본 연구는 대형 멀티모달 모델을 활용하여 영상, 음향, 자막 정보를 통합적으로 처리하고, 질의응답 기반 프롬프트를 통해 이상 상황의 시작과 종료 구간을 탐지하는 방법을 제안한다. 모델의 성능은 기존 연구에서 주로 사용되던 프레임별 탐지 성능인 AUC, mAP 대신, IoU(Intersection over Union)와 Recall 지표를 도입하여 구간 탐지 정확도를 정량적으로 평가하였다. 멀티모달 비디오 이상 구간 탐지 벤치마크인 XD-Violence 데이터셋을 활용한 실험 결과, 제안한 접근법은 튜닝 이후 구간 탐지 성능이 개선되었으며, 이는 대형 멀티모달 모델이 이상 구간 인식에서도 효과적으로 활용될 수 있음을 보여준다. 추가적으로, 구체적인 시각 상황인 이벤트 디스크립션 기반의 구간 탐지 성능과 이상 구간 탐지 성능을 비교하여, 이상 구간 탐지의 스카이라인 성능을 확인했다. 본 연구는 대형 멀티모달 모델을 이용한 이상 상황 탐지를 위해, 기존의 프레임 단위의 이상 판별 방식을 넘어 이상 상황의 시간 구간 탐지 적용 방식 제안하였다. 이 제안한 방법이 향후 대형 멀티모달 모델을 활용하는 이상 상황 감지나 다양한 실 세계 응용에도 활용될 수 있는 가능성을 보여준다.

매니코어 시스템에서 병렬 프로세스가 동시에 I/O를 수행하는 경우 병목 현상으로 인한 성능저하가 발생한다. 이는 하드웨어적인 문제뿐만이 아니라 리눅스에서 사용하는 LRU 알고리즘이 단일 Lock을 사용하는 것임이 확인되었다. 이를 해결하기 위해 Finer-LRU 라는 알고리즘을 이용하여 성능 완화를 시도하였다. 본 연구에서는 이 알고리즘이 ARM, Epyc CPU와 같이 비 Intel 제조 CPU에서도 유효한지를 확인하기 위한 실험을 진행하였고 그 결과를 제공한다. ARM 환경에서는 인텔과 유사한 성능 향상을 보였으나, 동일한 x86 아키텍처의 Epyc CPU에서는 큰 성능 변화가 없음을 확인하였다.

연산 노드들을 연결하기 위해 이용되는 인터커넥션 네트워크는 고성능 컴퓨팅 시스템 뿐만 아니라 여러 시스템에서 폭넓게 활용되고 있다. 특히, 특수 목적형 고성능 시스템에서는 PCIe 버스를 직접 인터커넥션 네트워크로 사용하는 사례가 많은데 NTB(Non-Transparent Bridge)가 통신을 위한 주요 기능을 수행한다. 본 연구에서는 이러한 NTB 기반 인터커넥션 네트워크에서의 통신 성능 분석을 위한 부하 생성 방법에 대해 살펴 보고자 한다. 특히 제한적인 NTB 실험 환경에서 PCIe 버스에 대한 트래픽 생성을 위해 DMA 엔진을 사용하였고 이렇게 추가된 경합 조건에서 NTB 통신의 성능 저하 정도를 확인할 수 있도록 하였다.

AI 기술의 급속한 확산은 고성능 시스템에 대한 수요를 가속화하고 있으며, 이는 시스템 직접도 향상과 같은 확장 기술의 발전에도 중요한 영향을 미치고 있다. 본 연구에서는 PCIe 버스를 확장하는 과정에서 필수적으로 요구되는 브리지의 주소 변환 기법을 심층적으로 고찰하고, 그 성능을 분석하였다. 그 결과, 변환 기법 간의 구조적 차이에도 불구하고 변환 기법과 성능 저하도 간의 유의미한 연관 관계를 찾을 수 없었다. 이는 예상과 달리 브리지에서의 주소 변환 기법이 통신 성능에 미치는 영향이 매우 제한적이라는 사실을 보여준다. 즉, 브리지의 주소 변환 방식을 결정할 때, 성능 최적화보다는 시스템 구성의 편의성이나 메모리 관리의 효율성과 같은 다른 설계 요소들이 더 중요한 고려 사항으로 간주 될 수 있음을 시사한다.

양자 컴퓨터가 상용화되고 있지만 여러 양자 컴퓨터의 양자 연산 정확도에 관한 비교 연구는거의발표된 바 없다. 이 논문에서는 양자 연산의 충실도(fidelity)를 측정하기 위한 간단한 방법을 제시하고 이를 바탕으로 양자 컴퓨터를 비교한다. 구체적인 비교 방법으로는 벨 상태를 Z-기저(Z-basis)에서 측정하여 비교하였는데, 두 큐비트가 얽힌 벨 상태에서 p(00) = p(11) = 0.5를 관찰할 수 있는지측정하였다. 세 가지 양자 컴퓨터(IBM Torino, IBM Brisbane, IonQ)의 평균제곱오차(MSE: mean square error)를 비교한 결과, IonQ의 MSE가 2.65×10^-4으로 가장 낮았으며 IBM Brisbane이 5.25 ×10^-3으로 가장 높은 것으로 나타났다. IonQ가 가장 낮은 오류를 보인 이유는, 고충실도 2큐비트 게이트와 낮은 SPAM(state preparation and measurement) 오류 덕분인 것으로 생각된다.

한국과학기술정보연구원(이하 KISTI)에서는 GPU 기반의 슈퍼컴퓨터 6호기 도입 전 다양한 사전 벤치마크 테스트와 GPU 기반 응용 프로그램의 포팅 및 사용경험을 제공함으로 슈퍼컴퓨터 아키텍쳐 변화에 따른 사용자 충격을 완화하기 위한 소규모 GPU 클러스터 시스템인 Neuron을 운영하고 있다. 본 논문은 Neuron에서 GPU 온도 상승에 따른 사용자 어플리케이션의 성능 저하를 해결하기 위해 개발된 자동화된 서버 관리 기능을 소개한다.

대규모 언어모델을 효율적으로 수행하기 위해서는 여러 대의 GPU 와 CPU 간의 네트워크 통신 최적화가 필요하다. 본 논문에서는 기존의 네트워크 토폴로지 기반 클러스터 구성의 비효율성을 개선하기 위하여 대규모 GPU 클러스터 환경에서 Rail Optimized Network 와 NCCL PXN, NUMA 단순화 및 CPU Affinity 기반의 통신 성능 최적화 기법을 제안한다. 본 연구에서는 제안하는 네트워크 구성 및 라이브러리를 활용하여 Dell XE9680 서버의 4-HCA 구성과 GPU-HCA-CPU 매핑을 통해 집합 통신의 처리량과 지연 시간을 개선하였다. 제안된 방식은 실제 벤치마크를 통해 성능 향상과 확장성을 입증하였으며, 고성능 컴퓨팅 환경에서의 효율적인 네트워크 설계 방향을 제시한다.

고성능컴퓨팅(HPC) 시스템은 전통적인 과학·공학 시뮬레이션뿐 아니라, GPU 가속기를 활용한 대규모 인공지능(AI) 학습 및 추론 워크로드까지 지원하는 다목적 플랫폼으로 진화하고 있다. 이러한 워크로드는 방대한 양의 데이터셋과 빈번한 입출력(I/O) 연산을 수반하기 때문에, 병렬파일시스템과 스토리지 계층은 심각한 병목현상이 발생한다. 특히 AI 워크로드는 작은 파일 접근, 높은 메타데이터 접근 빈도, 반복적인 데이터 적재 패턴을 보이는 반면, 기존 HPC 워크로드는 대규모 순차 I/O가중심이므로, 공존 환경에서는 I/O 자원 간섭과 성능 저하가 빈번하게 발생한다. 따라서 작업 레벨, 노드 레벨, GPU 활용도, 애플리케이션 계층별 I/O 패턴을 통합적으로 분석할 수 있는 모니터링 기법의 필요성이 증대되고 있다. 본 연구는 Darshan과 같은 애플리케이션 I/O 프로파일링 도구, Slurm 기반 job-level 로깅, GPU 사용량 모니터링, 노드 레벨 I/O 측정 등 기존 접근법을 비교 분석하며, AI 기반 워크로드에서의 I/O모니터링 요구사항과 이를 충족하기 위한 연구 방향을 제시한다. 또한 실제 병렬연산에 대한 I/O 프로파일링을 수행하여 그 특성을 분석한다.

물리 주소는 메모리 내 실제 데이터 위치를 가리키며, CPU와 하드웨어가 직접 읽고 쓰는 유일한 주소다. 운영체제는 가상 주소를 통해 물리 주소 접근을 제어하며 메모리 보호, 효율적인 관리와 보안을 제공한다. 이러한 설계로 인해 물리 주소 획득은 보안, 안전성 문제로 이어질 수 있어 보통 운영체제 코드 수정을 요구한다. eBPF는 커널 내부에서 안전하게 사용자 정의 코드를 실행해 성능 계측, 트레이싱, 네트워킹을 확장하지만, 검증기와 보안 제약으로 물리 주소를 직접 노출하지 않는다. 본 논문에서는 eBPF로 물리 주소를 획득하기 위한 표준 인터페이스 기반 접근과 커널 이벤트 시점에서 구조체 필드 접근의 두 가지 접근법을 소개한다.

파킨슨병(Parkinson's disease, PD)의 조기 진단을 위해 음성 기반 분석 기법이 활발히 연구되고 있다. 본 연구에서는 MFCC 기반 음성 특징 이미지를 입력으로 하는 Vision Transformer(ViT) 모델에 Partial Class Activation Attention(PCAA) 기법을 적용하여, PD 와 정상인(Healthy Control, HC)의 분류 성능 및 해석 가능성을 평가하였다. 두 개의 공개 데이터셋(IPVS, Voice Samples)을 통합하여 총 676 개(HC:305, PD:371)의 데이터를 사용하였으며, ResNet50 및 기본 ViT 모델과 성능을 비교하였다. 그 결과, 제안된 ViT+PCAA 모델은 8:1:1 분할 실험에서 91.18%의 정확도를 기록하였고, 잡음 환경(SNR 0~30 dB)에서도 전 구간에서 가장 우수한 성능을 보였다. 특히 0 dB 조건에서도 58% 정확도를 유지하며, 30 dB 에서는 87%에 도달하여 잡음에 대한 강건성이 크게 향상됨을 확인하였다. 본 연구는 PCAA 기반 Attention 기법이 음성 기반 질환 분류의 성능과 설명력을 개선할 수 있음을 보여주며, 향후 임상 적용 가능성을 뒷받침한다.

본 논문에서는 CUDA 기반의 공유 메모리를 활용한 병렬 숄레스키(Cholesky) 분해 알고리즘을 제안한다. 기존 CUDA 라이브러리 기반 접근법(cuSolver, MAGMA 등)이 공유 메모리 활용이 제한적이고 Warp Divergence 및 비효율적 메모리 접근 문제를 가질 수 있다는 점을 개선하고자, 본 연구에서는 N-블록 공유 메모리 활용 알고리즘을 설계하였다. 제안된 알고리즘은 POTRF-TRSM 단계에서 공유 메모리를 적극 활용해 전역 메모리 접근을 최소화하고, 명시적인 트레일링 연산 없이도 종속 문제를 완화하여 병렬성을 높인다. RTX 4070Ti Super 환경에서 Right-looking 및 Left-looking 방식과 비교 실험을 수행한 결과, nb=32의 경우 최대 4배 이상의 성능 향상이 관찰되었으며, 행렬 크기와 nb가 증가할수록 병렬화 효과가 더욱 두드러짐을 확인하였다.

본 논문은 고성능 컴퓨팅 환경에서 NVIDIA BlueField-3의 DPA를 활용한 MPI All-Reduce 통신 가속 방안을 제시한다. 본 연구에서는 BlueField-3의 DPA는 256개 스레드 기반의 강력한 병렬 처리 능력을 극대화하기 위해, 주요 All-Reduce 알고리즘의 DPA 환경 적용의 적합성을 분석했다. 분석 결과, Tree All-Reduce가 확장성과 DPA의 병렬성 활용이라는 두 가지 요구사항을 가장 효과적으로 충족하였다. 그리고, Tree All-Reduce의 Reduce 및 Scatter 단계에서 DPA 스레드가 다수 노드와의 통신을 병렬로 처리하도록 설계된 코드를 제시한다. 본 연구는 DPU의 병렬 가속 능력을 활용하여 분산 통신 지연 시간을 최소화하고 전체 분산 처리 성능을 극대화하는 실질적인 방법론을 제공한다.

최근 MLaaS 환경에서의 프라이버시 보호를 위해 동형암호(FHE) 기반 가속기에 대한 수요가 증가하고 있으나, 높은 연산 복잡도와 메모리 병목으로 인해 성능과 에너지 효율 확보가 중요한 도전 과제로 남아 있다. 특히 CKKS 와 TFHE 를 혼합 사용하는 cross-scheme FHE 가속기는 residue polynomial-wise, coefficient-wise, element-wise 및 key access 등 불규칙한 메모리 접근 패턴을 요구하여 DRAM 의 row-miss 가 빈번하게 발생한다. 본 연구에서는 DRAM 의 구조적 제약을 고려하여, 암호문 단위가 아닌 연산기 단위로 데이터를 분할·저장하는 최적화 기법을 제안한다. DRAMSim3 을 활용한 HBM2 cycle-accurate 시뮬레이션 결과, 제안 기법은 최적화 전보다 메모리 대역폭을 약 66.20% 개선하였으며, READ 에너지 소모를 약 60.54% 절감하였다. 이는 DRAM 컨트롤러의 자체적 rescheduling 기능에도 불구하고, FHE 가속기 환경에서는 workload-aware 메모리 접근 최적화가 필요함을 보여주며, 차세대 cross-scheme FHE 가속기의 성능 및 효율 향상에 기여할 수 있음을 입증한다.

대표적인 키-밸류 스토어인 RocksDB 는 disk I/O 시간을 줄이고 읽기 성능을 향상시키기 위해 Block Cache 를 인-메모리 캐시로 활용한다. RocksDB 의 기본 Block Cache 알고리즘인 Shared LRU 캐시는 다중 LRU shard 구조를 채택하여 멀티스레드 환경에서의 병목을 완화하지만, 대량의 동시적 shard 접근 시 경합 문제가 발생할 수 있다. 본 논문은 고성능 서버 환경에서 장점이 입증된 Hyper Clock Cache 를 일반 단말기와 같은 저사양 멀티스레드 환경에서도 효율적으로 활용할 수 있는지를 검증한다. 성능 평가는 ReadRandom 및 ReadWhileWriting 벤치마크를 통해 초당 처리량, 평균 지연 시간, 그리고 꼬리 지연 시간을 측정하는 방식으로 수행되었다. 실험 결과, 현재의 저사양 단말 환경에서는 Shared LRU Cache 가 상대적으로 우수한 성능을 보였으나, 멀티스레드 활용도가 증가하는 환경에서는 Hyper Clock Cache 의 잠재적 효용성이 확인되었다.

We propose a few-shot domain adaptation scheme that fine-tunes a DRIVE-trained U-Net (ResNet-34) on CHASEDB1 using only k labeled target images. On zero-shot transfer the model achieves Dice 0.647 / IoU 0.479 on CHASEDB1; with just k=5 labels it reaches Dice 0.732 / IoU 0.578, demonstrating strong label-efficiency. The lightweight model enables near real-time inference, making the approach practical for point-of-care screening.

최근 인터넷 트래픽은 대부분 TLS 1.3, VPN과 같은 암호화 프로토콜을 통해 전송되며, 이로 인해 기존 Deep Packet Inspection(DPI) 기반 보안 기법은 사실상 무력화되었다. 이러한 한계를 극복하기 위해 머신러닝과 딥러닝을 활용한 암호화 트래픽 분류 연구가 활발히 진행되고 있다. 그러나 기존 연구들은 학습 과정에서 IP, Port와 같은 강한 식별 정보를 그대로 활용하거나, 입력 크기를 28×28로 고정하여 메모리 사용량과 연산량이 증가하는 문제가 있었다. 본 연구에서는 강한 식별 정보를 제거하고 세션의 본질적인 특성을 반영하는 최소 특징 집합인 12-튜플만을 활용하는 전처리 과정을 도입하였다. 또한, 기존 28×28 입력을 16×16으로 축소하여 모델의 경량화를 실현하였다. ISCX-VPN2016 데이터셋을 이용한 실험 결과, 제안 기법은 Semi-AE와 Semi-2DCAE 모델 모두에서 GPU 메모리 사용량을 약 60% 이상 절감하면서도 분류 성능(F1-score)을 유지하거나 향상시켰다. 따라서 본 연구는 암호화 트래픽 분류에서 일반화 성능 확보와 경량화라는 두 가지 목표를 동시에 달성할 수 있는 가능성을 제시하며, 실시간 보안 장비 적용에 적합한 기반을 마련한다.

