용하여 스마트폰 애플리케이션과 클라우드 데이터베이스에 지속적으로 데이터를 전송합니다. 이 시스템은 장치 무단 제거, 낙상, 비정상적인 체온 또는 심박수 감지 기능을 포함합니다. 이러한 이상 상황 발생 시, 시스템은 연결된 모바일 애플리케이션으로 경보를 전송합니다.
SSPS에는 다중 모드 WESAD 센서 데이터를 활용하는 딥러닝(DL) 모델이 통합되었습니다. Adam 및 Softmax로 최적화된 학습된 다층 퍼셉트론(MLP) 신경망은 93%의 정확도를 달성하여 모니터링 대상자의 감정 상태를 신뢰성 있게 식별할 수 있었습니다. 프로토타입의 기능 및 통합 테스트를 통해 센서 정확도, 데이터 전송 속도 및 실시간 비상 대응의 신뢰성이 입증되었습니다.
궁극적으로 본 연구는 딥러닝과 사물 인터넷 기술을 활용하여 모니터링 대상자의 안전을 향상시킬 수 있는 잠재력을 강조합니다.
폐암은 치사율이 높은 암으로, 조기 진단이 효과적인 치료의 핵심입니다. 딥러닝(DL) 기술은 의료진의 진단 부담을 줄일 수 있지만, 기존 모델들은 정확도와 확장성 문제로 질병 탐지 성능이 저하되는 한계가 있었습니다. 이러한 문제 해결을 위해 병원 간의 협력을 통해 더 나은 질병 탐지 성능을 제공하는 연합 학습(FL) 기반의 전역 데이터 학습 질병 탐지(GDTDD) 모델이 제안되었습니다.
본 연구에서는 먼저 각 병원의 폐 CT 이미지 데이터를 중앙값 필터링으로 전처리한 후, MCAU-Net(multi-Convolutional layer-assisted U-Net) 모델을 활용하여 분할했습니다. 분할된 이미지에서 Multi-texton, MBP(Median Binary Pattern), LGTrP(Improved Local Gabor Transitional Pattern) 등의 특징을 추출하고, MS-CAM(multi-scale channel attention module) 기반의 특징 융합 기법을 사용하여 이들을 결합했습니다. 이후, 융합된 특징을 활용하여 하이브리드 RNN 및 MAA-Bi-LSTM(Modified Attention layer Assisted Bidirectional Long Short-Term Memory) 모델을 학습시켜 로컬 모델을 생성했습니다.
이렇게 생성된 로컬 모델들은 연합 학습 프레임워크로 전송되어 병합 및 집계 과정을 거쳐 전역 학습 모델로 통합됩니다. 이 전역 모델은 보안과 프라이버시를 보장하기 위해 블록체인에 저장됩니다. 최종적으로, 블록체인에 저장된 전역 모델은 융합된 특징으로 재학습되어 정확하고 효과적인 질병 탐지 성능을 제공합니다.
실험 결과, 제안된 MAA-Bi-LSTM+RNN 모델은 질병 탐지에서 높은 효과를 보였습니다. 특히, 제안 모델의 정밀도(Precision)는 95.48%, F-측정(F-measure) 값은 96.30%로 나타나, 기존 모델 대비 우수한 성능을 입증했습니다. 이는 분산된 의료 환경에서 안전하고 효율적인 진단 시스템 구축 가능성을 시사합니다.
사물 인터넷(IoT) 네트워크의 급증은 이질적인 트래픽 특성, 대규모 연결성, 그리고 심하게 불균형한 공격 분포로 인해 사이버 보안 위험을 크게 증가시켰습니다. 기존 침입 탐지 방식은 주로 계산 비용이 높은 딥러닝 아키텍처나 합성 과표집 기법을 통해 전반적인 탐지 성능을 향상시키는 데 초점을 맞추지만, 트래픽 특징 간의 의미론적 관계를 간과하고 계산 복잡성을 증가시키며 소수 공격 패턴 학습 능력이 제한적이라는 한계가 있습니다.
본 논문은 경량의 불균형 학습 기반 IoT 침입 탐지를 위한 트래픽 인식 불균형 학습 네트워크(TAIL-Net)를 제안합니다. 제안하는 프레임워크는 트래픽 인식 의미론적 특징 매핑 메커니즘을 도입하여 네트워크 트래픽 속성을 의미론적 관계에 따라 재구성함으로써 특징 표현 학습을 개선합니다. 매핑된 특징은 경량 CNN-GRU 아키텍처를 통해 처리되며, 합성 과표집 없이 소수 공격 식별 능력을 향상시키기 위해 소수 인식 주의(minority-aware attention)와 적응형 클래스 균형 포컬 손실(Adaptive Class-Balanced Focal Loss, ACB-FL) 함수가 통합되었습니다.
