컴퓨터 과학발표 2026.03· 2최근 1년 2회

AI 기반 가전제품 유지보수 및 보안 강화

가전제품의 급증은 예측 유지보수, 사용자 개인화, 기기 보안과 같은 핵심 과제에 대한 고급 솔루션의 필요성을 증대시키고 있습니다. 기존 모델은 제한된 적응성과 성능으로 인해 이러한 문제를 해결하는 데 어려움을 겪고 있습니다. 이 연구는 생성적 적대 신경망(GAN), 변이형 오토인코더(VAE), 동적 추천 알고리즘(DRA), 이상 감지 기술을 통합하여 가전제품을 위한 포괄적인 솔루션을 제공하는 혁신적인 AI 모델인 GenAI-A를 소개합니다. GenAI-A는 생성 AI와 자가 갱신 능력의 강점을 활용하여 예측 유지보수를 강화하고 사용자 경험을 최적화하며 생체 보안을 강화합니다. 이 모델의 하이브리드 아키텍처는 GAN을 사용하여 현실적인 데이터 표현을, VAE를 사용하여 복잡한 데이터 분포 생성을, DRA를 사용하여 실시간 사용자 개인화를 구현합니다. GenAI-A의 독창성은 GAN 및 VAE 모듈 간의 교차 정규화 결합에 있으며, 일관된 생성-표현 학습을 달성하기 위해 공유 손실 함수를 통해 잠재 특징이 공동으로 최적화됩니다. 기존 하이브리드 모델이 이러한 모델을 독립적으로 처리하는 것과 달리, GenAI-A는 DRA 및 이상 감지 모듈이 공유 잠재 공간에서 직접 작동하는 동적 피드백 메커니즘을 도입하여 자가 적응형 개인화 및 생성 출력의 지속적인 개선을 가능하게 합니다. 스마트폰 센서, LFW(Labelled Faces in the Wild), Pecan Street 에너지 소비, SECOM 제조 등 4개의 실제 데이터셋에 대한 실험 검증 결과, 기기 가동 시간, 사용자 참여 및 생체 보안이 크게 향상되었으며 오탐률이 현저히 감소했습니다. GenAI-A는 진화하는 사용자 행동 및 기기 조건에 실시간으로 적응하는 동적 자가 학습 시스템에 이러한 구성 요소를 통합함으로써 기존 하이브리드 생성 모델과 차별화됩니다. 이는 가전제품의 성능과 사용자 만족도를 혁신적으로 향상시킬 잠재력을 가집니다.

분석 보기 원문

컴퓨터 과학발표 2026.01· 11최근 1년 11회

구조 건전성 모니터링: 물리-데이터 융합

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.

분석 보기 원문