IAM은 서버리스 컴퓨팅 환경에서 보안을 구현하는 핵심 메커니즘이다. 서버리스 함수의 동적 실행 특성과 짧은 수명으로 인해 권한 관리 오류는 주요 보안 위협으로 직결된다. 이를 해결하기 위해 각 클라우드 제공 업체는 상이한 정책 모델, 권한 단위, 실행 자격 증명, 보안 도구를 제공한다. 이러한 차이는 보안과 운영 측면에서 서로 다른 강점과 한계를 드러내며, 특히 최소 권한 원칙 적용과 함수 단위 격리 구현에서 중요한 영향을 미친다. 본 논문은 주요 클라우드 벤더의 IAM을 네 가지 측면에서 비교 분석하고, 실제 공격 사례를 통해 IAM의 방어 가능성과 한계를 평가한다. 또한 최근 제안된 보안 기법을 검토하여, 서버리스 환경에 적합한 차세대 IAM 프레임워크 설계 방향을 제시한다.

하이브리드 클라우드의 등장으로 네트워크 경계가 모호해지고 공격이 지능화되며 정적 규칙에 기반한 기존 보안 모델은 한계를 드러내며, 이에 대안으로 머신러닝 및 AI를 활용한 자동화된 동적 보안 모델이 주목 받고 있다. 본 연구는 하이브리드 클라우드 환경의 동적 보안 정책 생성 모델의 견고성을 높이고, 보안 정책의 안정화를 위하여 RandomForest와 L1-Logistic 모델을 결합한 이중 모델 교차선별 기법을 제안하며, 그 효과를 실험을 통해 실증한다. 이 접근법은 데이터 노이즈와 단일 모델로 인한 편향을 제거하여 모델의 불안정성을 효과적으로 제거하여 정책의 신뢰도와 재현성을 높여, 예측 가능하고 안정적인 보안 자동화 프레임워크를 구축하는데 기여한다.

서버리스 환경은 자동 확장과 종량제 과금, 이벤트 기반 실행을 제공하나 AI 추론 시 지연이 발생할 수 있다. 본 연구는 정적 배칭과 동적 배칭을 적용하여 AWS Lambda 기반 MNIST 모델에서 균일·버스티 요청 환경의 평균/p50/p99 지연과 SLO 충족률을 분석하였다. 실험 결과 정적 배칭 대비 동적 배칭은 지연을 감소시키고 SLO 충족률을 향상시키며 비용 효율성을 높이는 효과를 보였다.

다양한 클라우드 서비스를 제공하는 멀티 클라우드는 그 특성으로 인해 확장성과 유연성을 제공하고 있다. 하지만, 최근 클라우드 간 데이터 통신 과정에서의 외부 통신 경로가 기하급수적으로 증가하고 있으며, 이는 공격자가 침투할 수 있는 공격 표면을 증가시킴을 의미한다. 이에 현재 TLS (Transport Layer Security) 방식을 통해 데이터 전송 간 보안을 수립하고 있으나, 양자 컴퓨팅 시대가 도래할 경우, 보안성의 붕괴가 발생할 수 있을 것으로 시사된다. 이에 따라 본 논문에서는 양자 컴퓨터 상용화 시대에 대비하여 멀티 클라우드 환경의 전송 보안을 보장할 수 있는 PQ (Post-Quantum)-Hybrid TLS 기반 아키텍처를 설계한다. 보다 세부적으로 제안된 아키텍처는 멀티 클라우드 보안을 3가지 Trust Boundary로 구분하고 각 경계에서 발생 가능한 보안 위협 및 이를 보완하기 위한 통신 보안 기법을 제안하였다. 또한, 기존 TLS와 제안하는 PQ-Hybrid TLS 간의 핸드쉐이크 성능을 비교/분석함으로써 PQ Cryptography 기반 통신의 전환은 합리적이고 필수적임을 제시한다.

SmartNIC은 네트워크 인터페이스 카드에 DPU (Data Processing Unit)가 장착되어 네트워크, 스토리지, 보안과 같은 데이터 중심 작업을 처리하여 CPU의 부담을 줄이고 데이터 처리 성능을 확보할 수 있다. 본 논문에서는 대표적인 SmartNIC인 엔비디아의 BlueField 3 DPU를 기반으로 멀티 노드 클러스터 테스트베드를 구축한 사례를 제시하고 구축 과정에서 습득했던 경험을 공유하였다.

클라우드 제공자들은 이미 여러 가속 기기들을 통해 더 좋은 가속 환경을 하지만 많은 연구들은 단일 기기 최적화에 중점을 두고 있다. 특히 동형암호에서의 연산 병목이 되는 Bootstrapping 은 굉장히 큰 연산 overhead 를 발생시킨다. 따라서 멀티 디바이스 클라우드 환경에 맞춰 Bootstrapping 연산을 모델링하고 최적화하였으며, 실험결과 최대 1.84 배의 speedup 을 달성하였다.

기후 과학, 천체 물리학, 생물정보학 등 주요 과학 응용 분야는 점차 데이터 집약적 특성을 보이고 있으며, 이에 따라 고성능 클라우드 컴퓨팅 환경은 자원의 유연성과 확장성을 제공하는 핵심 인프라로 주목받고 있다. 그러나 동적인 클라우드 기반 HPC 환경에서 서비스 연속성과 성능 보장은 여전히 중요한 과제로 남아 있다. 본 연구에서는 클라우드 환경의 자원 관리 방법 중 하나인 서비스 배치기법을 활용하여, 자원 할당이 필요한 시점에 워크로드의 특성을 분석하고 이를 기반으로 효율적인 서비스 배치를 수행하는 방안을 제안한다. 제안된 방법은 워크로드 특성에 적합한 자원 배치를 통해 기존 방식 대비 다양한 HPC 서비스 수요에 대응함으로써 사용자 만족도를 높일 수 있을 것으로 기대된다.

최근 클라우드 환경에서 멀티 클러스터 구조가 확산되면서, 시스템 전반의 동작을 통합적으로 관찰할 수 있는 모니터링의 필요성이 커지고 있다. 기존 기법은 단일 클러스터 내부 관찰에는 효과적이나, 클러스터 간 호출 경로 추적에는 한계가 있다. 본 논문은 이러한 문제를 해결하기 위해 OpenTelemetry 기반 멀티 클러스터 모니터링 아키텍처를 제안한다. 각 클러스터의 로컬 수집기는 프록시와 게이트웨이에서 발생한 데이터를 처리하여 글로벌 수집기로 전달하며, 글로벌 수집기는 TraceID 와 시간 정보를 기준으로 병합해 전체 호출 경로를 재구성한다. 이를 통해 클러스터 간 통신 흐름을 단일 Trace 단위로 일관되게 추적할 수 있음을 확인하였다.

클라우드 네이티브 환경에서 마이크로서비스 확산은 Pod 간 통신 제어를 위한 네트워크 정책의 중요성을 높이고 있으나, 정책 수 증가로 중복과 충돌이 발생해 관리 복잡성이 심화된다. 본 연구는 이를 해결하기 위해 쿠버네티스 환경에서 Cilium Network Policy(CNP)의 합성과 충돌 검출을 지원하는 Composer 시스템을 제안한다. Compose 는 동일한 정책을 자동으로 통합하고 상반된 규칙을 탐지하여 경고를 제공하며, 실험을 통해 정책 관리 효율성과 안정성을 향상시킬 수 있음을 입증하였다.

서버리스 컴퓨팅은 이벤트 기반 실행과 사용량 기반 과금 모델을 통해 개발자가 애플리케이션 로직에 집중할 수 있도록 지원하며, 자동 확장성과 운영 효율성을 제공한다. 그러나 대표적인 서버리스 플랫폼인 Knative 의 Serving 컴포넌트는 Queue-Proxy 와 사이드카 Envoy 가 함께 배치되는 이중 홉 구조로 인해 요청 지연, 지표 왜곡과 같은 문제가 발생한다. 본 논문은 이러한 한계를 해결하기 위해 Envoy Proxy 의 Proxy-WASM 확장 기능을 활용하여 Queue-Proxy 의 요청 관찰 및 지표 수집 기능을 사이드카 내부로 통합하는 단일 홉 아키텍처를 제안한다. 구현한 시스템인 QP-Lite 를 벤치마크한 결과, 동일 부하 조건에서 지연이 일관되게 줄어드는 것을 확인하였다.

클라우드 도입과 마이그레이션이 활발해짐에 따라, 멀티테넌시 구조와 인프라 공유 특성으로 인해 하나의 보안 취약점이 다수 사용자에게 영향을 줄 수 있는 위험이 증가하고 있다. 그러나 기존 연구는 도구 기능 소개·분석에 치중되어 있으며, 실제 사건 기반으로 어떤 도구를 어떻게 적용해 예방·탐지 파이프라인을 구성하는지를 다룬 사례는 드물다. 본 연구는 실제 침해사고를 분석하여, 클라우드 환경에서의 예방과 탐지를 위한 도구 파이프라인을 제안한다. 또한, 침해사고 재현 및 검증을 통해 개선 방안을 도출한다.

서버리스 컴퓨팅(Serverless Computing)은 비용 효율성과 운영 단순성을 제공하지만, Scale-to-Zero 정책으로 인해 발생하는 콜드 스타트(Cold Start) 지연 시간이 SLA (Service Level Agreement)를 저해하는 핵심 과제로 대두된다. 본 논문은 콜드 스타트 문제 해결의 동향을 단순한 지연 시간 단축을 넘어, SLA 만족 및 자원 효율성의 균형을 달성하는 지능형 시스템 운영 전략의 관점에서 분석한다. 주요 최신 연구 동향으로 확률적 모델링, 기계 학습 기반 동적 제어, 딥러닝 기반 선제적 관리을 활용하였고 이를 기반으로 작성된 최신논문을 본문에서 설명한다. 결론적으로, 서버리스 성능 변동성 관리 연구는 AI 및 ML 기술을 통해 워크로드와 환경 변화에 적응하는 자율적이고 지능적인 운영 전략의 영역으로 발전 중이다.

본 연구는 이종 엣지 환경에서 종단간 분산 학습을 수행할 때 발생하는 지연과 에너지 소비 특성을 실험적으로 분석하였다. 오픈소스 분산 학습 프레임워크 Flower를 기반으로 Raspberry Pi 3B+, 3B+, 4B, 5를 사용하여 학습 단계와 통신 단계의 시간 및 전력 로그를 측정하였다. 실험 결과, 기기 간 연산 성능 차이와 네트워크 대기 지연이 라운드 전체 지연을 결정하며, 통신 단계의 오버헤드가 전체 에너지 소모의 주요 원인으로 작용함을 확인하였다. 또한 모델의 경량화가 반드시 에너지 절감으로 이어지지 않았으며, 통신 대기 시간이 길어질수록 에너지 소모가 누적되어 오버헤드가 높아짐을 실측하였다. 이러한 결과는 분산 학습 시스템의 효율 향상을 위해 단순한 파라미터 압축보다 네트워크 지연을 고려한 지연 및 에너지 동시 최적화 전략이 필요함을 시사한다.

커넥티드 카 및 엣지 컴퓨팅 환경에서는 대규모 데이터를 지연 없이 처리하는 경량 통신 방식이 필수적이다. 그러나 기존 웹소켓 방식은 연결 유지와 세션 중심 구조로 인해 확장성과 자원 효율성에명확한 한계를 보인다. 이에 본 연구는 프로토콜 버퍼 기반의 고속 직렬화와 양방향 스트리밍을 활용하여 지연을 최소화하는 gRPC 기반 경량 통신 프레임워크를 제안한다. 차량 충돌 상황을 가정한 디지털 트윈 시뮬레이션을 통해 성능을 검증한 결과, 제안 프레임워크는 기존 웹소켓 및 Kafka 방식보다 실시간성, 확장성, 자원 효율성에서 우수함을 입증했다. 이를 통해 본 연구는 제안된 기술이 커넥티드 카 실시간 서비스의 통신 인프라로서 높은 적용 가능성을 가짐을 확인했다.

Google에서 제안된 BBR(Bottlenek Bandwidth and RTT)은 기존 손실기반 혼잡제어 알고리즘의 동작 방식과 달리 최대 대역폭과 최소 지연을 지향하는 Network path 모델을 기초로 동작한다. 현재까지 BBRv1, v2의 단점들을 해결한 BBRv3가 공개되어 특정 버전의 리눅스 커널에서 적용 및 실험이 가능하다. 본 논문에서는 BBRv3를 대상으로 약 110ms에 달하는 한미간 원거리 망에서 패킷 손실률, Maximum Transmission Unit(MTU) 크기, 전송 스트림들의 병렬화 정도의 조합에 따른 종단간 전송 성능을 측정하고, 기존 손실기반 혼잡제어 알고리즘인 Cubic의 처리율과 비교 분석을 수행한다.

본 연구는 리눅스 커널 파라미터 튜닝이 네트워크 성능 향상에 미치는 효과를 검증하는 것을 목표로 한다. 최근 이더넷 기술의 발전과 컴퓨팅 자원의 증가에도 불구하고, 성능 저하 문제는 여전히 존재하며, 그 주요 원인으로 리눅스 네트워크 스택 내부의 패킷 처리 지연과 자원 병목이 지적된다. 이에 따라 본 연구에서는 서비스 유형을 지연 민감 서비스와 처리량 민감 서비스 두 가지로 분류하고, 각 유형에 적합한 커널 파라미터를 도출 및 튜닝하여 성능 변화를 실험적으로 분석하였다. 실험 결과, 지연 감소와 처리량 향상 등에서 유의미한 개선이 확인되었으며, 이는 커널 수준 튜닝이 서비스 특성에 따른 네트워크 성능 최적화에 효과적으로 기여할 수 있음을 시사한다.

As telecommunications advance toward next-generation networks beyond 5G, they encounter the growing challenge of accommodating more users and devices, leading to increased traffic with limited resources. Accurate traffic analysis and demand forecasting are vital for creating intelligent networks, and Deep Learning (DL) harnesses vast network data to improve prediction accuracy and optimize service design and management. This survey explores recent breakthroughs in network traffic prediction (NTP), focusing on DL-based models to highlight popular techniques and categorize existing research into Recurrent Neural Networks (RNNs), Convolutional Neural Networks (CNNs)/ Temporal Convolutional Networks (TCNs), Graph Neural Networks (GNNs), and Large Language Models (LLMs). It offers a detailed, tutorial-style overview of these methods, supported by practical data analyses and experiments, and addresses their performance in real-world scenarios. The paper concludes with insights into current challenges and future opportunities, providing a roadmap for advancing NTP through DL innovations in evolving network environments.

본 논문에서는 다양한 환경에서의 전송 성능을 높이기 위한 TCP 개선 기술을 살펴보고 분석하고자 한다. 웹 기반으로 전송되는 다량의 작은 파일들의 전송 성능을 높이기 위한 기술, 하나의 대용량 파일의 전송 성능을 높이기 위한 기술들에 대하여 TCP 기술들의 개선에 대하여 분석하고자 한다.

Accurate network traffic forecasting is crucial for network management but remains a significant challenge. This paper proposes a hybrid deep learning model that combines a GRU with a ViT to improve forecasting accuracy. We also introduce and investigate a novel Boustrophedon (snake pattern) transformation to enhance the ViT's handling of time-series data. Conducting experiments on the CESNET-TimeSeries24 dataset, we demonstrate that the proposed GRU-ViT model with a standard 2D data representation achieves a state-of-the-art performance, outperforming other baseline and hybrid configurations. Our results highlight the effectiveness of hybrid architecture and reveal that the impact of the data transformation is complex and context-dependent, offering valuable insights for future time-series research.

Integrated Sensing and Communication (ISAC) research often suffers from inconsistent metrics, vague reporting, and non-comparable results. We address this by introducing a minimal, standardized KPI scorecard for ISAC systems, covering eight key metrics across sensing, communication, and system-level performance. The scorecard includes fixed field names, units, and must-report conditions such as carrier frequency, bandwidth, waveform, and scenario tag. To support reproducibility, we pair the scorecard with a machine-readable JSON format and a constrained reporting pipeline that uses LLMs only to extract fields and generate short summaries, without inventing values or performing calculations. This toolkit improves auditability and enables fair comparison across ISAC papers without requiring new experiments.

본 연구는 통신 제한적인 덕트 환경에서 RTP의 실시간성과 WebSocket의 신뢰성 상충관계를 엣지/클라우드 아키텍처에서 실증 분석했다. 클라우드 전송은 RTP의 지연 누적과 WS의 HoL Blocking으로 안정성 확보에 실패했다. 엣지 WebSocket만이 유일하게 즉각적인 저지연성을 확보, 실시간 로봇 제어에 최적임을 규명했다.