BoT-IoT 데이터셋에 대한 실험 평가 결과, 제안된 프레임워크는 99%의 탐지 정확도와 99%의 가중 F1-점수를 달성했습니다. 또한, TAIL-Net은 81,866개의 훈련 가능한 파라미터와 0.3122 MB의 모델 크기로 평균 0.0041 ms/샘플의 추론 지연 시간을 기록했습니다.
이 연구는 IoT 환경에서 효율적이고 정확한 침입 탐지 시스템 개발에 기여하며, 특히 불균형한 데이터 환경에서 소수 클래스 탐지 성능을 크게 향상시키는 실용적인 해결책을 제시합니다.
리튬 이온 배터리의 저장 용량과 충방전 속도를 개선하기 위해 벌크 흑연을 다층 그래핀으로 대체하는 연구가 활발합니다. 이중층 그래핀(BLG)은 가장 간단한 층상 그래핀 시스템으로, 이러한 성능 향상의 구조적 원인을 규명하는 데 이상적인 모델입니다. 그러나 안정적인 Li 삽입 구조를 예측하려면 밀도범함수이론(DFT)을 사용하여 방대한 구성 공간을 탐색해야 하므로, 대규모 초격자에서는 계산 비용이 엄청나게 증가하는 문제가 있습니다.
본 연구에서는 Li 삽입 이중층 그래핀의 안정 구조 예측을 가속화하기 위한 데이터 효율적인 딥러닝 프레임워크인 DESSP를 제안합니다. DESSP는 유전 알고리즘 기반 탐색 파이프라인과 DFT를 대체하는 머신러닝 상호작용 전위(MLIP)를 결합하여, 넓고 효율적인 전위 에너지 표면 탐색을 가능하게 합니다.
탐색 궤적을 따라 샘플링된 대표 구조들은 DFT로 선별적으로 라벨링되어 고정밀 MLIP를 훈련하며, 증류 기반 전략으로 예측 정확도를 더욱 향상시킵니다. 그 결과, DESSP 모델은 DFT에 근접한 정확도를 달성하고 더 큰 초격자에도 효과적으로 일반화됩니다.
이 프레임워크는 훨씬 낮은 계산 비용으로 열역학적 볼록 껍질을 재현하며, 배터리 내 나노 스케일 층상 전극 연구를 위한 확장 가능한 방법을 제공합니다.
결정립 성장은 재료의 기계적 거동에 큰 영향을 미치므로, 미세구조 공학에서 결정립 성장을 예측하는 것은 핵심 목표입니다. 본 연구에서는 결정립 성장 중 결정립 크기 분포를 예측하기 위해 순환 신경망(RNN), 장단기 기억(LSTM), 시간 컨볼루션 네트워크(TCN), 트랜스포머를 포함한 여러 딥러닝 접근법을 평가했습니다.
계산 비용이 높은 전장 시뮬레이션 대신, 검증된 고정밀 시뮬레이션에서 추출한 정규화된 평균장 통계 기술자를 활용했습니다. 112개의 결정립 성장 시퀀스 데이터셋을 다변량 시계열로 처리하여, 짧은 시간 이력으로부터 미세구조 진화를 예측할 수 있는 자기회귀 모델을 훈련했습니다.
장기 예측, 미지의 초기 분포, 공간 영역 전이 등 모든 평가 시나리오에서 LSTM 아키텍처는 가장 높은 정확도와 안정성을 일관되게 보여주었으며, 약 90%의 예측 정확도를 달성하면서 물리적으로 일관된 결정립 성장 경향을 유지했습니다. 훈련된 모델은 최적화된 고효율 편미분 방정식 기반 시뮬레이션이 약 20분 걸리는 것에 비해 단 몇 초 만에 전체 결정립 성장 궤적을 생성하여 두 자릿수 이상의 속도 향상을 이루었습니다.
이 결과는 저차원 기술자와 LSTM 기반 예측의 결합이 효율적이고 물리적으로 일관된 미세구조 예측에 잠재력이 있음을 보여줍니다. 이는 재료 모델링 가속화, 디지털 트윈 개발, 공정 최적화에 직접적인 영향을 미칠 것입니다.
레일 내부 결함은 철도 운행 안전에 심각한 위협을 가하며, 초음파 B-스캔 이미징은 레일 지하 상태를 시각화하는 효과적인 비파괴 검사 방법입니다. 그러나 B-스캔 이미지의 수동 해석은 시간이 많이 소요되고 작업자의 경험에 크게 의존한다는 문제가 있습니다. 본 연구는 이러한 한계를 극복하기 위해 레일 초음파 B-스캔 이미지의 자동 분류를 위한 다중 스케일 밀집 어텐션 네트워크(MSDA-Net)를 제안합니다.
제안된 MSDA-Net은 확장 컨볼루션, 다중 스케일 밀집 특징 추출, 그리고 어텐션 기반 특징 재조정 기법을 통합하여 다양한 공간 스케일에서 결함 특징을 포착하고, 동시에 판별적인 결함 관련 영역을 강화합니다. 모델 훈련 및 평가를 위해 여러 철도 구간에서 수집된 536개의 초음파 B-스캔 이미지를 포함하는 데이터셋을 구축했습니다.
