2편의 한국어 분석 — 최신순으로 정렬했어요
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.
딥페이크 생성 기술의 발전은 디지털 미디어의 신뢰성을 위협하며, 사생활 침해, 보안 문제, 허위 정보 유포 등 심각한 위험을 초래하고 있습니다. 딥러닝(DL) 기반 탐지 방법론이 유망하지만, 적용의 일관성 부족, 표준화된 파이프라인 부재, 그리고 데이터셋 간 일반화 능력의 한계로 인해 실제 환경에서의 신뢰성 있는 배포가 어렵습니다. 본 연구는 비디오 딥페이크 탐지를 위해 트랜스포머 및 CNN 기반 아키텍처를 종합적으로 평가합니다. 여러 벤치마크 데이터셋과 새롭게 구축된 얼굴 재연(facial-reenactment) 데이터셋을 활용하여 교차 데이터셋 일반화 성능과 제한된 미세 조정(10-30%)을 통한 사전 학습 효과를 분석했습니다. 또한, 시간 윈도우 길이가 탐지 성능에 미치는 영향을 탐구했습니다. 실험 결과, TimeSformer 모델이 96프레임 클립과 30% 미세 조정을 통해 78.4%의 정확도, 0.801 AUC, 77.0% F1-점수를 달성하며 가장 우수한 성능을 보였습니다. 이는 시공간 통합 모델링의 이점을 입증합니다. 모든 모델은 적절한 미세 조정(20% 이상에서 성능 정체)을 통해 성능 향상을 보였으며, 클립 길이 증가는 시간적 인지 모델의 성능을 향상시켜 확장된 시간적 맥락의 중요성을 강조합니다. 이 연구는 현재 아키텍처의 강점과 한계에 대한 실증적 증거를 제공하며, 견고하고 일반화 가능한 딥페이크 탐지기 개발을 위한 향후 연구 및 실제 배포에 중요한 지침을 제시합니다.