달 탐사 임무의 성공적인 수행을 위해서는 정확한 위치 정보를 지속적으로 확보할 수 있어야 한다. 그러나 달 표면에서는 GNSS(Global Navigation Satellite System)와 같은 적용 기술이 부재하고 기존의 단일 방식으로는 오차 누적 및 환경 제약으로 인해 한계가 있기 때문에 위치 추정(Localization)을 위한 독립적인 기술 개발이 필요하다. 이로 인해 무선 통신 기반 로컬리제이션이 주목 받고 있다. 로컬리제이션은 거리, 각도, 위상을 추정함으로써 정확도 및 정밀도를 향상시킬 수 있는 방식이다. 개발시 다양한 통신 프로토콜, 변조 방식, 주파수 대역을 실험적으로 검증할 수 있는 SDR(Software Defined Radio) 플랫폼의 활용은 필수적이다. SDR은 하드웨어 중심 무선 통신 시스템을 소프트웨어로 구현해 다양한 통신 규격과 신호 처리를 유연하게 지원하는 기술이다. 하드웨어 고정형 무선 장비와 달리 소프트웨어 기반으로 무선 파라미터를 재구성한다. Ettus의 USRP(Universal Software Radio Peripheral) 시리즈는 대표적인 SDR 하드웨어 플랫폼으로 범용성, 확장성, 소프트웨어 연동성을 갖춘 장치로써 다양한 RF 대역(수 MHz ~ GHz)을 지원한다. 이는 달 환경 연구에 필요한 RF 대역, 채널 모델링, 링크 분석 등에 적합하다. 본 논문에서는 USRP 플랫폼 시리즈의 대표적인 특징 및 기능 분석, 활용 시나리오 고찰, 응용 방안 내용을 주로 다룬다. 궁극적인 목표는 국내 달 표면 탐사 이동체 로컬리제이션 연구의 시제품을 개발하고 지상 시험 및 2032년 달 착륙선 연계 시스템 검증 방안을 도출하고자 하는 연구 내용이 기초가 된다. 본 연구를 통해 미래 우주 분야에 SDR 플랫폼 활용 참고 자료를 제공하고 나아가 해당 기술 기반의 적용과 응용 확대에 기여할 수 있을 것으로 기대한다.

본 논문은 라즈베리파이와 CO, CO2, VOC(HCHO) 센서를 이용해 5초마다 유해가스를 측정하고, 서버 데이터베이스에 저장하는 시스템을 설계와 구현하였다. 앱은 저장된 데이터를 기반으로 위험 알림을 제공하며, 누적 데이터 조회할 수 있다. 각 센서별 LED, 경고 스피커, 버튼으로 물리적 인터페이스와 앱 알림을 통해서 사용자 편의성을 제공하였다.

본 논문은 안면 인식 시스템에서 아크페이스 기반 임베딩 추출 기법의 성능을 K-means clustering 알고리즘과 결합하여 검증한 연구이다. 기존의 아크페이스 기반 안면 인식 모델은 개별 이미지 단위의 특징 벡터를 생성하므로, 데이터셋 내 다각도(정면, 좌측, 우측, 하향, 상향) 안면 이미지를 직접적으로 반영하지 못하는 한계가 존재한다. 이를 개선하기 위해, 본 연구에서는 동일 인물의 다수 임베딩을 K-means clustering으로 군집화하여 대표 임베딩을 생성한다. 이 기법으로 임의의 이미지와 유사도 비교를 진행했을 때 인식 성능 개선을 확인했다.

본 프로젝트는 우체국 소포 발송 절차의 자동화와 효율화를 위해 라즈베리파이 기반 소포 측정 및 적합한 박스 추천 시스템을 개발하였다. 시스템은 카메라센서와 초음파 센서를 활용하여 물체의 이미지와 높이를 측정하고, 무게센서로 무게를 측정한다. Python, OpenCV, Rembg를 이용한 이미지 처리 기술로 가로·세로·높이를 계산하고, 측정값은 MySQL 데이터베이스에 저장된다. 박스 추천 알고리즘과 배송비 계산기를 통해 적합한 박스와 요금을 산출하며, Tkinter 기반 디스플레이 UI를 통해 결과를 직관적으로 제공한다. 시스템은 5초 내 측정 결과 제공과 크기 ±2cm, 무게 ±0.5kg 내 오차 범위를 목표로 설계되었으며, 규격이나 무게의 오류를 사전에 예방하고자 한다.

본 논문은 적외선 온도 센서와 라즈베리 파이 기반 제어 시스템을 활용해 실내 온도 변화를 실시간으로 감지하고 바람의 세기와 방향을 자동 제어하는 스마트 서큘레이터를 개발하였다. 이는 기존 서큘레이터의 수동 조작 한계를 극복하고, 적외선 온도 센서를 사용하여 낮은 비용으로 정확도를 확보하였다. 또한 사용자의 간단한 조작만으로 공기 순환 효율을 향상시킬 수 있음을 확인하였다. 향후 연구에서는 센서 모듈 및 알고리즘을 고도화하고, 냉난방기기와의 병행 운용 실험을 통해 에너지 효율 향상 효과를 검증할 계획이다.

Web Agent는 DOM element와 screenshot을 기반으로 사용자의 지시에 따라 웹 탐색 및 조작을 수행하지만, user-generated content에 포함된 악성 입력으로 인해 Prompt Injection Attack에 취약하다. 특히 Vision-Language Model을 사용하는 경우 텍스트뿐 아니라 이미지에도 공격이 삽입될 수 있어 위협이 더욱 심각하다. 본 논문은 Prompt Flow Integrity(PFI)에서 영감을 받아 trusted/untrusted element를 구분하고, untrusted data는 마스킹 처리하여 에이전트가 직접 해석하지 못하도록 하며, 필요 시 user-in-the-loop 절차를 통해 안전하게 unmask하는 방어 기법을 제안한다. 이를 통해 Web Agent의 보안성을 강화하면서도 실제 서비스 환경에서의 활용 가능성을 높인다.

2024 년 7 월 UN ECE R155 의 전면 시행 후, 양산차에 대한 포괄적 사이버보안 관리 시스템(CSMS) 구축이 의무화되면서 자동차 시스템에서 전송 계층 보안(TLS) 구현이 중요해졌다. 본 논문은 다계층 네트워크 보안 원칙을 적용한 통합적 접근법으로[1], 새로이 시행되는 규제를 준수하는 ECU 의 HTTPS/TLS 구현에 필요한 실질적인 접근법을 제시하며, 실시간 성능 요구사항과 MCU 의 자원 제약사항을 다룬다. 또한 TLS 1.3 분석 결과, 전장 시스템에 필요한 최소 오버헤드(CPU 사용율 1% 미만, 연결 당 메모리 10KB 미만)로도 secure 통신을 구현하는 동시에 ISO/SAE 21434 사이버보안 엔지니어링 표준을 준수할 수 있음을 설명한다. 이 연구는 CSMS 구현을 위해 자동차 제작자에게 차량 안전과 성능에 필요한 실시간 시스템 구현을 위한 실용적 지침을 제공한다.

본 연구는 Psychoaucoustic masking, Time stretching 및 Pitch shifting 과 같은 음성 익명화 기법들을 Voice Conversion(VC) 기반 공격에 대한 대응 방법으로 활용하고 이에 대한 효용성을 정량적으로 검증하였다. 실험 결과, Psychoacoustic masking 은 음질과 화자성 유지에는 효과적이나 VC 방어 성능은 제한적이었고, Time stretching 은 음질 저하에도 불구하고 가장 효과적인 방어를 제공하였다. 반면 Pitch shifting 은 화자성을 과도하게 훼손하여 익명화 목적에 적합하지 않음을 확인하였다.

Large Language Models (LLMs) have seen rapid adoption in recent years, with industries increasingly relying on them to maintain a competitive advantage. These models excel at interpreting user instructions and generating human-like responses, leading to their integration across diverse domains, including consulting and information retrieval. However, their widespread deployment also introduces substantial security risks, most notably in the form of prompt injection and jailbreak attacks. To systematically evaluate LLM vulnerabilities-particularly to external prompt injection-we conducted a series of experiments on eight commercial models. Each model was tested without supplementary sanitization, relying solely on its built-in safeguards. Four categories of attacks were examined: direct injection, indirect injection, image-based injection, and prompt leakage. Comparative analysis indicated that Claude 3 demonstrated relatively greater robustness; nevertheless, the results confirm that additional defenses, such as input normalization, remain necessary to achieve reliable protection.

크립토재킹은 공격자가 사용자의 동의 없이 시스템 자원을 탈취해 암호화폐를 채굴하는 악성 행위이다. 공격자들은 탐지를 회피하기 위해 제어 흐름 그래프(CFG) 분석을 무력화하는 코드 난독화 기술을 사용할 수 있으며, 이로 인해 기존 정적 분석 기반 탐지 모델들은 난독화된 크립토재킹 탐지에 명백한 한계를 보인다. 이러한 문제를 해결하기 위해 본 논문은 다양한 난독화 기법이 적용된 바이너리의 CFG 데이터셋을 구축하고, 그래프의 구조적 노이즈 속에서 핵심 패턴을 학습할 수 있는 그래프 어텐션 네트워크(GAT) 모델을 활용하여 탐지하는 방법을 제안한다. 제안하는 모델은 여러 난독화 기법이 복합적으로 적용된 환경에서도 높은 탐지 성능을 보일 것으로 기대된다.

본 논문은 최신 마이크로아키텍처 부채널 공격을 분석한다. 이 공격들은 각각 투기적 실행, 데이터 메모리 종속 프리페처(DMP), 페이지 워크와 같은 CPU 의 핵심 성능 최적화 기능을 악용하여, 포인터 인증이나 상수 시간 구현과 같은 방어 기술을 우회한다. 공격 원리를 분석하고 그 위협성과 발전 방향을 조망하고자 한다.

가상화 환경에서는 호스트 스케줄러와 게스트 스케줄러가 동시에 작동하는 이중 스케줄링(double-scheduling) 현상이 발생한다. 이는 호스트 스케줄러(하이퍼바이저 스케줄러)가 가상 CPU를 물리 CPU 에 스케줄링하고, 게스트 스케줄러가 게스트 OS 의 태스크를 가상 CPU 에 스케줄링하는 구조로, 두 개의 스케줄러가 존재하기 때문이다. 본 연구는 이러한 이중 스케줄링이 캐시 성능에 미치는 영향을 실험적으로 분석하여, 캐시 미스율이 베어메탈 대비 약 67 배에서 187 배까지 증가함을 입증하였다. AMD Ryzen 8845HS 와 Intel Xeon Gold 6140 프로세서에서 수행한 실험에서 베어메탈 환경은 0.46%~0.61%의 안정적인 캐시 미스율을 보인 반면, VMware 환경에서는 45.22%, KVM 환경에서는 86.51%의 높은 미스율을 기록했다. 또한 가상화 환경에서는 15.83~26.80 의 높은 표준 편차를 보였다. 이러한 차이를 기반으로 본 논문은 사용자 레벨 (Ring 3)에서 VM-exit 없이 가상화 환경을 탐지하는 기법을 제안한다.

본 논문은 '스턱스넷(Stuxnet)' 사례를 통해 경계 기반 보안 모델이 갖는 횡적 이동 공격의 취약점을 분석한다. 또한, 제로 트러스트(Zero Trust) 원칙에 기반한 국가 망 보안체계(N2SF)가 데이터 등급별 접근 통제를 통해 어떻게 공격을 원천적으로 차단하고 업무 효율성을 확보할 수 있는지 그 방안을 제시한다.

데이터 집약형 워크로드 증가로 분산 시스템이 표준화되었지만, 다중 노드 환경에서 동시성 문제로 인한 의미적 위반과 일관성 오류가 자주 발생한다. 단일 노드 퍼징 기법은 분산 환경 특성을 제대로 다루지 못한다. 본 연구는 분산 파일시스템 대상으로 의미론적 버그와 일관성 오류 탐지를 위해 입력·관측·검증 방식을 개선한 최신 퍼징 기법들을 분석하고 한계점과 연구 방향을 제시한다.

오늘날 DDoS 공격을 포함한 사이버 공격 탐지를 위해 머신러닝 기법이 널리 활용되고 있다. 그러나 기존 연구들은 탐지 성능에만 초점을 맞출 뿐, 학습 데이터의 송수신 과정에서 발생할 수 있는 공격은 고려하지 않는다. 본 연구에서는 이러한 한계를 극복하기 위해 SDSP 모델을 제안한다. 실험 결과, 제안모델은 종래 모델 대비 정확도와 정밀도에서 각각 14.06%, 9.69% 향상된 성능을 보여 그 효과를 검증하였다.

대규모 언어 모델(LLM, Large Language Model)의 발전은 코드 자동 생성(Code Generation) 기술을 실제 소프트웨어 개발 현장으로 확산시키고 있다. GitHub Copilot 과 같은 AI 기반 코드 보조 도구는 생산성을 높이고 반복 구현 부담을 줄이는 장점이 있으나, 생성된 코드의 보안성(Security)은 여전히 주요한 한계로 지적된다. 선행 연구는 LLM 이 생성한 코드의 상당 비율이 취약점(Common Weakness Enumeration, CWE)을 포함하고 있으며, 이는 단순 오류를 넘어 실제 시스템 침해로 이어질 수 있음을 보고한다. 따라서 기능적 정확성과 보안성을 동시에 확보하는 것은 학술적·산업적 측면 모두에서 시급한 과제로 대두되고 있다. 최근 연구는 이 문제를 해결하기 위해 (i) 미세조정(Fine-tuning) 기반, (ii) 프롬프트(Prompting) 기반, (iii) RAG/멀티에이전트 기반 접근으로 발전하고 있다. 본 논문은 이러한 세 가지 축을 중심으로 연구 흐름을 체계적으로 정리하고, 각 접근법의 핵심 아이디어, 대표 기법과 성과, 장단점 및 한계를 분석한다. 이를 통해 보안 코드 자동 생성의 현재 지형을 조망하고 향후 실용적 솔루션으로의 발전 가능성을 논의한다.

LWE 기반 암호 시스템의 안전성 평가를 위해 기존 공격 기법(완전 탐색, MITM)의 한계를 분석하고, 노이즈 환경에서도 효율적인 새로운 탐색 알고리즘을 제안했다. 제안한 방법은 기존 해시 함수 대신 다른 구조를 활용하여 탐색 공간을 줄이고 시간 복잡도를 개선함을 증명한다.

적대적 공격은 의료 영상 모델의 예측을 교란하여 보안성과 신뢰성에 중대한 위협을 가할 수 있다. 본 연구는 의료 영상을 대상으로 네 가지 대표적 적대적 공격 기법을 구현·비교하고, 이 중 가장 강력한 기법에 대해 픽셀 수준의 변경 효과를 실험적으로 분석한다. 이러한 접근은 의료 AI의 보안 취약성 이해를 심화하고, 향후 방어 기법 개발과 임상 적용 가능성 제고에 기여할 것으로 기대된다.

최근 민감 데이터 보호의 필요성이 대두되면서, 서로가 가진 데이터를 숨기면서도 필요한 연산을 진행해 그 결과만 공유하는 프로토콜의 중요성이 부각되고 있다. 그러나 기존의 Decisional Diffie-Hellman (DDH) 기반 방식은 통신량 측면에서 효율적이지 않다. 본 논문은 Circuit-PSI 와 동형암호를 사용한 안전한 데이터 내적을 통해 통신량 문제를 해결하면서도 데이터의 보안을 유지하고 필요한 결론만을 공유할 수 있는 방식을 제안한다. 통신량 계산에 따르면 기존의 DH 기반 방식 대비 약 2.5 배에 달하는 통신량을 절감할 수 있다.

본 연구는 중앙은행 디지털화폐(CBDC) 시스템에서 발생할 수 있는 권한 상승 위협에 대응하기 위해 R-ABAC(Role-Attribute Based Access Control) 모델 기반 접근 제어 정책을 설계하고 검증하였다. Alloy Analyzer와 OPA(Open Policy Agent)를 활용한 정적·동적 검증을 통해 정책의 논리적 일관성과 운영 환경 적용 가능성을 확인하였다.

최근 대규모 언어 모델(Large Language Model, LLM)의 확산으로 인해 사람이 쓴 텍스트와 AI 가 생성한 텍스트를 구분하기 어려워지고 있다. 이에 따라 비윤리적 활용 가능성이 증가하여 이러한 문제를 해결하기 위한 방안으로 텍스트 워터마킹 기법이 주목받고 있다. 본 논문에서는 기존 LLM 워터마킹 기법들을 체계적으로 정리하고, 각 기법의 특징과 한계를 비교·분석한다.

최근 소프트웨어(Software, S/W) 제품 개발에 오픈소스 소프트웨어(Open Source Software, OSS)의 활용이 증가하고있다. 그러나 활용된 오픈소스의 구조, 구성 오픈소스의 중복 여부 및 사용된 오픈소스의 내부 연관관계를 파악하지 못하여 새롭게 작성된 S/W 제품의 안정성, 보안성, 유지보수성에 중대한 영향을 미칠 수 있다. 본 연구에서는 OSS 의 구성을 파악하고 연관관계를 밝혀내어 안정적인 S/W 제품을 만들기 위한 모듈성(Modularity) 분석 기법을 제안한다. 인기 OSS 인 MongoDB 를 대상으로 한 분석 결과, 버전이 올라갈수록 모듈화 수준은 점진적으로 개선되었으며, 제안한 모듈성 분석 기법이 이러한 변화를 효과적으로 포착함을 확인하였다. 다만 외부 의존성과 중복 코드는 여전히 구조적 안정성을 저해하는 요인으로 작용하고 있어, 향후 안정성과 유지보수성을 높이기 위해서는 의존성 관리와 중복 코드 제거가 필요함을 시사한다.

본 연구는 자율주행 로봇 시스템에서 SLAM의 논리적 결함을 탐지하기 위해 Differential Testing 기반의 도구를 제안한다. Gazebo 시뮬레이션 환경에서 서로 다른 SLAM 구현체를 동일 조건으로 실행하고, 위치 추정값을 비교하여 불일치를 탐지하는 방식을 설계하였다. SLAM Executor, Trajectory Comparator, Feedback Engine을 통해 환경 조건을 변이시키며 구현체 간 차이를 탐색한다. 주행거리 확장 시 위치 추정 오류가 발견되었으며, 이는 센서 데이터 처리 방식에 따른 불안정성을 나타낸다.