실험 결과, MSDA-Net은 0.909의 정확도, 0.867의 매크로 정밀도, 0.845의 매크로 재현율, 그리고 0.848의 매크로 F1-점수를 달성했습니다. 비교 및 제거 실험을 통해 제안된 네트워크 구조가 레일 결함 분류에 효과적임을 추가적으로 입증했습니다.
본 연구는 레일 결함 탐지의 자동화 및 정확도 향상에 기여하여 철도 안전성을 높이는 데 중요한 의미를 가집니다. 제안된 MSDA-Net은 실제 철도 유지보수 현장에서 효율적인 비파괴 검사 솔루션으로 활용될 수 있을 것으로 기대됩니다.
흑색종은 가장 흔한 피부암 중 하나로, 전이 속도가 빨라 진단이 매우 복잡하며 전문 지식을 요구합니다. 전 세계적으로 피부암 발병률이 증가함에 따라 의료진의 신속하고 정확한 진단을 돕는 자동화된 시스템의 필요성이 커지고 있습니다.
본 연구는 다단계 프레임워크를 제안합니다. MuGIF(Mutually Guided Image Filtering)를 통해 노이즈를 줄여 이미지 품질을 향상하고, 제안하는 MDU-CNN(Multi-Dimensional U-Convolutional Neural Network)으로 병변 영역을 분할합니다. 이후 GBFIO(Grizzly Band Fat Increase Optimizer)로 가장 판별력 있는 특징을 선택하고, 경량 병렬 심층 분리형 CNN(PDSCNN)으로 최종 피부암을 분류합니다.
특히, MDU-CNN은 다차원 아키텍처를 통해 복잡한 암 경계를 정교하게 분할하며, Golden Jackal Optimization Algorithm 기반의 하이퍼파라미터 최적화를 통해 전반적인 성능을 극대화했습니다.
이 시스템은 10,000개의 흑색종 이미지 데이터셋에서 93.40%의 정확도, 98%의 정밀도, 94%의 재현율, 93%의 F1 점수를 달성했습니다. 이는 피부암 조기 예측에 크게 기여할 수 있음을 시사합니다.
복잡한 과수원 환경에서 RGB 이미지 기반 동백나무 열매 검출의 정확도 한계를 극복하고자, 본 연구는 듀얼 스트림 RGB-D 융합 검출 네트워크인 CIAFNet을 제안합니다. 이 네트워크는 RGB 이미지와 깊이 맵을 병렬 입력으로 활용하며, C3k2_PartialNetBlock을 통해 효율적인 양상 내 특징 추출을 수행하고, 교차 양상 상호작용 및 차이 인식 적응형 융합(CIDAF) 모듈로 교차 양상 특징을 적응적으로 융합합니다. 또한, SC-EUCB가 강화된 BiFPN을 사용하여 다중 스케일 특징 집계 및 업샘플링 시 세부 정보 복원을 최적화합니다.
자연 과수원 RGB 이미지에서 Depth Anything V2를 통해 생성된 의사 깊이 맵과 RGB 이미지를 쌍으로 구성하여 RGB-의사 깊이 데이터셋을 구축했습니다. 통제된 조건에서 Intel RealSense D435i로 수집된 동기화된 RGB-D 데이터는 의사 깊이와 센서 깊이 간의 불일치를 정량화하고 입력 적응성을 평가하는 데 사용되었습니다.
자연 과수원 테스트 세트에서 CIAFNet은 10.49 GFLOPs와 3.80 M 매개변수만으로 93.33%의 mAP@0.5를 달성했습니다. 2단계 미세 조정을 통해 통제된 조건에서 D435i로 측정된 깊이에 대한 CIAFNet의 적응성이 향상되었습니다. 후속 상대 변위 일관성 실험에서는 X, Y, Z축을 따라 평균 절대 일관성 오차가 각각 3.10, 3.15, 3.27 mm였으며, 평균 3D 유클리드 일관성 오차는 5.60 mm였습니다.
이러한 결과는 CIAFNet이 자연 과수원 RGB-의사 깊이 데이터를 사용하여 동백나무 열매 검출을 개선하며, 통제된 조건에서 상대 3D 위치 추적을 위한 시각 프런트 엔드로서의 잠재력이 있음을 보여줍니다.
자기 지도 학습에서 데이터 증강은 학습된 표현의 품질과 다양성에 큰 영향을 미치므로 핵심적인 역할을 한다. 그러나 기존 자기 지도 학습 방식 대부분은 고정된 확률적 증강 파이프라인에 의존하며, 적응형 대안들은 정책 탐색, 적대적 학습 또는 추가 최적화 절차에 따른 높은 비용을 요구한다.
본 논문에서는 자기 지도 시각적 표현 학습을 위한 ELM(Extreme Learning Machines) 기반의 경량 학습형 증강 프레임워크를 제안한다. 제안된 모듈은 이미지 의존적 변환 매개변수를 예측하고 이를 미분 가능한 증강 연산자를 통해 적용하여, 최소한의 추가 연산 오버헤드로 표현 모델과 공동 최적화를 가능하게 한다.
이 프레임워크는 SimCLR, BYOL, SimSiam 세 가지 대표적인 자기 지도 학습 방식에 통합되었다. CIFAR-10, CIFAR-100, Tiny ImageNet 데이터셋에 대한 광범위한 실험 결과, 제안된 방법은 대부분의 설정에서 기준선 대비 선형 평가 성능을 일관되게 향상시켰다. 특히 CIFAR 데이터셋에서 주목할 만한 성능 향상을 보였으며, 더 어려운 Tiny ImageNet 벤치마크에서도 효과적이었다.
클래스별 난이도 분석을 통해 제안된 증강 전략이 어려운 클래스에서 성능을 크게 개선하여, 전반적인 경쟁력 있는 성능을 유지하면서도 까다로운 범주에 대한 강력한 견고성을 보여주었다. 이 결과는 경량 학습형 증강이 다양한 프레임워크와 데이터셋에서 자기 지도 표현 학습을 효과적으로 향상시킬 수 있음을 입증한다.
유전체 서열로부터 RNA 스플라이싱을 예측하는 것은 유전자 조절 이해 및 유전 변이 해석에 필수적입니다. 최근 딥러닝 모델은 스플라이싱 예측에서 최첨단 성능을 달성했지만, 그 예측 메커니즘은 해석의 어려움으로 인해 여전히 불분명합니다. 본 연구는 모델 예측 논리를 설명하기 위한 해석 가능한 증류(interpretable distillation) 프레임워크를 개발했습니다.
이 프레임워크를 적용한 결과, RNA 스플라이싱 예측 모델들이 광범위한 교란 요인(confounders)과 사각지대(blind spots)로 인해 비참조 서열(non-reference sequences)에서 낮은 성능을 보이는 것을 발견했습니다. 스플라이싱 모델은 알려진 스플라이싱 조절 요소를 포함한 서열 모티프의 놀랍도록 단순한 가산 조합을 통해 엑손을 인식합니다.
그러나 분석 결과, 스플라이싱 모델이 스플라이싱과 무관한 유전체 교란 요인을 악용하고 RNA 구조의 영향을 적절히 포착하지 못하여 체계적인 예측 오류를 발생시키는 것으로 나타났습니다. 이는 모델이 유전체 서열 학습 시 근본적인 한계를 가지고 있음을 시사합니다.
본 연구 결과는 유전체 서열 기반 모델 훈련의 한계를 밝히고, 이를 극복할 수 있는 방안을 제시합니다.
수소 에너지 운반체 활용이 증가함에 따라 운송 인프라에 대한 고급 모니터링 솔루션이 요구됩니다. 특히 지능형 센싱 및 데이터 기반 분석은 안전과 운영 효율성 향상에 중요한 역할을 할 수 있습니다. 그러나 운영 데이터 부족과 시스템의 복잡한 과도 거동으로 인해 수소 운송망의 이상 탐지는 여전히 어려운 과제입니다.
본 연구는 고충실도 시뮬레이션과 데이터 기반 분석을 활용한 수소 운송망의 약지도(weakly-supervised) 이상 탐지 프레임워크를 제안합니다. 이 방법론은 시계열 딥러닝 아키텍처와 비지도 표현 학습 모델을 결합하며, 오탐(false positive)과 미탐(false negative) 간의 균형을 고려한 운영 임계값 보정 전략을 포함합니다.
제안된 프레임워크는 누출, 압축기 오작동, 지연 활성화 이벤트 등 정상 및 비정상 작동 조건을 재현하는 고충실도 시뮬레이션 환경에서 검증되었습니다. 다양한 이상 탐지 아키텍처와의 비교 실험, 측정 노이즈에 대한 강건성 분석, 그리고 leave-one-topology-out 일반화 테스트를 통해 평가되었습니다.
그 결과, 제안된 접근 방식은 신호 품질 저하 및 이전에 관찰되지 않은 운영 구성에 대해서도 강건성을 유지하면서 비정상적인 거동을 효과적으로 식별할 수 있음을 입증했습니다. 이는 수소 운송 인프라를 위한 지능형 모니터링 전략 개발 및 검증 프레임워크로서 본 방법론의 효과성을 강조합니다.
최근 딥러닝 워크로드의 급증은 데이터센터의 에너지 소비와 탄소 배출량 증가로 이어지고 있습니다. 기존의 탄소 추적 및 정적 스케줄링 시스템은 실제 머신러닝 운영 과정에서 탄소 인식을 구현하기에 역량이 부족하다는 한계가 있습니다.