소프트웨어 공급망의 복잡성이 나날이 증가하고, 이를 대상으로 한 보안위협이 점차 정교해지고 있음에 따라 컨테이너 공급망의 보안은 필수 요구사항을 자리매김되고 있다. 이와 더불어 양자 컴퓨터가 상용화되기까지의 시간이 얼마남지 않은 시점에서 기존 컨테이너 공급망에 적용되어 있는 공개키 기반 디지털 서명 체계는 더 이상 안전하지 않다는 분석이 제시되고 있다. 이에 본 논문에서는 기존 컨테이너 공급망의 워크플로우를 유지하면서 로컬 환경에서의 자원 및 호환성 문제를 회피할 수 있는 PQC (Post-Quantum Cryptography) 게이트웨이 기반 OCI (Open Container Initiative) 아티팩트 서명 프레임워크를 제안하였다. 제안된 프레임워크는 실험을 통해 PQC 서명이 OCI Referrers 기반의 다중 아티팩트 관리에 완전히 통합될 수 있음을 보임으로써 신뢰성이 보장된 공급망 환경을 구성할 수 있음을 보였다. 이와 동시에 실증을 통해 Dilithium2가 SPHINCS+에 비해 서명 시간은 약 1.94배, 검증 시간은 1.25배 더 빠른 것을 볼 수 있었으며, 서명 크기는 약 7.08배 최소화될 수 있음을 보임으로써 컨테이너 공급망 환경에 적합함을 보인다.

본 논문은 안드로이드폰에서 발생하는 안티포렌식(anti-forensics) 기법인 타임스탬프 변경 이벤트를 실시간으로 탐지하는 기법을 제안한다. 기존 안티포렌식 연구들은 주로 로그 기반 분석에 의존하였으나, 분석 과정이 오래 걸리고 로그 위변조 가능성을 완전히 배제할 수 없는 한계가 있다. 이를 해결하기 위해 본 논문은 리눅스 커널 수준에서 eBPF를 활용해 시스템 시간 변경을, inotify API를 통해 파일 수정시간 변경을 모니터링하여 타임스탬프 조작 여부를 판별한다. 실험 결과, 시스템 앱과 adb shell 명령어를 통한 모든 타임스탬프 조작을 탐지할 수 있음을 확인하였으며, 이를 통해 로그 기반 탐지 기법의 한계를 보완하고 포렌식 수사의 신뢰성을 높일 수 있음을 보인다.

최근 엣지 클라우드 컴퓨팅 기반의 임베디드 시스템은 실시간성을 요구한다. 실시간성을 만족하지 못할 경우에는 공격자에 의해 보안 위협이 발생할 수 있으며 이로 인해 성능 저하 또는 제한시간 만료 문제가 발생할 수 있다. 이러한 문제들은 자율주행 차량, 항공기 제어같은 실시간성이 필요한 분야에서 위험을 초래할 수 있다. 기존 연구에서는 MILP(Mixed-Integer Linear Programming, 혼합 정수 선형 계획)를 기반으로 보안성과 스케줄 제약을 동시에 고려하는 정적 보호 기법을 제안하였다. 하지만 정적 보호 기법은 실행 중 발생하는 Slack(여유 시간)을 고려하지 않아 실행 이후 남은 시간이 존재하는 경우에도 새로운 공격에 대한 대응이나 추가적인 모니터링을 수행할 수 없다. 이는 곧 유연성 부족으로 인한 보안 위협으로 이어질 수도 있다. 본 연구는 이와 같은 기존 정적 보호 기법의 한계를 보완하기 위해 Slack을 활용한 동적 보호방안을 제안한다. 제안 방식은 Task를 실행하는 과정에서 발생되는 Slack을 활용해서 성능 저하를 최소화하고 기존 설정된 위협들 뿐만 아니라 알려지지 않은 공격(Unknown Attack)까지 대응할 수 있도록 설계하여 실시간 시스템의 보안성과 안전성을 동시에 획득하는 것을목표로 한다. 결과적으로 제안 방식을 통해 임베디드 시스템 환경에서 최적화된 방어 체계를 제공한다.

전통적인 여론조사 방식은 중앙화된 데이터 관리로 인한 신뢰성 부족과 프라이버시 침해 우려 등 한계가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 웹3.0 기반 블록체인 기술을 적용한 탈중앙화 여론조사 시스템 설계를 제안한다. 제안하는 시스템은 퍼블릭 블록체인을 활용하여 응답 데이터를 투명하고 위변조 불가능하게 기록하고, 응답자 인증에는 분산신원증명(DID) 기반 인증 흐름과 BIP32 계층 키 파생을 통한 일회용 식별자(OTID)를 활용하여 참가자 익명성을 보장한다. 또한 안전한 다자간 계산(S-MPC)과 영지식 증명(ZKP) 등의 프라이버시 보호 기술을 설계에 통합하여 설문응답의 무결성을 검증하면서도 개인 응답 내용과 신원을 보호한다. 추가적으로 시스템 거버넌스에 탈중앙화 자율조직(DAO) 구조를 도입하여 설문 생성과 운영이 분산적으로 관리되도록 설계하였다. 이를 통해, 제안방식은 보안성, 투명성, 무결성, 익명성 측면에서 기존 중앙집중식 여론조사에 비해 조작 불가능한 데이터 무결성, 공개 검증 가능성, 응답자 프라이버시 강화 등 여러 이점을 제공할 수 있을 것으로 기대한다.

클라우드는 계정 접근 및 권한 탈취, 1-day·N-day 취약점, 설정 오류와 같은 위협들에 노출되고 있으며, 공격자들은 공격을 통해 수백 달러 이상의 수익을 획득하고 있다. 클라우드 환경에서 발생하는 보안 사고는 서비스 확산성과 다계층 구조로 인해 피해가 단기간에 급격히 확산할 수 있으므로, 초동 조치는 사고 대응의 효과성을 좌우하는 핵심 과정이다. 신속하고 체계적인 초동 분석은 사고 원인 규명과 피해 최소화, 그리고 후속 대응 전략 수립의 기초를 제공한다. 기존 침해 대응 안내서들은 주로 AWS, Azure 등 해외 클라우드 서비스를 중심으로 구성되어 있어, 국내 클라우드 환경의 고유한 특성과 서비스 구조를 충분히 반영하지 못하는 한계가 있다. 본 연구는 네이버 클라우드 플랫폼 특화의 침해사고 메뉴얼을 제안하고자 한다.

본 논문은 차량용 ECU 를 비롯한 임베디드 시스템에서 핵심적인 보안 장치로 자리잡은 하드웨어 보안 모듈(Hardware Security Module, HSM)의 역할을 분석한다. 지금까지 연구는 암호 연산 가속, 키 저장, 난수 생성 등 비교적 표준화된 기능에 주로 초점을 맞추어 왔다. 본 논문은 이러한 일반 기능 외에 상대적으로 덜 조명되었으나 임베디드 시스템 보안에서 점점 더 중요해지고 있는 네 가지 기능, 즉 키 사용 권한 관리(Key Usage Authorization), 보안 감사(Audit), 병렬 접근 제어(Parallel Access), 원격 상태 증명(Remote Attestation)에 집중한다. 각 기능의 정의와 중요성, 그리고 실제 구현 방안을 심층적으로 고찰함으로써, HSM 기반 보안 아키텍처의 무결성, 기밀성, 신뢰성을 보장하기 위한 기술적 기반을 제공한다.

본 연구는 자동차 네트워크 보안을 위한 키 관리 동향을 살펴보고, 특히 블록체인 기반 분산 구조를 적용한 최신 프로토콜을 고찰한다. 기존 중앙집중형 보안의 한계를 짚은 뒤, 분산 키 관리, 메시지 보호, 트랜잭션 검증, 이상 탐지 연계 등의 핵심 설계 요소를 제시한다. 특히 최근 제안된 블록체인과 AI 융합 보안 프로토콜을 중심으로, 블록체인이 보안성과 신뢰성 강화를 어떻게 지원하는지를 논의하며, 관련 연구와의 비교를 통해 향후 연구 방향을 모색한다.

하드웨어 설계의 복잡성이 증가함에 따라 RTL 코드 결함을 자동으로 수정하는 기술의 중요성이 부각되고 있다. 본 논문은 유전 프로그래밍, SMT 솔버, 대형 언어 모델(LLM)을 활용한 RTL 자동 수정 연구를 중심으로 최근 접근법을 체계적으로 분석한다. 각 방법의 원리와 특징, 성능 및 한계를 비교하고, 소프트웨어 APR 기법과의 차이를 논의하였다. 이를 통해 RTL 자동 수정의 현주소를 정리하고, 하이브리드 기법, 신뢰성 강화를 위한 testbench 품질 향상, 비기능적 제약 고려 등 향후 연구 과제를 제시한다.

본 논문은 소프트웨어 보안 취약점 탐지에서 널리 활용되는 퍼징의 개념과 분류를 개관하고, 전통적인 퍼징의 핵심 한계를 정리한다. 최근 대규모 언어모델(LLM)이 방대한 코드 데이터 학습을 통해 문법, API 패턴, 일반적 소프트웨어 구조에 대한 내재 지식을 보유하게 됨에 따라 이러한 한계를 완화할 새로운 가능성이 제시되고 있으며, 본 논문은 LLM 을 퍼징에 활용한 최신 연구들을 수집해 각 도메인에서 테스트케이스 품질과 탐색 효율을 어떻게 개선하려는 지 분석한다.

로봇 기술의 고도화로 정밀 제어가 가능해졌고, ROS(Robot Operating System)는 분산 노드 구조와 DDS 기반 통신을 제공하는 개방형 미들웨어로 사실상 표준 개발 기반으로 자리 잡았다. 그러나 로봇 응용의 다양성과 복잡성으로 인해 ROS 기반 시스템의 결함을 수작업으로 찾아내는 일은 비효율적이다. 이에 자동 입력 생성과 실행 피드백을 활용하는 퍼징(fuzzing) 이 ROS 환경에도 적용되고 있다. 본 논문은 대표적 ROS 퍼저의 설계 축(대상 계층, mutation 모델, feedback 원천)과 플랫폼 축(ROS 1/ROS2)을 기준으로 SMACH, RoboFuzz, R2D2, ROFER 를 비교, 분석하고, 각 접근의 강점과 한계, 향후 연구 방향을 논의한다.

본 연구는 현재 자동차 전자제어장치(ECU)는 자율주행과 V2X 환경에서 중요한 역할을 하지만 다양한 보안 위협에 노출되어 있다. 기존 AES, RSA 같은 암호는 높은 보안성을 제공하지만 연산과 자원에 대한 소모가 커서 자원이 제한된 차량에서는 비효율적이다. 이에 따라 저사양 환경에서도 사용될 수 있는 경량암호가 중요한 대안으로 부상하고 있으며, NIST 의 경량암호 표준화 프로젝트와 국내 ETRI 의 연구가 대표적이다. 본 논문에서는 여러 경량암호 알고리즘들의 특장점에 대해 정리하고 성능, 보안성을 비교 분석한다. 또한 자동차 보안 맥락에서의 적용을 제시한다.

본 논문은 자동차 보안 환경에서 하드웨어 보안 모듈(Hardware Security Module, HSM)의 필요성과 주요 구현체를 비교·분석한다. EVITA 분류 체계를 기반으로 Infineon AURIX HSM, NXP HSE, Renesas TSIP/ICU, Rambus iHSM 을 검토하고, 각 구현체의 보안전략과 차별성을 도출하였다. 단순히 관련 연구를 나열하는 서베이를 넘어, 각 HSM 이 지향하는 보안 접근 방식을 분석하여 자동차 보안 아키텍처 설계자가 직면할 수 있는 선택 기준을 제시한다. 또한 향후 발전 방향으로 양자 내성 암호(Post-Quantum Cryptography) 통합, 보안 기능 확장, 규제 대응, 상호 운용성 확보 가능성을 논의한다. 본 연구는 자동차 보안 체계 설계와 미래 연구에 기초 자료를 제공하는 것을 목표로 한다.

심볼 정보가 제거된(stripped) 바이너리에서 학습 없이(비 파인튜닝) LLM을 활용해 함수 이름을 예측하는 프롬프트·파이프라인을 제안한다. Angr를 이용해 사람이 읽기 쉬운 심볼릭 표현식을 만들고, LIBC/데이터 흐름(DF)/제어 흐름(CF)/도메인 모듈이 각각 추론한 요약을 결합한 뒤, 피드백 루프(C2C, GV) 로 맥락을 보강해 최종 이름을 생성한다. 평가에서는 NERO 데이터셋의 바이너리(일부)로 사례 비교를 수행하고, 짧은 함수명을 공정하게 비교하기 위해 WRDScore(CodeBERTScore 임베딩 기반 토큰 유사도)라는 지표를 사용했다. 이 결과로 일부 예제에서 gpt-20b가 gpt-120b보다 높은 점수를 보였다. 거대 언어 모델에게 적절한 단서를 주면 학습하지 않더라도 함수 이름을 충분히 예측할 수 있음을 알 수 있다.

클라우드 컴퓨팅 환경에서 사용자의 민감한 데이터를 보호하기 위해 하드웨어 기반 Trusted Execution Environment (TEE)의 중요성이 커지고 있다. 본 논문은 Arm 의 대표적인 TEE 기술인 TrustZone 과 Confidential Compute Architecture (CCA)를 비교 분석한다. 두 기술의 보안 모델과 확장성을 중심으로, Trusted Computing Base(TCB), memory encryption, 그리고 remote attestation 의 관점에서 두 기술의 차이를 확인한다. 하지만, 상용 CCA 하드웨어의 부재는 현재 CCA 관련 연구에 큰 제약이 되고 있다. 이러한 어려움을 확인하기 위해, 우리는 Arm Fixed Virtual Platform(FVP) 환경에서 새로운 Realm Service Interface(RSI)를 구현하는 실험을 진행했다. 실험 결과, 기능적 확장은 가능했으나 Realm VM 과 RMM 간 통신에서 상당한 instruction-level 오버헤드가 발생함을 확인했다. 이는 CCA 상에서 Realm VM 과 RMM 간 통신이 수반하는 비용과 하드웨어 부재 속에서 정확한 성능 예측의 어려움을 명확히 보여준다.

네트워크 침입탐지시스템(NIDS)은 시그니처 기반 탐지를 넘어 이상 탐지로 확장되었고, 이 과정에서 머신러닝과 딥러닝 기법의 활용이 보편화되었다. 특히 합성곱신경망(CNN)은 데이터로부터 계층적 특징을 자동 학습하는 능력으로 주목받지만, 네트워크 트래픽의 고차원성과 비정형성으로 인해 학습 전 및 학습 중 단계에서 특징 재표현(feature re-encoding) 이나 특징 최적화(feature selection)를 병행할 필요가 여전히 크다. 본 논문은 CNN 기반 NIDS에서 제안된 특징 추출 연구의 흐름을 정리하고, 의미적 재부호화와 유전 알고리즘 기반 CNN 구조, 입력 동시 최적화, 다중 특징 융합을 중심으로 비교 분석한다. 이를 통해 CNN을 NIDS에 적용할 때 데이터 표현의 보존과 강조, 구조 탐색의 자동화가 성능 및 일반화에 미치는 영향을 논의한다.

바이너리 분석과 역공학에서 함수 이름은 코드 의미 이해와 보안 분석의 핵심 단서이다. 그러나 많은 소프트웨어 배포판은 디버그 심볼이 제거되어 함수명이 소실된다. 이를 복원하기 위한 함수 이름 추론(Function Name Inference) 기술은 초기의 통계 기반 방법에서 출발하여, 그래프·시퀀스 신경망, 멀티태스크 학습, 최근에는 대규모 언어모델(LLM) 기반 접근으로 발전하였다. 본 논문은 2020년 이후의 주요 연구들을 정리하여 기술적 배경, 기법별 특징, 한계와 향후 연구 과제를 제시한다.

퍼징(fuzzing)은 자동으로 입력을 생성·투입해 프로그램의 예외나 취약 동작을 찾아내는 검증 기법으로, 전통적으로는 코드 커버리지를 피드백으로 활용한 그레이박스 퍼징이 주류를 이루어왔다. 본 논문은 ROS2 환경을 대상으로 제안된 여러 퍼저(fuzzer)의 피드백 메커니즘을 정리하고 비교한다. 코드 커버리지, 물리·시맨틱 기반 오라클, 메시지 특성, 콜백 및 라이프사이클 기반 피드백 등 다양한 접근법을 검토하고, 각 방식의 장단점과 한계를 논의한 후, 이를 개선한 새로운 퍼징 도구 개발의 필요성에 대해 논의한다.

다가오는 양자 컴퓨터 시대에 대비하여 NIST는 양자 내성 암호 표준화 공모전을 주최하였으며, 2025년도, 코드기반암호인 HQC가 5번째 NIST 양자내성암호 알고리즘 표준안으로 채택되었다. 양자내성암호는 양자 컴퓨터와 양자 알고리즘의 위협으로부터 안전성을 확인하는 것이 중요하다. 본 논문에서는 양자내성암호 표준화 중 유일한 코드기반암호인 HQC에 대한 양자 공격 비용을 분석한다. 특히 코드기반암호에 대해 가장 효과적인 공격 알고리즘인 Information Set Decoding과 양자 알고리즘인 Grover 알고리즘을 접목하였으며 이를 통한 공격에 필요한 양자 자원들에 대해 살펴본다.