본 논문에서는 실시간 및 예측 탄소 집약도를 AI 학습 프로세스에 통합하는 탄소 인지 스케줄링 프레임워크인 EcoSchedAI를 제안합니다. 이 시스템은 '탄소 기회 창(carbon opportunity windows)' 개념을 도입하여 저탄소 기간 동안 학습 작업을 선제적으로 스케줄링합니다. 또한, 작업 수준 제약 조건을 통합하여 실제 시나리오에서 유연하고 실용적인 배포를 가능하게 합니다.
EcoSchedAI는 CNN(합성곱 신경망)을 사용하여 기준, 규칙 기반, 강화 학습 기반 접근 방식을 포함한 세 가지 스케줄링 방법과 다중 지역 탄소 평가를 평가합니다. 이를 통해 모델 성능을 유지하면서 최대 9.72%의 탄소 절감 효과를 달성할 수 있음을 입증했습니다.
이 연구는 예측 및 제약 조건 인지 스케줄링 방법이 대규모로 운영되는 친환경 AI 시스템을 구축하는 데 어떻게 기여할 수 있는지 보여줍니다.
전력 시스템 계획의 복잡성이 증대됨에 따라, 본 연구는 딥러닝 기반의 단기 전력 부하 예측 모델을 제안한다. KAN(Kolmogorov Arnold Networks)과 CNN(Convolutional Neural Networks)을 결합하고 베이지안 최적화 및 멀티 헤드 어텐션 메커니즘을 적용한 하이브리드 예측 모델 AM-CNN-KAN을 개발했다.
AM-CNN-KAN 모델은 기존 모델 대비 MAE, MSE, RMSE, MAPE 성능 지표를 각각 0.072%, 7.52%, 2.44%, 1.23%, 7.10% 개선했다. 또한, 이 모델은 하이퍼파라미터의 적응적 최적화 기능과 우수한 안정성을 보인다.
나아가, 신경망 기반 전력 부하 예측의 고질적인 블랙박스 문제를 해결하기 위해 SHAP(SHapley Additive exPlanations) 모델을 추가하여 예측 결과에 대한 해석 가능성을 높였다.
풍력 에너지는 전 세계 전력 수요 충족 및 탈탄소화 목표 달성에 중요하지만, 간헐적이고 비정상적이며 공간적으로 결합된 특성으로 인해 전력 시스템 통합이 어렵습니다. 특히, 초단기(10분) 및 단기(1시간) 풍력 발전량 예측은 실시간 전력 배분, 예비력 할당, 계통 안정성에 필수적이지만, 풍력 터빈 간의 후류 상호작용, 풍향·풍속 변화, 센서 노이즈 등으로 인해 여전히 도전 과제로 남아있습니다.
본 연구에서는 이러한 문제를 해결하기 위해 물리 정보 기반의 방향성 인식 대규모 언어 모델(LLM) 유도 동적 시공간 그래프 딥 네트워크(LLXSTG)를 제안합니다. 이 프레임워크는 물리 정보 기반의 전력 곡선 정제, LLM이 유도하는 동적 그래프 구성, 그리고 시공간 그래프 컨볼루션 네트워크를 통합하여 풍력 발전기의 체제 의존적이고 지향적인 상호작용을 명시적으로 모델링합니다. 기존의 정적 또는 상관관계 기반 그래프와 달리, LLM은 변화하는 풍력 체제에 적응하는 상황 조건부 인접 구조를 추론하며, 스키마 검증 및 대체 메커니즘을 통해 해석 가능성과 재현성을 보장합니다.
대규모 다중 터빈 풍력 발전소의 고해상도 데이터셋을 활용한 광범위한 실험을 통해 제안된 프레임워크의 성능을 검증했습니다. 14개의 기존 딥러닝, 트랜스포머 기반, 하이브리드 앙상블 모델 및 두 가지 최신 LLM 기반 예측 모델과 비교한 결과, LLXSTG는 10분 예측에서 JST-Transformer 대비 평균 절대 오차(MAE)를 66.5%, 제곱 평균 제곱근 오차(RMSE)를 67.9% 감소시켰으며, R-v 지표에서 19.3% 향상된 성능을 보였습니다.
이 연구는 풍력 발전량 예측의 정확도를 크게 향상시켜, 풍력 에너지의 안정적인 계통 통합과 효율적인 운영에 기여할 수 있는 새로운 방법론을 제시합니다.
수문학적 과정 이해, 모델 개발 및 선제적 물 관리를 위해서는 데이터가 필수적입니다. 이 연구는 유럽 전역의 10,000개 이상 유역에 대한 일별 유출량 재구성 데이터셋인 EARLS(European Aggregated Reconstructions for Large-sample Studies)를 소개합니다. 이 데이터셋은 1953년부터 2023년까지의 기간을 포함하며 불확실성 추정치도 함께 제공합니다.
유출량 재구성은 5,000개 이상의 유역에서 훈련된 단일 LSTM(Long Short-Term Memory) 기반 강우-유출 모델을 통해 도출되었습니다. LSTM은 강우-유출 모델링 분야의 최첨단 기술로, 미계측 유역에서의 예측에 특히 적합합니다.