대규모 언어 모델(Large Language Model, LLM)의 환각(Hallucination) 문제는 보안상 심각한 위협으로 이어질 수 있다. 본 연구에서는 이러한 위협을 완화하기 위해 파이썬 공식 저장소인 PyPI 와 캐시 기반 검증을 결합하고, 추가적으로 LLM 질의를 활용하여 구체화된 환각 패키지 검증 구조를 제안하였다. 제안된 구조는 탐지 평가에서 97.8%의 정확도를 달성하였으며 이는 종래 연구 대비 API 호출 횟수와 속도 측면에서 개선된 결과이다. 검증된 패키지는 SBOM(Software Bill of Materials) 형태로 기록하여 추후 체계적인 관리가 가능하도록 하였다.

인공지능과 빅데이터의 확산으로 데이터 활용의 가치가 높아지는 동시에 프라이버시 보호의 중요성이 강조되고 있다. 동형암호(Homomorphic Encryption)는 데이터를 암호화된 상태로 연산할 수 있도록 하여 민감 정보를 안전하게 처리할 수 있게 하며, 특히 RLWE 기반의 BGV, BFV, CKKS 스킴은 병렬 연산을 지원해 다양한 응용에 활용된다. 본 연구에서는 세 스킴의 특성과 응용 분야를 소개하고, OpenFHE와 Microsoft SEAL을 대상으로 동일 파라미터에서 주요 연산 성능을 비교하였다.

동형암호는 암호화된 상태로 연산이 가능하여 개인정보 보호에 효과적인 기술로 주목받고 있다. 본 연구는 Python 환경에서 활용 가능한 TenSEAL, Pyfhel, openfhe-python을 소개하고, Inner Product, Matrix Multiplication 그리고 Convolution 연산을 중심으로 특징과 성능을 비교하였다. 이를 통해 연구자와 개발자가 목적에 맞는 라이브러리를 선택할 수 있는 가이드를 제공한다.

사물인터넷(IoT)과 임베디드 시스템의 확산으로 인해 마이크로컨트롤러 유닛(MCU) 펌웨어 보안 분석의 중요성이 커지고 있다. 그러나 펌웨어는 하드웨어에 강하게 종속되어 있어, 실제 장치 없이 재호스팅(rehosting)하기 어렵다는 한계가 존재한다. 기존 연구들은 자동화된 주변장치 모델링을 통해 문제를 해결하고자 하였으나, 단순 기록 재생(replay)이나 제한된 규칙 기반 접근에 머물러 새로운 입력이나 비동기 이벤트(DMA, IRQ 등)에 대한 충실도(fidelity)가 부족하다. 본 논문은 이러한 한계를 보완하기 위한 새로운 방향으로, 상태 전이 중심(state-transition-centric) 자동화 접근을 제안한다. 제안 기법은 펌웨어 실행 과정에서 발생하는 HAL 시퀀스를 입력으로, 그 결과 나타나는 레지스터 상태의 before/after 전이를 출력으로 정의하여 분석한다. 이를 통해 입력 조건과 출력 반응의 관계를 규칙화하고, 새로운 입력에도 반응 가능한 상호작용적 모델을 구성한다. 실험 결과, 기존 방식에서 실패하던 새로운 입력 처리와 반복 인터럽트 재현 상황에서 본 접근이 보다 높은 충실도를 보임을 확인하였다.

macOS release 커널은 심볼 제거와 CFI·PAC/BTI·최적화로 인해 정적 분석·디버깅이 어렵고, development 커널의 풍부한 심볼·DWARF도 release 빌드에서 곧바로 활용되기 어렵다. 본 연구는 이러한 간극을 메우기 위해, 동일 빌드의 development·release 커널을 병치하여 MRS 중심 흐름과 그 주변의 비트필드 해석, 전역 특성 비트 갱신, 디바이스 트리/부트 인자 질의, 프롤로그·에필로그/간집 분기 보호 (PAC/BTI)와 같은 행동 단서를 토큰화·정규화한 앵커 서명으로 Dev to Release 매핑을 수행하는 심볼 이식 프레임워크를 제안한다.

Deep learning (DL) has become a powerful tool for plant leaf disease classification, enabling early and accurate diagnosis to support precision agriculture. However, these models are highly vulnerable to adversarial attacks, where small, imperceptible perturbations can mislead classifiers into producing incorrect predictions. Such vulnerabilities are especially concerning in real-world agricultural settings, where AI is deployed through drones and IoT devices to support farmers in the supply chain. To address this challenge, we propose an encoder-based defense mechanism built on a ConvNeXt V2 backbone combined with a convolutional autoencoder (CAE) for adversarial denoising. ConvNeXt V2 serves as a modern and efficient classifier for plant disease images, while the CAE acts as a defense layer to remove perturbations generated by state-of-the-art attacks, specifically the Fast Gradient Sign Method (FGSM) and Projected Gradient Descent (PGD), across multiple perturbation magnitudes. Experimental results on a benchmark plant leaf disease dataset show that our model achieves over 95% accuracy on clean images. Under adversarial conditions, accuracy drops by up to 40%, but the proposed CAE defense restores 20-25% accuracy, significantly improving robustness. These findings confirm that combining ConvNeXt V2 with encoder-based defenses provides a reliable framework for adversarial robust plant disease classification.

온디바이스 머신 러닝은 네트워크 지연과 데이터 프라이버시 문제를 줄일 수 있지만, 모델이 기기에 저장됨에 따라 새로운 보안 위협이 발생한다. 기존의 암호화나 난독화 기법은 실행 시 평문 노출로 인해 운영체제 장악 공격에 취약하다. 본 논문은 이러한 한계를 해결하기 위한 ARM 기반 GPU TEE(Trusted Execution Environment) 연구를 고찰하며, Shim 기반 접근과 CCA(Confidential Computing Architecture) 기반 가상 머신 접근을 비교·분석한다. 마지막으로 온디바이스 추론의 보안과 성능을 균형 있게 달성하기 위한 향후 연구 방향을 제시한다.

본 논문은 자동차 내부망(CAN, FlexRay, SOME/IP)과 V2X 통신에서 요구되는 보안 요소를 정리하고, 이들 프로토콜이 직면한 주요 취약점을 분석한다. 또한 서비스 단위 정책, 경량 대칭키 보호, 그룹 키 관리, 하드웨어 신뢰 루트, 수명주기 통합과 같은 설계 원칙을 제시한다. TLS/IPsec 적용의 한계와 ECU 환경의 제약을 검토하며, 멀티캐스트, 실시간성, 권한 모델을 충족하는 실무적 보안 아키텍처를 논의한다.

UAV는 다양한 분야에서 사용되면서, 점차 활용 범위가 증가하고 있다. UAV가 임무를 수행하면서 획득한 이미지에 대한 재산권을 보호할 수 있는 기술이 필요하다. 디지털 워터마킹 기술은 UAV가 촬영한 이미지에 재산권을 보호할 수 있는 워터마크를 삽입한다. 삽입된 워터마크에 대한 비가시성 및 강건성 평가를 통해 워터마크의 안정성을 평가할 수 있다. 또한 UAV는 임베디드 환경에서 동작 할 수 있는 저전력 기술이 요구된다. 본 연구에서 OpenMV Cam RT1062에서 합성곱 신경망 기반의 워터마킹 기술을 설계하고 그에 따른 비가시성 및 강건성을 평가한다. 그 결과 충분한 비가시성 확보를 얻을 수 있었으며, 삽입된 워터마크의 강건성을 확인할 수 있다.

최근 컨테이너가 클라우드의 핵심 기반 기술로 자리하게 되었다. 컨테이너는 느린 프로비저닝과 과도한 리소스를 사용하는 VM의 단점을 완화하지만, 호스트의 커널을 공유하므로 격리 수준이 낮다는 또 다른 한계가 존재한다. 컨테이너를 실행할 수 있는 런타임에는 여러 종류가 있으며, 다양한 컨테이너의 보안 문제를 해결하기 위해 보안 강화 런타임이 제안되고 있다. 그러나 각 컨테이너 런타임의 격리 수준을 정량적으로 분석한 연구는 충분하지 않은 실정이다. 본 논문에서는 컨테이너 런타임이 디스크 측면에서의 격리를 얼마나 잘 수행하는지를 분석하기 위해 32GB/128GB의 대용량 파일을 생성하여 부하를 유발하고, 부하로 인해 발생하는 디스크 성능의 변화를 정량적으로 제시한다.

본 연구는 의료기기 보안 문서의 정합성 자동 점검을 위한 경량 기법을 제안한다. 규제·표준 조항을 CSV 정답지로 구조화한 뒤, 규칙 기반 매칭으로 1차 대응을 수행하고 규칙 미적중 구간에 TF-IDF (문자 3-5-gram) 코사인 유사도를 적용해 표현 변형(동의어·약어·어순)을 보완한다. 또한 근접 중복과 서술/인용 순서 역전을 함께 탐지하여 문장·파일 단위 근거 추적성을 제공한다. MFDS/FDA/IMDRF 65개 조항과 약 5,600문장으로 구성된 데이터셋에서 보수적 임계치(θ=0.30)로 평가한 결과, 하이브리드는 규칙 단독 대비 Coverage 74.0%→80.6%(+6.6%p), Recall 0.75→0.80(+0.05), **F1 0.81→0.84(+0.03)**의 일관된 향상을 보였으며 Precision(0.88→0.89) 은 유지되었다. 본 방법은 온프레미스 운용과 해석가능성을 유지하면서 표준 변경 시 정답지 교체만으로 재적용 가능하다는 점에서 연구적·실무적 유의성을 갖는다.

본 연구는 클라우드 침해사고 대응의 핵심 요건인 가시성(Visibility)과 추적성(Traceability)을 제고하기 위해, AWS와 국내 주요 CSP(Naver Cloud, 이하 Naver; NHN Cloud, 이하 NHN; kt Cloud, 이하 kt; Gabia Cloud, 이하 Gabia)의 보안·모니터링 관련 서비스를 체계적으로 비교·분석하였다. ISMS-P, 개인정보보호법, NIST-SP를 준거로 비교 기준을 도출하고, 각 CSP의 로그·보안 서비스가 해당 기준을 충족하는 수준과 AWS 대비 미흡점을 진단하였다. 분석 결과, 종합 만족 수준은 AWS, Naver, NHN, kt, Gabia 순으로 높았다. 주요 격차 요인은 ① 감사 로그의 포괄성, ② 비용 모니터링의 준실시간성 및 이상탐지, ③ 다계층 자동 보안 이벤트 모니터링, ④ 서비스 간 통신 추적의 언어 지원 범위, ⑤ WORM·규정준수 모드 등 증거보전 기능, ⑥ 에스컬레이션 에서 나타났다. 이러한 분석을 통해 국내 CSP의 취약 지점을 확인하고, 향후 보완이 필요한 과제를 제시하였다.

지난 10년 간 우주 공간에서의 전산 자원 배치 및 활용은 급격히 증가하는 추세로, 인공위성을 비롯한 운용 자산 등에 대한 위협 사례 및 보안 수요 또한 꾸준히 증가하고 있다. 본 연구에서는 이러한 상황에 대비하여, 기밀성과 무결성을 확보하기 위한 신뢰 실행환경과 비행 소프트웨어 프레임워크인 F Prime 기반 소프트웨어를 연동하는 한편, 이를 ARM 기반 플랫폼에 도입하는 방법을 제안한다.

국방·항공 분야에서 활용되는 임베디드 시스템은 정해진 시간 내에 반드시 동작을 처리해야 하는 실시간성과 운영 안정성이 핵심 요소이지만, 물리적으로 노출되었다는 특성으로 인해 내부 정보 유출 및 정상적인 동작을 수행하지 못하는 상태가 되는 등의 보안 위협이 공존한다. 이러한 위협을 탐지하기 위한 여러 연구가 진행되어 왔으며, 그 중 디바이스 드라이버를 모니터링하는 방식이 있다. 그러나 이러한 방식은 실제 RTOS 환경에서 적용되면 안정성과 성능적인 측면에서 문제점이 발생한다. 따라서, 본 연구에서는 디바이스 드라이버 API 호출 모니터링 과정에서 보다 효율적인 연산 기법을 마련하기에 앞서, RTOS 내부 동작을 프로파일링하는 실험을 통해, 드라이버 API 호출 및 인터럽트 처리 과정에서 나타나는 실행 시간과 호출 패턴을 분석한다.

운영체제 커널은 현대 컴퓨팅의 TCB 핵심으로서 보안상 매우 중요하지만, 모놀리식 구조와 안전하지 않은 언어 기반으로 인해 취약점이 지속적으로 유입되고 있다. 이에 따라 커널 내부 권한 분리(intra-kernel privilege separation)가 커널 보안의 새로운 방향으로 부상했다. 본 논문은 최근 제안된 대표적 연구를 아키텍처 축(Intel, Arm, RISC-V)과 설계 목표 축(게이트 무결성, 상호 불신 모델 및 TCB 축소, 도메인 수 확장, 데이터/제어 동시 보호, 성능 최적화)으로 비교한다. 먼저 기존 접근의 공통 한계를 정리한다. 이어 BULKHEAD, NANOZONE, GENESIS 사례를 통해, 각 한계를 해결하는 핵심 아이디어와 트레이드오프를 분석한다. 본 분석은 커널 내부 권한 분리의 설계 공간을 체계화하고, 실용 배치를 위한 요건을 제시한다. 마지막으로 향후 연구 과제를 논의한다.

본 논문은 VM 기반 TEE 환경에서 가속기(GPU, FPGA, TPU 등)를 안전하게 활용하기 위한 설계들을 ARM CCA 문맥에서 체계적으로 비교·분석한다. 기존 TEE 가 CPU 중심 보호에 머무르며 가속기 경로를 동등 수준으로 보호하지 못한다는 한계를 출발점으로, VM-가속기 할당 모델을 핵심축으로 삼아 최근 제안된 방법론을 검토한다. 나아가 VM lifecycle 관점에서 가속기가 VM 생성부터 소멸까지 정적으로 할당이 유지되느냐, 실행 중 동적 할당이 가능하느냐를 토대로 그에 따른 보안 함의를 정리한다. 이 분석을 기반으로 ARM CCA 환경에서 안전한 가속기 실행 환경을 구축하는데 있어서 가속기 활용 유연성을 어떻게 더 안전하게 적용할지에 대한 연구 방향성을 제시한다.

하드웨어 부채널 공격은 장치가 의도치 않게 흘리는 물리적 신호(전력 소비, 전자기 방사, 연산 시간 등)를 이용해 기밀 정보를 탈취하는 기법이다. 본 논문은 국가 수준 정보전에서 실질적으로 활용 가능한 두 가지 부채널 시나리오(원격 전자기(EM) 도청 및 공급망 개입을 통한 전력 분석)를 제시하고, 각 시나리오의 성공 요건·위험도·탐지 가능성·대응 요건을 비교·분석한다. 또한 차폐, 부채널 무효화 기법, 공급망 보안 강화 등 기술적·정책적 대응책을 통합적으로 제시하며 향후 실험적 검증 및 대응 방향을 논의한다.

본 연구는 CAN-FD에서 국내 KpqC 최종군(DSA: HAETAE/AIMer, KEM: SMAUG-T/NTRU+)의 통신 관점에서의 적용 가능성에 대해 평가하였다. KpqC 알고리즘들의 데이터 크기를 64바이트페이로드 기준으로 프레임 수에 매핑하고, ISO-TP 분할과 BRS를 반영하여 프레임당 0.164 ms로 지연시간을 산출하였다. 결과적으로 KEM(SMAUG-T/NTRU+)은 ECU 1대당 수 ms 미만, 도메인 시동여유 내 수용 가능했고, 서명(HAETAE/AIMer) 전송도 진단/OTA 응답 창구 대비 충분히 작음을 확인하였다. 종합적으로 KpqC 알고리즘의 CAN-FD 각 도메인 상에서의 통신 지연 측면에서의 적용 가능성에 대해 확인하였다.

대부분 익명성을 보장하는 시스템은 제 3 의 신뢰 기관을 통한 개인의 신원 확인을 필요로 한다. 본 연구에서는 클라이언트 측 암호화와 영지식 구조를 기반으로, 사용자의 신원을 노출하지 않으면서 안전한 개인화 장소 추천 서비스를 제공하는 시스템을 제안한다. 장소 추천을 위한 추천 알고리즘 Funk SVD와 사용자의 행동 패턴을 결합한 하이브리드 추천 방식을 통해 높은 정확도와 실시간 응답성을 제공한다.