재구성 데이터의 품질은 두 개의 독립적인 유역 세트에 대한 정량적 평가와 EARLS 기반의 첨두 유량 및 홍수 발생 시점을 기존의 대규모 수문 연구 결과와 비교하는 정성적 평가를 통해 검증되었습니다. 이를 통해 EARLS의 정확성과 신뢰성을 확인했습니다.
EARLS는 딥러닝 기술을 활용하여 정확하고 고해상도의 데이터를 제공하는 차세대 데이터셋을 대표합니다. 이 데이터셋은 수문학 연구 및 수자원 관리 분야에 중요한 기여를 할 것으로 기대됩니다. EARLS는 https://doi.org/10.5281/zenodo.13864843에서 접근 가능합니다.
인산화는 세포 신호 전달 및 질병 메커니즘에 필수적인 번역 후 변형(PTM)이다. 질량 분석 기반 인산화단백질체학은 인산화 이벤트를 전사적으로 특성화하는 데 널리 사용되지만, 인산화 부위의 정확한 위치 파악, 복잡한 검색 공간, 그리고 참조 데이터베이스 외 서열 검출에 어려움이 있다. 기존 방법의 한계를 극복하기 위해, 새로운 펩타이드 서열 분석(de novo peptide sequencing) 기술의 발전이 요구된다.
본 연구에서는 이러한 한계를 해결하고자 트랜스포머 기반 InstaNovo 모델의 인산화 특이적 버전인 InstaNovo-P를 개발했다. InstaNovo-P는 광범위한 인산화단백질체학 데이터셋으로 미세 조정되었으며, 복잡한 실험 시나리오를 포함한 여러 데이터셋에서 인산화 펩타이드 검출 및 인산화 부위 위치 파악 정확도 면에서 기존 방법을 크게 능가한다. 이 모델은 단일 및 다중 인산화 부위를 가진 펩타이드를 강력하게 식별하고, 세린, 트레오닌, 티로신 잔류물에서 인산화 이벤트를 효과적으로 국소화한다.
FGFR2 신호 전달 연구를 통해 모델 예측을 실험적으로 검증한 결과, InstaNovo-P는 기존 데이터베이스 검색에서 놓쳤던 인산화 부위를 밝혀냈다. 이러한 예측은 중요한 생물학적 과정과 일치하며, 모델이 가치 있는 생물학적 통찰력을 제공할 수 있음을 확인했다.
InstaNovo-P는 사전 정보 없이 생물학적으로 관련된 인산화 이벤트를 효과적으로 식별함으로써 인산화단백질체학 실험에 가치를 더하며, 신호 전달 경로 분석을 위한 강력한 분석 도구를 제공한다.
의료 영상에서 혈관을 정확하게 분할하는 것은 연구 및 임상 적용에 필수적이지만, 기존 수동 방식은 시간과 비용이 많이 들고, 자동화된 계산 방식은 정확도에 한계가 있었습니다. 특히 새로운 3D 의료 영상 데이터셋의 대규모 혈관 분할을 위한 효율적인 알고리즘 개발이 시급한 과제였습니다.
이러한 문제를 해결하고자, 본 연구진은 HiP-CT(Hierarchical Phase-Contrast Tomography) 데이터셋에서 3D 혈관 분할을 위한 딥러닝 방법론 개발을 촉진하고자 글로벌 기계 학습 경쟁을 개최했습니다. 1,401명의 참가자가 참여한 이 경쟁을 통해 최상위 솔루션들을 메타 분석하여 분할 정확도와 형태학적 분석에 중점을 두었습니다.
경쟁 및 후속 분석 결과, 데이터 분포를 활용하는 의사 라벨링(pseudo-labeling) 접근 방식, 혈관 표면 및 위상을 최적화하는 지표 및 손실 함수, 그리고 데이터 이질성을 다루는 다중 스케일(multi-scale) 접근 방식과 같은 혁신적인 방법론들이 수렴적으로 발전하고 있음을 확인했습니다. 이는 딥러닝 모델 구축을 위한 효과적인 기술들을 제시합니다.
본 연구는 알고리즘 성능 평가 및 비교를 위한 지표와 함께, HiP-CT 영상 내 혈관 분할 연구를 위한 수동 주석 및 큐레이션된 골드 스탠다드 데이터셋을 제공합니다. 이는 향후 혈관 분할 연구의 발전을 위한 중요한 기반 자료가 될 것입니다.
전 세계적으로 교통사고는 사망 및 경제적 손실의 주요 원인으로, 신속하고 정확한 사고 감지 시스템의 필요성이 증대되고 있습니다. 기존 센서 기반 또는 수동 모니터링 방식은 비용, 확장성, 반응 시간 측면에서 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 비디오 감시 정보를 활용한 인공지능 기반 실시간 교통사고 감지 프레임워크를 제안합니다.