최근 개인정보 보호 규제와 산업 간 데이터 사일로 심화로 인해, 서로 다른 기관이 보유한 동일 사용자 단위의 이질적 피처를 안전하게 결합하려는 요구가 커지고 있다. 이를 해결하기 위한 수직 연합 학습(Vertical Federated Learning, VFL)은 각 참여자가 로컬 모델을 학습한 뒤 임베딩을 교환하여 전역 모델을 구축하는 방식으로 개인화와 협력적 학습을 가능하게 한다. 그러나 임베딩과 그래디언트는 본질적으로 원본 데이터를 압축·보존한 표현이기 때문에, 적절한 설계가 뒷받침되지 않을 경우 민감 속성이나 입력 자체가 복원될 위험이 존재한다. 본 연구는 VFL 환경에서 제기되는 데이터복원 공격을 임베딩 기반과 그래디언트 기반이라는 두 가지 범주로 정리하고, 대표적 연구들의 흐름과 성과를 비교·분석하였다. 임베딩 기반 공격은 로컬 표현을 역모형이나 생성모형으로 재구성하거나 쉐도우 모델을 활용해 일반화된 복원을 시도하며, 실제 환경에서도 강력한 공격 가능성을 입증한다. 그래디언트 기반 공격은 관찰된 기울기와 일치하도록 더미 입력을 최적화하여 원본을 복원하는 방식으로, 다양한 도메인에서 높은 성능을 보였으며 VFL 학습 루프의 구조적 특성상 공격면이 확대된다. 본 논문에서 제시하는 분석들은 VFL이 데이터 활용의 새로운 가능성을 열어주지만 동시에 중간 표현의 교환만으로도 심각한 프라이버시 위험이 발생할 수 있음을 시사한다. 향후 이러한 위협에 대처할 수 있는 방어 기법들의 필요성을 제시한다.

차등 프라이버시를 적용한 이미지 데이터 생성 기술은 기계 학습 모델의 민감 데이터 유출 위험으로부터 효과적으로 보호해준다. 최근 차등 프라이버시 기반의 이미지 생성 기술은 단순히 프라이버시를 보장하는 수준을 넘어, 데이터 유용성과 성능 사이의 균형을 고려하는 방향으로 발전하고 있다. 본 연구는 차원적 관점을 적용하여 이러한 발전 과정을 분석하고, 기술 패러다임의 동향을 재정의함으로써 향후 연구 방향을 제시하고자 한다.

사물 인터넷(IoT) 네트워크의 발전은 실시간 데이터 수집과 자동화를 가능하게 했지만, 데이터 공유 및 배포 과정에서 민감 정보가 유출될 수 있는 보안 위협을 내포한다. 본 논문은 이를 해결하기 위해 합성 데이터 생성과 Differential Privacy(DP)를 결합한 파이프라인을 제안한다. 특히, 표 형식 데이터 생성에 특화된 디퓨전 모델인 TabDiff를 사용하여 IoT 데이터를 합성하고, 여기에 유틸리티 보존에 중점을 둔 Utility Privacy(UP-DP)를 적용한다. 제안된 파이프라인은 최종적으로 생성된 데이터가 원본 데이터와 갖는 통계적 유사성 및 개인정보 보호 수준을 종합적으로 평가한다. 본 연구의 핵심 기여는 민감 정보 추론 공격을 효과적으로 방어하면서도 데이터의 유용성을 높은 수준으로 유지하는 방법론을 정립하여, 안전하고 신뢰할 수 있는 IoT 데이터 활용의 기반을 마련했다는 데 있다.

2025년 전자상거래법 개정과 8월 공정거래위원회의 소비자보호 지침 개정안 행정예고로 다크패턴 규제가 구체화되면서, 다기관의 연구 성과를 통합한 실용적 분류체계의 필요성이 대두되고 있다. 현재 공정거래위원회, 개인정보보호위원회, 방송통신위원회 등이 각각의 전문 영역에서 다크패턴 연구를 활발히 진행하고 있으나, 실무에서는 여러 영역이 복합적으로 나타나므로 통합적 접근이 필요하다. 본 연구는 해외 주요국의 다크패턴 분류체계와 국내 각 기관의 연구 성과를 종합하여, 전자상거래·개인정보보호·광고 등 모든 영역을 아우르는 6개 대분류와 24개 세부유형으로 구성된 새로운 통합 분류체계를 제안한다.

본 논문은 EU Regulation (EU) 2024/1781에 따라 2030년까지 의무화되는 DPP(Digital Product Passport) 규제에 대응하기 위한 기술적 체계를 제시한다. DPP는 제품 전 생애주기에 걸친 투명하고 검증 가능한 데이터 관리 체계를 요구하지만, 기업들은 민감 거래 정보를 보호해야 하는 상충된 과제를 제기한다. 특히 순환자원 산업처럼 거래처 정보, 거래 정보가 기밀인 B2B 거래 환경에서 이러한 문제가 두드러진다. 또한 기존 전통적 B2B 거래는 다단계 문서 교환과 중개기업 개입으로 이루어지며, 데이터 유실, 변조, 민감 정보 유출, 높은 신뢰 비용 문제도 발생하며 DPP 규제가 요구하는 투명성·검증 가능성·추적 가능성 또한 충족하지 못한다. 본 연구는 이러한 문제를 해결하기 위해 블록체인 기반 B2B 거래 및 영지식 증명 시스템을 제안한다. Hyperledger Besu 기반 프라이빗 블록체인으로 투명성을, Swarm Key로 보호된 IPFS 클러스터로 영속성을, Groth16 기반 ZKP로 기밀성을 동시에 확보하여 DPP 규제의 상충된 데이터 관리 요구사항을 충족하고, 전통적 중개기업 역할을 스마트 컨트랙트 기반 디지털 에이전트로 자동화하여 신뢰 비용을 제거하였다. 시스템 성능 실험 결과, 단일 스레드 기준 영지식 증명서 생성 시간 평균 0.54초, 하루 최대 약 16만 건 거래 처리 성능을 확인하여 순환자원 B2B 거래 환경에서 안정적 운용 가능성을 검증하였다.

블록체인은 탈중앙화 시스템의 장점이 알려지면서 다양한 산업에서 활용하려는 시도가 증가하고 있다. 그러나 여러 위협이 존재하며, 본 논문에서는 그 중 51% 공격을 중심으로 그 개념과 실제 사례를 검토하고, 취약성과 문제점, 그리고 대응 기법을 분석하였다. 블록체인의 보안성을 확보하기 위해 단일 합의 구조에 의존하지 않고, 다양한 위협을 포괄할 수 있는 종합적 대응 체계 마련의 필요성을 제시한다.

최근 오픈소스를 활용한 개발의 증가와 더불어 보안이 미숙한 업데이트 서버 혹은 제조업체를 대상으로 한 소프트웨어 공급망 공격이 증가하고 있다. 이에 이 위험성을 인식하고 다양한 연구와 조치를 통해 해당 공격에 대응하고 있다. 그 중 SBOM(Software Bill of Materials)을 이용하는 방법에서 SBOM 의 무결성의 보장을 위해 블록체인을 이용한다. 이 논문에서는 블록체인을 이용하여 무결성을 보장을 연구한 논문들을 비교 분석한다. 더 나아가 블록체인을 이용한 SBOM 무결성 보증 시스템의 설계 방향을 제언한다.

DeFi(Decentralized Finance) 서비스가 급속히 성장함에 따라 가격 조작 등 복합 공격이 증가하고 있다. 기존의 정적·동적 분석 기법은 코드 패턴 탐지에는 효과적이지만, 경제적 맥락을 충분히 반영하는 데에는 한계가 있다. 본 연구는 RAG-CoT(Retrieval-Augmented Generation with Chain-ofThought) 기반 스마트 컨트랙트 취약점 탐지 프레임워크를 제안하며, 해킹 사례 데이터셋을 활용한 실험을 통해 ChatGPT-SCVD(ChatGPT-Smart Contract Vulnerability Detection) 및 GPT-only baseline 대비 2~4 배 높은 정확도를 달성하였다. 또한 평균 지연시간 15.5 초, 비용 0.68 USD 로 효율성을 확보하였다. 제안 방법은 코드, 트랜잭션, 시장 맥락을 통합적으로 분석하며 DeFi 보안 검증의 신뢰성과 실용성을 향상시킨다.

스마트 컨트랙트의 복잡성이 증가하면서 비즈니스 로직 취약점이 주요 보안 위협으로 부각되고 있다. 본 연구는 이를 해결하기 위해 AST·CFG·IR 기반 다계층 정적 분석 기법을 제안한다. DeFi 해킹 사례를 대상으로 한 실험에서 Precision 과 Recall 모두 100%를 달성했으며, 평균 분석 시간은 1.26 초로 Slither 의 2.63 초와 Echidna 의 1.98 초보다 빠른 성능을 보였다. 이를 통해 기존 도구보다 오탐을 줄이고 순서 기반 논리 오류를 정밀하게 탐지할 수 있음을 확인하였다.

블록체인 기술의 급격한 발전은 비트코인과 이더리움 등 주요 암호화폐를 통해 디지털 자산 시장의 핵심 인프라를 구축하였으며, 이에 따라 사용자 자산을 안전하게 보관하고 거래를 지원하는 암호화폐 지갑의 중요성이 크게 부각되고 있다. 그러나 기존 지갑 시스템은 단일 프로세스 구조의 보안 취약성, 특정 네트워크에 대한 종속성, 복잡한 사용자 관리, 법적·제도적 미비와 같은 한계에 직면해 있다. 본 논문에서는 이러한 문제를 해결하기 위해 제안된 최신 기술 동향을 분석한다. 구체적으로 스마트 컨트랙트 기반 보호계좌 시스템, 다중 프로세스 구조 적용, 강화된 암호화 통신 및 합의 알고리즘 개선, 그리고 임계값 암호화·다자간 안전 계산·분산 키 생성과 같은 다중 노드 기반 암호화 기법을 고찰하고 향후 발전 방향을 제시한다. 이러한 보안 강화 방안들은 자산 회수 메커니즘의 안정성을 확보하고, 전반적인 시스템 보안성을 향상하며, 효율적인 성능을 유지에 기여할 수 있다. 나아가 향후 암호화폐 지갑은 보안 표준화와 법·제도적 기반 마련을 통해 신뢰성을 높이고, Web3 구현을 뒷받침하는 중심적인 기술 기반으로 확산될 것으로 예상한다.

본 연구는 DeFi 스마트 컨트랙트 보안 사고의 주요 원인인 접근 제어 취약점을 분석하였다. 주요 DeFi 프로토콜을 대상으로 공통적인 공격 진입점을 파악한 후, 외부 접근 함수, 민감 키워드, 제한적 modifier 확인을 통한 정적 분석 탐지 방법론을 설계하였다. 제안 방법을 최근 해킹 사례 20건에 적용한 결과, 기존 도구 대비 탐지율은 약 3배 이상 향상되고, 지연 시간은 약 75% 단축되는 성과를 보였다.

메타버스와 Web3 환경에서 프라이버시 보호를 강화하기 위해 영지식 증명을 적용한 자기주권 신원(Self-Sovereign Identity, SSI) 체계가 주목받고 있다. 이러한 접근은 DID 문서 조회 없이 증명만으로 검증을 수행할 수 있어 확장성과 프라이버시 면에서 이점이 있으나, 제출자가 제시하는 검증가능 자격증명(Verifiable Credential, VC)의 정당한 소유자인지 확인하는 절차가 미비하다는 한계가 있다. 본 논문은 VC 발급 단계에서 소유자(Holder)의 지갑 주소를 VC 에 바인딩하고, 온체인에서 검증 컨트랙트에게 제출되는 ZK-증명 검증과 트랜잭션 송신자 주소와의 일치 확인을 결합해 소유자 인증(Holder binding)을 달성하는 기법을 제안한다. 제안 기법은 VC 도용·탈취·비인가 양도를 억제하고, 발급기관이나 DID 문서 저장소 조회 없이 제시자와 소유자의 동일성을 보장한다.

As semiconductor manufacturing demands ever higher precision and yields, plasma-based etching has become a critical method for producing devices with continuously shrinking feature sizes. However, plasma etching is prone to arcing events, which can degrade wafer quality and reduce process yield. To mitigate this, both real-time detection and post-process analysis of arcing are essential. In this paper, we propose a plasma arc detection framework based on matrix profiling, leveraging its ability to identify anomalous patterns in time-series process data. Using real manufacturing data from plasma etching runs, we evaluate the method against established anomaly detection techniques, including LSTM, LSTM-VAE, one-class SVM, and Isolation Forest. Our results show that matrix profiling achieves competitive or superior detection performance, demonstrating its potential as a robust tool for arc detection in semiconductor manufacturing.

본 논문은 YOLOv5 기반 차량 인식과 수평 회전식 차단장치를 결합한 교통섬 보행 안전 시스템을 제안한다. 제안된 방식은 구조적 안정성과 에너지 효율성을 높이며, 실시간 인식 정확도를 통해 보행자의 안전을 효과적으로 보장한다. 나아가 저비용 설치와 유연한 환경 적용성을 바탕으로 스마트 교통 인프라로의 확장 가능성을 제시한다.

본 연구는 청각 약자 운전자의 안전성을 향상시키기 위해 긴급 소리를 실시간으로 분류하고, 그 방향을 멀티 모달 인터페이스를 통해 전달하는 HEAR-O 시스템을 제안한다. 제안된 시스템은 차량 외부에 장착된 마이크로 수집한 음성 신호를 감마톤 변환하여 CNN 기반 분류기를 통해 Horn, Siren, None으로 인식하며, DOA 알고리즘을 적용하여 음원의 방향을 추정한다. 실험 결과, Horn과 Siren 분류 정확도는 약 97%를 기록하였으며, 추정된 방향과 연동한 카메라 전환 기능 또한 실시간으로 안정적으로 동작함을 확인하였다.

본 논문에서는 FHIR 표준의 확산에 의해 막대한 양의 데이터 공유가 예상됨에 따라 심전도 스트림을 대상으로 환자, 기계학습 모델, 의료진들이 서로 텍스트 메모를 통해 의견을 교환하고 LLM 모델의 의해 검색하는 응용을 설계한다. FHIR 자원 저장과 함께, DNN 모델은 이상 가능성 여부를, 의료진도 자신의 소견을 텍스트로 서버에 저장하여 이를 바탕으로 LLM 검색 모델을 생성한다.

국가 간 전략 광물 확보 경쟁이 치열해지며, 기존 시추 코어 분석 방식의 낮은 정밀도와 비효율성을 극복할 자동화된 AI 모델의 개발이 요구되었다. 이에 본 연구는 시추 코어 이미지로부터 물성값과 광물 함량을 정량적으로 예측하는 2단계 딥러닝 회귀 모델을 개발하였다. 특히, HRNet-DeepLabV3+ 모델이 ResNet-18에 비하여 우수한 예측 성능을 보이며, 고정밀 분석의 중요성을 입증하였다. 본 연구는 자원 탐사 효율을 획기적으로 높여 국가적 자원 경쟁력 강화에 이바지할 것으로 기대된다.

최근 30년간 한반도 평균기온이 약 1.4℃ 상승하며 남부지역에 난대·아열대 기후가 형성되어 열대과일 재배가 가능해졌다. 그러나 재배 확대와 함께 병해충 피해가 증가하고, 기존 방제법은 밀폐공간 의존, 고비용, 실시간 대응의 한계가 있다. 본 연구에서는 이를 해결하기 위해 Faster R-CNN과 LAB 색공간 기반 이미지 분석을 통하여 올리브, 백향과, 애플망고의 품질을 자동 분석하는 시스템을 제안한다. 연구 결과, 모델의 클래스별 AP는 0.73~0.99로 각 병징별 데이터에서 안정적인 성능을 보였으며, 병징 면적과 심각도를 정량화하고 정상 과실의 숙성도를 Immature, Mature, Ripe, Uncertain 네 단계로 구분할 수 있었다. 이러한 시스템은 병해 조기 진단과 상품성 평가를 동시에 지원해 스마트팜과 유통 단계 품질 관리에 실질적으로 기여할 것으로 기대된다.

현대 반도체 공정은 미세화로 인해 수율 확보에 어려움을 겪고 있으며, 웨이퍼 맵의 결함 패턴 분석은 공정 오류를 조기에 발견하고 수율을 개선하는 데 핵심적인 역할을 한다. 그러나 기존의 육안 검사는 많은 시간이 소요되고 인적 오류의 가능성이 존재한다. 본 연구에서는 이러한 한계를 극복하고자 딥러닝 기반 객체 탐지 모델인 YOLOv11n을 활용하여 웨이퍼 맵의 결함 유형과 위치를 자동으로 탐지 및 분류하는 방법을 제안한다. 제안한 방법은 검사 효율성을 높이고 수율 향상에 기여할 것이다.

본 연구는 포트폴리오 최적화 과정에서 발생하는 두 가지 주요 문제, 즉 기대수익률 추정의 불안정성과 모수의 시변성을 고려한 방법론을 제시한다. 이를 위해 자산의 기대수익률은 시변성을 반영하는 상태공간 모형을 통해 동적으로 추정되었으며, 추정치의 안정성 확보를 위해 James-Stein 수축 추정기법이 적용되었다. 또한 자산 간의 동적 상관관계를 포착하고자 DCC-GARCH 모형을 활용하였다. 실증분석 결과, 본 전략은 10.91%의 연평균 성장률을 달성했으며, 주요 위험 조정 성과 지표에서도 비교 전략들을 상회하는 우수한 결과를 나타냈다.

배송과 픽업이 동시에 발생하는 물류 경로 문제는 NP-hard에 속하며, 전역 문제의 조합적 복잡성으로 인해 실시간 최적화가 어렵다. 따라서 본 논문에서는. 이러한 문제를 해결하기 위해 일차적으로 정수계획법 기반 군집화 기법을 이용하여 구역 분할을 수행한 후, 구역별로 강화학습 배송 최적화를 수행하여 휴리스틱 기반 방식보다 빠르고 효율적으로 결과를 도출하여 군집화 기법과 강화학습을 이용한 배송 계획 최적화 모델이 효과적으로 활용될 수 있음을 입증하였다.