제안된 프레임워크는 딥 컨볼루션 신경망(CNN)을 활용하며, 이미지 정규화, 데이터 증강, 계층적 데이터셋 분할을 포함하는 단일 전처리 파이프라인을 사용합니다. VGG16, Inception V3, MobileNet, DenseNet 121의 네 가지 CNN 아키텍처를 체계적으로 평가했으며, VGG16의 깊은 특징 추출 능력과 MobileNet의 효율성을 통합한 새로운 하이브리드 모델을 제시합니다.
실험 결과, 제안된 하이브리드 아키텍처는 단일 모델보다 우수한 성능을 보였습니다. 정확도 95.60%, 정밀도 95.90%, 재현율 94.70%, F1-점수 95.30%를 달성했습니다.
이 결과는 제안된 전략의 효과성, 견고성 및 확장성을 입증하며, 스마트 교통 시스템 및 교통 안전 분야의 실시간 애플리케이션에 적용 가능함을 시사합니다.
지난 10년간 딥러닝 모델은 시각 인지 과제에서 인간 수준을 넘어서는 성능을 보이며 자율주행, 모바일 기기, 로봇 공학 등 실제 응용 분야에 대한 관심을 높였습니다. 그러나 최첨단 모델들은 막대한 연산 자원을 요구하여 전력 소비, 지연 시간, 탄소 배출량 측면에서 실용적이지 않다는 문제가 있습니다. 이러한 효과성과 효율성 간의 상충 관계는 추론 시 연산 비용을 최소화하면서 만족스러운 성능을 달성하는 '연산 효율적인 딥러닝'이라는 새로운 연구 분야를 촉발했습니다.
본 연구는 빠르게 발전하는 이 분야를 네 가지 핵심 영역으로 분석합니다. 첫째, 판별력 있는 심층 표현 추출을 위한 정적 또는 동적 경량 백본 모델 개발. 둘째, 특정 컴퓨터 비전 작업에 최적화된 네트워크 아키텍처 및 알고리즘. 셋째, 딥러닝 모델 압축 기술. 넷째, 효율적인 딥 네트워크를 하드웨어 플랫폼에 배포하는 전략을 다룹니다.
또한, 네트워크 아키텍처 설계, 학습 방식, 실제 효율성, 현실적인 모델 압축 접근 방식 등 이 분야가 직면한 주요 과제들을 체계적으로 논의합니다. 이를 통해 향후 연구 방향에 대한 통찰을 제공합니다.
이 연구는 컴퓨터 비전 분야에서 딥러닝 모델의 실용적 적용을 위한 효율성 문제를 해결하는 데 기여하며, 관련 연구자들에게 포괄적인 관점과 미래 방향을 제시합니다.
딥페이크 기술은 디지털 미디어의 진위성에 전례 없는 위협을 가하며, 신뢰할 수 있는 탐지 시스템의 필요성이 증대되고 있습니다. 본 체계적 문헌 연구는 2018년부터 2025년까지 발표된 딥러닝, 머신러닝, 고전적 이미지 처리 기반 딥페이크 탐지 방법론들을 분석하며, 특히 정확도, 연산 효율성, 교차 데이터셋 일반화 능력 간의 트레이드오프에 중점을 두었습니다.
세 가지 벤치마크 데이터셋(FaceForensics++, DFDC, Celeb-DF)을 활용한 엄격한 동료 심사 연구들을 분석하여, 기존 학계의 통념에 의문을 제기하는 중요한 사실들을 밝혀냈습니다. 특히, 탐지 능력과 한계에 대한 이해를 근본적으로 변화시키는 세 가지 핵심 결과를 도출했습니다.
트랜스포머 기반 아키텍처는 CNN 기반 아키텍처(15% 이상 성능 하락)보다 훨씬 우수한 교차 데이터셋 일반화 능력(11.33% 성능 하락)을 보였으나, 3~5배 더 많은 연산 비용이 발생했습니다. 반대로, 딥러닝의 우월성을 가정할 강력한 근거는 없으며, 전통적인 머신러닝 방법(랜덤 포레스트)은 DFDC 데이터셋에서 99.64%의 정확도를 달성하며 딥러닝과 견줄 만한 성능을 보였고, 연산 요구량은 현저히 낮아 자원 제약적인 환경에서의 활용 가능성을 시사합니다.
가장 중요하게는, 모든 방법론 클래스에서 평균 10~15%의 성능 저하가 체계적으로 관찰되었으며, 현재 탐지 시스템이 일반화 가능한 딥페이크 특성보다는 데이터셋 고유의 압축 아티팩트를 학습하고 있다는 경험적 증거를 제시합니다. 이 결과들은 정확도 중심의 평가에서 일반화 능력, 연산 효율성, 실제 배포 제약을 균형 있게 고려하는 포괄적인 평가 접근 방식으로 전환해야 함을 강조합니다.
재생에너지의 급증은 현대 전력 시스템 운영에 다층적 불확실성을 야기하며, 기존의 결정론적 및 확률론적 최적화 방식에 한계를 드러내고 있습니다. 본 연구는 이러한 복잡성을 해결하고 불확실성 하에서 경제적 효율성과 운영 신뢰성을 동시에 향상시키기 위해 딥러닝 기반의 분포론적 강건 최적화(Deep-DRO) 프레임워크를 제안합니다.
제안된 모델은 계층적 조정 아키텍처를 통합합니다. 딥러닝 모듈은 태양 복사량, 풍력 가용성, 부하 변동 등 불확실 변수의 확률적 구조를 추론하며, DRO 계층은 적응적으로 재구성된 모호성 집합을 통해 시스템 전반의 강건성을 확보합니다. 학습 기반 모호성 재구성은 최적화 과정에서 보수성을 동적으로 조절하여 비용, 신뢰성, 재생에너지 활용 간의 균형을 개선합니다.
방법론적으로, 이 프레임워크는 카운티, 피더, 분산 에너지 자원(DER)의 세 가지 의사결정 계층으로 구성된 다중 에이전트 디스패치 구조를 채택하며, 각 계층은 강화 학습 기반 조정을 통해 고유한 정책 매핑을 학습합니다. 고해상도 기상 및 운영 데이터로 훈련된 딥 네트워크는 시나리오 분포를 추정하고, 강건 최적화 코어는 분포적 모호성 하에서 예상 비용 및 신뢰성 페널티를 최소화합니다.
결과적으로 데이터 기반 예측과 모델 기반 최적화를 원활하게 결합하여 예측 지능과 운영 강건성 간의 격차를 해소합니다. 벤치마크 다중 지역 배전망 시뮬레이션 결과, 기존 DRO 대비 총 운영 비용을 11.0~13.5% 절감하는 등 상당한 성능 향상을 입증했습니다.
운영 중인 구조 건전성 모니터링(SHM)은 실제 손상 데이터 부족, 환경 변화의 영향, 고정밀 물리 시뮬레이션의 높은 계산 비용이라는 난제에 직면해 있습니다. 본 연구는 이러한 문제를 해결하기 위해 유한요소해석(FEA)과 자기지도 대조 학습을 결합한 물리-데이터 이중 구동 프레임워크를 제안합니다.
제안된 아키텍처는 두 가지 매트릭스 전략을 활용합니다. 첫째, 모달 해석에서 파생된 기계적 제약 조건을 인코딩하는 정적 물리 기반 매트릭스입니다. 둘째, 노드, 서브그래프, 전역 수준에서 계층적 InfoNCE 목표를 통해 학습되는 동적 모니터링 매트릭스입니다. 또한, 실제 구조적 열화를 환경 변화와 구별하기 위해 관찰된 열 구배 패턴에 따라 물리 및 데이터 기반 특징의 가중치를 동적으로 조절하는 어텐션 기반 온도 적응형 융합 메커니즘을 도입했습니다.
이 프레임워크는 매개변수적 손상 시뮬레이션을 음성 훈련 샘플로 활용하여 미지의 고장 모드를 감지할 수 있는 개방형 분류 능력을 달성합니다. IASC-ASCE, Z24 Bridge, Guangzhou Tower 세 가지 벤치마크 데이터셋에 대한 광범위한 검증 결과, 본 접근 방식은 기존 최첨단 방법보다 4.4-6.1% 우수한 성능을 보였으며, 20%의 레이블 데이터만으로 IASC-ASCE 벤치마크에서 94.2%의 정확도를 달성했습니다.
특히, 이 모델은 단 5%의 레이블 샘플로도 89.7%의 정확도를 유지하여, 6배 더 많은 주석이 필요한 지도 학습 기준선과 필적하는 뛰어난 레이블 효율성을 입증했습니다. 본 연구는 구조 역학과 딥 표현 학습을 통합하는 강력한 방법론을 확립하여, 제한된 감독과 다양한 열 조건에서도 신뢰성을 보장합니다.
그래프 신경망(GNN)은 비유클리드 도메인으로 딥러닝을 확장하여 의료 영상 내 공간적, 구조적, 기능적 관계 모델링에 강력한 프레임워크를 제공합니다. 본 논문은 순환, 합성곱, 어텐션 기반, 오토인코딩, 시공간 설계 등 GNN 아키텍처의 최신 발전을 검토합니다.
이러한 GNN 모델들이 분할, 분류, 정합, 재구성, 다중 모드 융합과 같은 핵심 의료 영상 작업에 어떻게 적용되었는지 분석합니다. 또한, 의료 영상에 GNN을 적용할 때의 현재 도전 과제와 한계를 식별합니다.
그래프-트랜스포머 통합, 자기 지도 그래프 학습, 연합 GNN을 포함한 새로운 동향을 논의합니다. 이 연구는 신뢰할 수 있고 일반화 가능한 GNN 기반 의료 영상 시스템 발전을 위한 간결하고 포괄적인 참고 자료를 제공합니다.