본 연구는 응급 상황에서는 환자의 신원과 병력을 신속히 확인하여 환자의 생존율을 높이기 위해. 환자의 얼굴을 인식해 ID를 특정하고, 이를 FHIR(Fast Healthcare Interoperability Resource) 서버와 연계하여 기저질환 등 핵심 의료 정보를 실시간 조회하는 구급 시스템을 제안한다. OpenCV의 얼굴인식 학습 모델을 활용하고 인식된 환자의 ID에 의해 웹을 통해 FHIR 서버에서 병력정보를 조회하여 구급 시간의 효율화를 가져온다.

본 논문은 React Native와 NestJS 기반 루틴 관리 앱 "ROL"의 하이브리드 알림 시스템 구현 사례를 다룬다. 사용자가 루틴별로 로컬 알림과 서버 푸시 알림을 선택할 수 있는 시스템을 설계하여, 네트워크 환경과 배터리 상황에 따라 최적의 알림 방식을 제공한다. 14일간의 파일럿 테스트 결과 96.8%의 알림 도달률과 루틴 완료율 34% 향상을 달성했다.

본 논문은 요양보호사의 인력 부족 문제를 완화하고, 환자와 보호자의 안전한 요양생활을 지원하기 위해 의료기관 종사자의 주요 역할을 수행하는 '생성형 AI 기반 환자 케어 로봇' 제안한다. 주요 기능 다음과 같다. 첫째, 환자 위치와 음성 인식 등을 통해 환자에게 약품을 전달한다. 둘째, 진료실·화장실 등 목적지까지 안전한 이동을 지원한다. 셋째, 생성형 AI를 활용하여 가족 아바타를 생성하고 대화를 제공함으로써 정서적 지원을 수행한다. 넷째, 로봇과의 대화 내용을 요약하여 환자의 건강 및 정서 상태를 가족에게 전달한다. 이러한 기능을 통해, 정부의 장기요양보험 등 재정 부담 경감, 환자의 정서적 안정 및 돌봄 서비스의 질 향상, 병원 종사자의 업무 효율성 증대에 기여할 수 있을 것으로 기대된다.

본 연구에서는 반려동물의 근골격계 질환을 예방하고 조기 진단을 지원하기 위해 근전도(EMG) 및 광학식 심박수 센서(PPG)를 활용한 하네스형 웨어러블 디바이스와 웹 기반 모니터링 시스템을 개발하였다. 이 시스템은 실시간으로 생체 신호를 수집ꞏ분석하여 반려동물의 근육 피로도와 심박수를 계산하고 그 결과를 웹 인터페이스를 통해 시각화 한다. 또한, 예방접종 관리와 응급 안내 기능을 함께 제공함으로써 기존 활동량 기반 기기의 한계를 보완한다. 향후에는 EMR 연계 및 AI 기반 분석 기능 고도화를 통해 반려동물 헬스케어 시스템의 정밀성과 활용 범위를 확대할 수 있다.

다중 에이전트 경로 탐색 맥락에서 Temporal Plan Graph (TPG)는 동적 환경에 대응하는 유연한 스케줄링 수단이다. 그러나 이동 시간이 불균일한 위상 지도에서는 비용의 과소추정으로 인해 불필요한 대기와 시스템 정지를 초래하는 교착상태가 발생할 수 있다. 본 논문은 실제 이동 거리를 반영한 거리 가중 휴리스틱을 설계하고 이를 A^* 기반 TPG 최적화에 통합한 시스템을 제안한다. 시뮬레이션 결과, 제안 방법은 무작위 지연 환경에서 기존 방식 대비 평균 처리시간을 52% 단축했으며, 저혼잡 환경에서는 84% 이상의 성능 향상을 보였다.

깊이 인식은 휴머노이드 로봇의 파지 및 자율주행을 위한 핵심 기술로, 최근에는 RGB 이미지 기반의 단안 깊이 추정(MDE) 기술이 활발히 연구되고 있다. 하지만 빛의 굴절·투과 특성을 가진 투명 물체에는 정확도가 현저히 저하되는 문제가 있다. 이에 본 논문에서는 MDE로 추정한 초기 깊이를 기반으로, 투명 물체의 깊이를 복원하는 U-Net 기반 알고리즘을 제안한다. 제안하는 알고리즘은 초기 깊이 외에도 보조 시각 정보를 Attention 구조 및 손실 함수에 적용하여 객체의 경계 및 형태를 정밀하게 복원한다. 실험 결과, MDE 모델 대비 투명 물체 영역에서 MAE, RMSE 등 지표가 평균 3.98배 개선되었으며, 투명 물체 깊이 복원의 실용 가능성을 효과적으로 입증하였다.

배터리 상태 예측은 전기차와 에너지 저장 시스템의 안전성과 효율성을 보장하는 핵심 기술이다. 하지만 실제 배터리 데이터는 수집 비용이 높고 양이 제한적이어서 딥러닝 모델 학습에 어려움이 있다. 본 논문에서는 PyBaMM 시뮬레이션을 통해 생성한 합성 데이터로 사전학습 된 모델을 실제 배터리 데이터에 전이학습하는 방법을 제안한다. Progressive unfreezing 과 차별적 학습률을 적용한 전이학습 프레임워크를 구현하였으며, NMC 배터리 데이터셋을 대상으로 한 실험에서 실제 데이터가 1000 개 이하일 때 SOH 1% 이내 예측에 대해 전이학습이 기존 방법 대비 10% 이상의 성능 향상을 보였다. 이는 신규 배터리 화학 조성에 대한 빠른 모델 적응을 가능하게 하여 배터리 산업의 개발 비용과 시간을 크게 절약할 수 있는 실용적인 해결책을 제시한다.

본 논문에서는 인문 기반 감정 평가 데이터를 이용하여 게임과몰입 환자의 치유 수준을 분석하는 서비스 설계에 대해 기술한다. 제안하는 서비스는 기존의 심리 설문을 인문 문장으로 대체한 인문 감정 평가 설문 데이터를 활용하여 게임과몰입 환자의 치유 수준을 분석하고 예측하는 것을 목표로 한다. 이를 위해 본 논문에서는 게임과몰입 인문 치유 수준 분석 서비스를 위한 인문 기반 감정 평가 데이터, 치유 수준 분석 기능 및 서비스 시스템 구조에 대해 기술한다.

본 연구는 덕트 내부 유지보수 작업의 안전성과 효율성 확보를 위해 SLAM 기반 자율주행과 AI 결함 탐지 기능을 통합한 AI 덕트 관리 로봇을 개발하고, 협소한 덕트 환경에서의 주행 및 성능테스트를 실시하였고 결함 탐지 성능 최적화를 위해 YOLOv8n 과 YOLOv11n 을 비교 분석하였다.

본 논문은 영화 콘텐츠를 기반으로 사용자에게 사회적 행동을 유도하는 안드로이드 애플리케이션 "MOVA"를 설계하고 구현하였다. 애플리케이션은 AI를 활용하여 영화의 주제와 메시지를 분석하고, 이를 바탕으로 맞춤형 행동 미션을 자동 생성한다. 이러한 시스템은 영화 감상 경험을 긍정적인 사회 참여로 확장하며, 일상 속 행동 변화를 촉진하는 것을 목표로 한다.

최근 글로벌 미디어 콘텐츠를 통해 한식에 관한 관심이 증가하였으나, 외국인들이 실제로 한식을 접할 때에는 언어 장벽, 음식에 대한 정보 부족, 문화 차이 등으로 인해 접근이 쉽지 않다. 이를 해결하기 위해 본 연구에서는 CNN기반 파인튜닝 기법을 활용한 한식문화 AI 탐색시스템인 TasteOfKorea를 구현하는 것을 목표로 하였다. 최적의 CNN모델을 찾기 위해 기존 연구를 참고하여 모델들을 비교하였고, 정확도가 가장 높은 모델의 개선 방법을 찾아서 파인튜닝 모델을 제시하였다, 이를 통하여 구현된 TasteOfKorea를 통하여 외국인들이 쉽게 한식을 탐색하고 접할 수 있기를 기대한다.

본 연구에서는 2D 평면도 입력으로 3D 전시 공간을 자동 생성하고, 외곽·내부 벽을 분류하여 세그먼트 단위로 전시대와 작품을 배치할 수 있는 웹 기반 시스템을 개발하였다. 이를 통해 전문 지식이 없어도 다양한 배치 실험을 수행하고, 공간 활용 최적화와 관람 동선 검증 등 전시 기획 초기 단계에서 실무적 의사결정을 지원할 수 있다.

본 논문은 20대 사회초년생의 어휘력·문해력 저하 문제를 해결하기 위한 학습 플랫폼 말뭉치를 제안한다. 사회 진입 초기에 언어 활용 능력 부족이 업무 효율성에 영향을 미치고 있어 실질적인 학습 도구의 필요성이 높다. 제안 플랫폼은 수준별 진단과 맞춤형 학습, GPT 기반 자동 콘텐츠 생성, 게이미피케이션 요소를 특징으로 하며 모바일 앱과 웹 환경에서 반복 및 심화 학습을 지원한다. 본 논문의 기여점은 사회초년생을 위한 실무형 언어 학습 구조를 설계하고 AI·게이미피케이션을 통합했다는 데 있다. 향후 베타 테스트를 통해 학습 효과와 개인화 기능을 검증·고도화할 예정이다.

본 연구는 정적인 개발 문서 학습의 한계를 극복하기 위해, 명확한 페르소나(Persona)를 가진 AI와 실시간으로 기술 대화를 나눌 수 있는 웹 채팅 시스템을 제안하고 구현한다. 이 시스템은 '따뜻한 시니어 15 년차 프론트엔드 개발자 '와 같은 특정 캐릭터가 부여된 AI 와의 상호작용을 통해 학습의 몰입감을 높이는 것을 목표로 하며, 학습자가 대화라는 능동적인 상호작용에 참여함으로써 지식을 재구성하고 내재화하는 과정을 돕는다. 이는 결과적으로 학습 동기를 부여하고, 습득한 기술을 실제 문제에 적용하는 능력을 배양하는 효과로 이어질 것으로 기대한다.

본 논문은 독서 초보자의 습관 형성을 지원하는 AI 기반 독서 가이드 애플리케이션 Booksy를 제안한다. Booksy는 AI 기반 맞춤형 도서 추천, 독서 플랜 생성, 기록 및 통계 시각화 기능을 제공하여 사용자의 지속적인 독서 참여를 유도한다. 이를 통해 독자는 보다 계획적이고 동기 부여된 독서 경험을 형성할 수 있을 것으로 기대된다.

연안습지는 기후변화 대응을 위한 핵심 블루카본 생태계지만, 광범위한 지역에 대한 시계열적 데이터 기반의 정량적 모니터링에는 기술적 한계가 존재한다. 본 연구는 이러한 문제를 해결하기 위해, 전문가 주도의 Top-down 방식(호주 카카두 국립공원의 Healthy Country AI)과 시민 참여 기반의 Bottom-up 방식(iNaturalist)의 해외 선진사례를 기술적으로 분석한다. 두 방식의 장점을 융합하여 드론 영상 실시간 AI 분석과 시민과학 데이터의 상호 검증을 핵심으로 하는 하이브리드형 모니터링 아키텍처를 제안한다. 또한, 이 아키텍처를 기반으로 인천 소래습지에 적용 가능한 웹 기반 통합 관리 플랫폼의 프로토타입을 구현하여 AI 모델의 분석 결과와 시민 데이터를 효과적으로 시각화하고 데이터 기반의 생태 관리를 지원할 수 있는 구체적인 방안을 제시한다.

평지와 비평탄 지형에 모두 적응 가능한 Legged-Wheel 로봇을 제안하고, 로봇의 대표적인 보행 방법인 크롤 보행(crawl gait)을 MATLAB/Simulink 환경에서 시뮬레이션 하기 위해, 물리환경에서 목표하는 보행과 일치하도록 변수들을 설정하고 보행을 검증하였으며, 물리환경에서의 정상 보행에 필요한 최적의 다리 관절 토크량을 분석하여 구동기에 필요한 사양들을 도출하고 실제 제작에 반영하였다

본 논문에서는 마비말장애로 인한 의사소통의 장애가 발생한 환자의 지속적인 재활을 어렵게 하는 환경적, 공간적, 시간적, 비용적 문제를 해결하기 위한 의료용 기능성 게임을 제안한다. 환자는 기능성 게임을 통해 스스로 마비말장애의 증상인 말 속도와 조음정확도의 변화에 대한 재활을 수행한다. 기능성 게임은 환자의 재활에 필요한 과정을 게임의 형태로 제공하며, 발음평가 기능, 서버 데이터베이스를 사용한 재활 관련 정보 기록, 재활 기록 분석, 목표치 확인, 사용자의 상태에 따른 피드백 기능을 포함한다. 본 논문에서 제안한 의료용 기능성 게임을 사용했을 때 마비말장애 환자들이 스스로 재활 과정을 진행하여 재활의 공간, 시간 및 환경, 비용의 제약을 최소화하고 일상생활로 복귀하는데 도움을 줄 수 있을 것으로 기대한다.

학부생과 개인 개발자의 경우 클라우드 관련 기술을 통해 서비스를 제공하는데 관련된 비용은 부담으로 다가온다. 본 연구에서는 AWS의 프리티어 혜택을 재활용하고자 기존 AWS 인프라를 새로운 계정으로 이전하는 방안을 제시하고, 이를 통해 Public Subnet과 Private Subnet을 적용하여 보안성 향상과 RDS Public IPv4 제거 등으로 비용을 0원으로 감축하는 정량적 성과를 내었다. 이는 예산이 한정된 학부생, 개인 개발자에게 단기간동안 지속가능한 클라우드 운영환경을 제공한다는 것에 그 의의가 있다.

최근 게임 산업은 몰입감과 상호작용을 중시하는 방향으로 발전하고 있다. 특히, 공포 게임 장르는 플레이어에게 긴장감과 스릴을 제공하며, 이러한 경험을 극대화하는 것이 중요하다. 이에 따라 이번 1 인칭 공포 게임 개발 프로젝트를 통해서 게임의 스토리와 시스템을 혁신적으로 설계하여 구현하는 체험을 얻고자 한다.

연속 제어 환경을 위한 강화학습 알고리즘인 SAC(Soft Actor-Critic)는 종종 Q-value 분산에서 비롯되는 학습 불안정성 문제가 빈번하게 발생하여 최적화에 어려움이 있다. 이에 본 연구에서는 SAC 알고리즘에 보상 값의 분산에 기반한 동적 스케일링 인자를 적용한 SAC-VRS를 제안하였다. 제안 기법은 적정 보상 수준을 유지하면서도 Q-value 분산을 억제하여 강화학습 과정에서의 안정성을 확보한 단순하면서도 효과적인 접근법임을 실험적으로 입증하였다.

최근 기후변화 등 비 재무적인 지표에 따라 기업이 사회적으로 미치는 영향이 커지게 되어, 지속가능경영에 대한 가이드라인을 국가 또는 UN에서 발표하고 있다. 한편, chatGPT는 거대언어모델로 사용자와 채팅 방식으로의 상호작용을 통해, 사용자의 질의에 따라 문장을 생성, 문서 요약, 코드 생성, 이미지 캡션 등 AI로 많은 업무를 지원 받을 수 있다. 본 연구에서는 우리나라의 지속가능경영 가이드인 K-ESG 가이드라인을 기반으로 GPT를 활용하여 채팅 에이전트를 개발하였다. 개발한 에이전트의 활용성을 평가하기 위해 첫째, 에이전트의 ESG 컨설팅 내용 생성 정확도를 평가했으며, 실제 컨설팅 자료와 코사인 유사도가 최대 69% 이상 성능을 보임을 확인하였다. 둘째, ESG 환경 부분 평가 등급 예측을 실제 컨설팅 자료 및 15개 지속경영보고서를 기반으로 수행하였다. 마지막으로교육, 설문조사 등에 활용할 수 있는 데이터셋 생성 및 GPT 코딩 기능을 활용한 프로그램을 개발하여, Github에 게시하였다. 향후에는 본 논문에서 확인한 활용 가능성을 고도화하여 실제 활용에 적용할 수 있도록 성능을 고도화할 예정이다.

현대 사회에서 사용자는 인터넷을 통해 건강 정보를 탐색하지만, 전문 지식 부족으로 부정확한 정보에 노출될 위험이 크다. 본 프로젝트는 이를 해결하고 건강 관리 편의성을 높이기 위해 인공지능 기반 대화형 서비스 '약지기'를 설계·구현한다. '약지기'는 사용자가 입력한 증상을 분석해 의약품 정보와 부작용 경고를 제공하고, 위치 기반 약국 찾기 기능으로 정보 접근성을 강화한다. 또한 Ollama 기반 llama3.1 8B 모델을 활용해 맞춤형 응답을 제공하며, 대화 기록 관리와 면책 고지 기능을 통해 안전성과 신뢰성을 확보한다. 본 시스템은 단순 정보 제공을 넘어 사용자 중심 대화형 인터페이스로 건강 정보 탐색을 더욱 효율적이고 직관적으로 만든다.

소상공인은 온라인 홍보 전문 지식 부족으로 효과적 마케팅에 한계를 겪고, SNS 정보 과부하로 사용자 경험도 저하된다. 본 연구는 위치 기반 서비스·주제별 커뮤니티 그룹화('위브' 시스템)·리워드·이벤트 자동화 기능을 결합한 B2C 커뮤니티 마케팅 플랫폼 "Weave-Us"를 개발하였다. 플랫폼은 분산된 지역 정보·이벤트를 한곳에 통합 제공하여 사용자 편의를 증대하고 소상공인에게 새로운 프로모션 채널을 제공한다.

안테나 트래커를 사용하여 정찰이나 촬영 임무를 수행하는 UAV는 자신의 GNSS 정보를 항상 안테나 트래커나 지상국에 전달하여야 하므로 재밍 등의 원인으로 GNSS를 사용할 수 없는 상황에서는 안테나 트래커가 올바르게 UAV의 방향으로 정렬할 수 없는 문제점이 있다. 이를 해결하기 위하여본 연구에서는 UAV가 송출하는 영상 전파의 RSSI 값을 이용하는 딥러닝 모델을 구축하여 GNSS 정보 없이도 안테나 트래커가 UAV 방향을 추정하는 방법을 제안하였다. 또한 테스트 시나리오를 통하여 제안한 딥러닝 모델의 방향 추정 유효성을 확인함으로써 안테나 트래커가 GNSS를 사용할 수 없는 상황에서도 영상 수신 안정성과 연속성을 확보할 수 있음을 입증하였다.

본 논문은 동영상의 중복 프레임을 제거하고 대표 장면을 효율적으로 추출하는 기법을 제안한다. 프레임 간의 시각적 유사도를 평균 해시(Average Hash)와 해밍 거리(Hamming Distance)로 측정하고, 임계값 기반 필터링을 통해 유사도가 낮은 프레임만을 선별해서 추출한다. 이 방식은 저장 비용을 크게 절감하며, 직관적인 제어를 통해 효과적인 시각적 요약 생성을 가능하게 한다.

고성능컴퓨팅 분야는 거대 과학 문제 해결을 비롯한 대규모 산업, 공학 문제 해결을 위해 지속적으로 발전해 오고 있다. 또한, 최근 인공지능 기술의 비약적인 발전으로 인하여 고성능컴퓨팅에 대한 수요가 매우 높아지고 있다. 따라서, 본 연구에서는 최근 5년간 고성능컴퓨팅 분야의 논문 정보를 수집하여, 주요 연구 주제가 무엇인지를 BERTopic 기반 토픽 모델링을 통해 탐색하였다. 총 1,624 편의 ACM SIGHPC에 게재된 논문 초록을 수집하였으며, 토픽 모델링 결과 33개의 주제가 클러스터링 되었다. 머신러닝, GPU, 양자컴퓨팅 등 최근 이슈가 되고 있는 주제부터, MPI, 행렬 연산, 클라우드, 시뮬레이션 등 기존 고성능 컴퓨팅 분야의 연구 주제들도 지속적으로 연구되고 있음을 알 수 있었다. 향후에는 고성능컴퓨팅 분야의 저자 네트워크를 구성하고, 저자 및 소속 기관을 중심으로 논문, 특허 등 다양한 기술 자료를 수집하여 시간별 연구 주제의 변화를 탐색해 보고자 한다.

양식 산업이 급성장하는 가운데, 넙치 양식은 높은 경제적 가치를 지니고 있다. 컴퓨터 비전과 인공지능 기술의 발전으로 디지털 양식에 대한 관심이 높아지고 있지만, 수중 환경의 조명 변화, 탁도, 거품, 겹침, 복잡한 유영은 정확한 감지 및 추적을 어렵게 만든다. 이에 본 논문은 가변적인 수중 조건에서 넙치를 포함한 다중 객체를 정밀하게 추적하기 위한 다중객체추적(MOT) 모델들의 성능을 비교 및 평가한다. 실제 양식장 영상을 활용해 거품 및 겹침 등 변동 요인을 적극 포함한 시나리오에서 여러 MOT 모델을 동일 조건으로 테스트하고, 표준 지표로 정량 비교한다. 이를 통해 현장 적용성이 높은 모델을 선별하고 양식 자동화의 핵심 가치를 실현하는 이점을 제공한다.

본 논문에서는 전동킥보드의 안전사고 주요 원인 중 하나인 다인승 탑승 문제를 해결하기 위하여 압력센서(로드셀) 기반 다인승 감지 및 제어 시스템을 설계·구현하였다. 발판에 총 6세트의 로드셀 모듈을 배치하여 탑승자의 하중 분포를 측정하고, 아두이노 메가(Arduino Mega)와 HX711 모듈을 통해 데이터를 처리하였다. 일정 임계값(50kg)을 초과할 경우 무접점 릴레이(Solid State Relay, SSR)를 제어하여 모터 전원을 차단함으로써 다인승을 효과적으로 방지할 수 있음을 확인하였다. 본 시스템은 기존 조도 센서 및 기울기 기반 방식보다 외부 환경에 강인하며, 소프트웨어 기반의 임계값 조정 기능을 통해 다양한 주행 조건에 적응 가능하다는 장점을 가진다.

해당 연구는 특정 제시 환경에 맞춰 가변형 캐터필러를 설계하고, RFID 보정 SLAM 기술을 적용하여 자율주행 로봇을 구현한다. 이 로봇은 GPS 가 없는 환경에서도 정밀한 위치를 유지하며 안정적으로 주행하고, 열화상카메라와 YOLO 기반의 손상 감지를 통해 유지보수 효율성을 높인다.

본 논문에서는 Rocker-bogie 자율주행 로봇을 대상으로 IMU-LiDAR 융합 오도메트리와 다중 센서를 통합한 조기 화재 감지 및 안전 모니터링 임베디드 시스템 설계·구현을 수행한다. 또한, 범용 임베디드 환경에서 자율주행과 안전 관리 기능을 효과적으로 수행할 수 있음을 실험을 통해 확인한다.

글로벌 소프트웨어 공급망의 보안 중요성이 커짐에 따라 주요 국가들은 다양한 규제 프레임워크를 도입하고 있다. 미국은 행정명령(EO 14028, 14144, 14306)과 EU는 법령(CRA, NIS2, DORA)을 중심으로 규제 대상, 핵심 요구사항 및 법적 강제력을 제공하고 있다. 본 연구에서는 미국, 유럽연합(EU), 한국의 공급망 보안 관련 법·제도 동향을 비교·분석하였다. 또한, 분석 결과를 기반으로 국내에서도 SBoM 의무화, 공공조달 보안 요건 강화 등 글로벌 추세에 부합하는 정책 보완이 필요함을 제시한다.

Z 세대는 숏폼 콘텐츠 소비에 익숙하나, 기존 대학 LMS 는 긴 영상 중심으로 몰입도를 저하시킨다. 본 논문은 AI 를 활용해 긴 강의를 1 분 내외의 '강의 쇼츠'로 자동 변환하는 플랫폼 'E-Clips'를 제안한다. 멀티모달 AI 기반의 4 단계 자동 변환 파이프라인은 교수의 제작 부담을 줄이고, 친숙한 UI/UX 로 학습 접근성을 높인다. 또한 챗봇, 퀴즈 등 상호작용 기능을 통합해 능동적 학습을 유도한다. 본 연구는 Z 세대의 미디어 소비 특성을 교육에 긍정적으로 통합하여 학습 참여와 효과성을 증대시키는 AI 에듀테크 솔루션의 가능성을 제시한다.

본 연구는 한국인의 신체활동 부족 문제를 대학생 집단에 초점을 맞춰 분석했다. 설문 결과 대학생들은 꾸준한 운동 습관 형성과 운동 흥미 유지에 어려움을 겪고 있었으며 기존 운동 관리 앱의 활용도도 낮았다. 이는 개인 맞춤형 기능과 동기부여가 부족한 기존 서비스의 한계를 시사한다. 따라서 본 논문은 맞춤형 운동 계획과 지속적인 동기를 부여하는 AI 코칭 앱 FitBuddy를 제안한다.

본 연구는 소아청소년 간헐적 폭발장애(IED)의 분노 조절을 지원하기 위해 인지행동치료의 '주의 전환 기법'을 적용한 온디바이스 환경에서의 기능성 게임을 제안한다. 게임방식과 구성은 캐릭터와의 상호작용 속에서 숫자 세기, 심호흡, 사칙연산과 같은 간단한 과제를 통해 충동 억제를 훈련하며, STAXI-C/A 척도를 기반으로 효과를 측정하는 것으로 이루어졌다. 또한 AI 허브 공감형 대화 데이터셋을 활용하여 Polyglot-ko 언어모델을 QLoRA 기법으로 경량화·파인튜닝하고, 모바일 환경에서 실시간 감정 피드백을 제공하도록 구현하여 사용자에게 공감형 피드백과 사용자의 증상 완화와 자기 조절 능력의 향상에 기여할 것을 기대한다.

슈퍼컴퓨터와 같은 대규모 클러스터 시스템은 연산 성능이 높아지면서 소비 전력도 증가하고 있다. 본 논문에서는 블레이드 형태의 대규모 클러스터 시스템에서 응용 프로그램이 수행될 때 소비되는 전력량을 측정하는 방법을 제안하고 실제 운영중인 국가 슈퍼컴퓨터 5호기 시스템에서 수집된 230만개 이상의 응용 프로그램 수행 데이터와 전력 소비량 데이터를 이용하여 분석한다.

기존의 리뷰 관리 자동화 연구는 영어권을 중심으로 진행되어 한국어에 특화된 시스템이 부족하다. 이를 해결하기 위해 본 연구는 React 프론트엔드, Spring-MyBatis 백엔드, FastAPI 기반 AI 서버, KoAlpaca-Polyglot 언어모델을 연동하는 구조를 설계하였다. 각 기술의 선택 이유와 장점을 분석하고, 개발 단계에서의 시스템 흐름을 제시하였다. 본 연구는 한국어 리뷰 자동 응답 시스템의 가능성을 탐색하고, 향후 실제 서비스 적용을 위한 기반을 마련한다.

본 연구는 대기시간, 이동거리, 실차율, 접근거리의 네 가지 전략 요소를 통합한 복합 전략 기반 MOD/DRT 실시간 배차 최적화 모델을 제안하고, 실제 서비스 데이터를 활용해 차량 투입에 따른 시 다양한 전략 조합의 성능을 비교·분석하였다. 그 결과 복합 전략은 전반적 성능과 안정성을 확보했으며, 차량 수 증가에 따른 실험적 결과 분석을 통해 복합 전략에 따른 효용성을 검증하였다. 본 연구는 향후 실시간 가중치 조정 및 수요 예측 기반 차량 재배치 등 동적 운영 모델 개발의 기초 자료를 확립하는데 활용하고자 한다.

이 연구는 아직 젓가락이 익숙하지 않아 학습이 필요한 사람과 재활환자를 위한 실시간 젓가락질 교정 시스템에 관한 것이다. 사용자의 손 좌표데이터를 실시간으로 추출하고, 정상적인 젓가락질의 시계열 패턴을 학습한 GRU-AutoEncorder 모델을 통해 비정상적인 동작을 탐지한다. 잘못된 동작이 입력될 시 복원오차가 발생하고, 이를 기준으로 사용자에게 실시간으로 시각적인 피드백을 제공한다. 위 프로그램은 기존 교육용 젓가락의 물리적 제약과 재활 훈련의 단조로움을 극복하고, 개인 맞춤형 피드백을 통해 효과적인 젓가락질 습득 및 손의 미세근육 발달에 기여할 수 있다.

과학기술의 발전으로 현대 과학은 대형 실험 장비를 기반으로 관측과 측정을 수행하고 이를 바탕으로 고성능 컴퓨팅 기술을 이용하여 시뮬레이션이 이루어진다. 실험 설비의 대형화와 복잡도 증가로 생성되는 데이터의 규모는 꾸준히 증가하고 있다. 데이터의 증가는 이를 효율적으로 수집하고 처리할 수 있는 기술을 필요로하며 연구자들은 이러한 대규모 데이터를 보다 체계적으로 관리하고 빠르게 분석할 수 있는 환경을 요구하고 있다. 발전 설비를 비롯한 대형 플랜트 시스템과 원자로, 핵융합로, 입자 가속기, 전파 망원경, 유전체 및 단백질 데이터 등 거의 모든 산업과 연구 분야에서 이같은 현상이 발생하고 있다. 본 연구에서는 대규모 센서 데이터를 실시간으로 처리하고 분석하기 위한 기술과 접근 방법을 논의하고자 한다.

AI 기술은 일상적 업무를 지원하거나 생산성 향상을 위한 많은 영역에서 활동되고 있다. 특히, 생성형 AI 기술은 보다 전문 지식이 요구되거나 전문가의 해석과 설명이 필요한 영역까지 파고들고 있어 활용 범위의 한계를 극복해 가는 중이다. 전통적으로 공학해석과 공학설계와 같은 컴퓨터 시뮬레이션 기술은 전문가의 지식을 바탕으로 데이터를 분석하고 전처리와 후처리 작업에 필요한 워크플로우를 기반으로 연구가 이루어진다. 최근 생성형 AI 기술에 바탕을 둔 다양한 접근법이 이루어지고 있으며 상업적 적용도 활발히 이루어지고 있다. 본 연구에서는 생성형 AI 기술을 기반으로 CAE 등 공학적 해석과 설계가 필요한 전문적 영역에서 전문가의 개인적 경험과 지식에 기반을 둔 연구의 어려움을 개선하고 보다 객관적이고 표준화된 연구 수행을 가능케 하는 플랫폼을 제안하고자 한다.

GPS 는 실외에서는 안정적이고 정확도 높은 서비스를 제공하지만 실내와 같은 음영지역에서는 신호가 차단되어 연속적인 서비스가 불가하다. 본 연구에서는 IMU 센서를 활용한 보행자 추측 항법기반 위치 추적 알고리즘을 제안한다. 또한 임계값 필터링과 가중 평균 필터를 적용하여 노이즈와 오차 누적을 최소화하였다. 제안 알고리즘은 Dart 언어 기반 Flutter Framework 로 구현하였으며, Android/iOS 크로스플랫폼 환경에서 동작하는 APP 프로토타입을 제작, 검증하였다 본 연구는 GPS 음영지역에서도 연속적인 서비스 제공을 가능하게 할 뿐 아니라, 향후 실내 내비게이션 및 시각장애인 보행 지원 등 다양한 응용에 적용 가능하게 한다.

AI 코드 리뷰 시스템은 개발 효율성과 코드 품질 향상을 위한 핵심 도구이다. 그러나 상용 LLM 기반 접근은 전체 코드베이스 맥락 제공과 리뷰 일관성 측면에서 한계가 있다. 본 연구는 RAG와 메모리 주입 시스템을 결합한 하이브리드 AI 코드 리뷰 시스템 아키텍처를 제안한다. 제안 시스템은 OpenAI 에이전트가 스스로 Function Calling을 통해 연관 코드 스니펫을 검색하고 Mem0 를 활용하여 이전 리뷰 내용을 메모리에 저장함으로써 일관성 있는 리뷰를 생성한다. 본 연구는 실용적인 AI 코드 리뷰 시스템 구축을 위한 하이브리드 접근법의 효과성을 파일럿 적용을 통해 검증하였다.

본 연구는 텍스트-이미지 생성 인공지능에서 프롬프트(prompt)의 작성 방식이 결과물의 품질을 좌우한다는 점에 주목한다. 지금까지의 연구는 예술적 창작이나 이미지 생성 품질 평가에 치중되어 있어, 프롬프트 엔지니어링 전략을 체계적으로 정의하고 그에 따른 평가 방안을 설계한 시도는 부족하였다. 이에 본 연구는 단순 프롬프트, 구조화 프롬프트, 피드백 루프라는 세 가지 전략을통해 정량적·정성적 평가 지표를 통합한 분석 프레임워크를 제시한다. 본 연구의 의의는 프롬프트 작성 전략의 체계화를 통해 생성형 인공지능 연구의 객관성을 제고하고, 향후 실증 연구 및 실무적 응용을 위한 기초 자료를 제공하는 데 있다.

본 연구에서는 사용자가 입력한 키워드를 기반으로 영어 동화를 자동 생성하는 웹 애플리케이션 "잉글리숲"을 설계하고 구현하였다. 기존 디지털 영어 학습 자료는 정형화된 콘텐츠 제공에 머무른 반면, 본 시스템은 GPT 를 활용한 텍스트 생성과 DALL·E·Google TTS 기반의 삽화 및 오디오를 함께 제공한다. 직관적인 웹 인터페이스를 통해 유아가 맞춤형 동화를 쉽게 열람·관리할 수 있도록 지원하며, 인공지능 기반 영어 학습 보조 도구로서의 활용 가능성을 제시한다.

현대 사회의 방대한 정보의 홍수 속에서 뉴스 사용자들은 필요한 정보를 효율적으로 소비하기 어려운 상황에 직면해 있다. 이와 같은 문제를 해결하기 위해 본 연구에서는 AI 기반 개인 맞춤 뉴스 요약 플랫폼 Curio 를 제안한다. Curio 는 사용자의 관심사에 맞춘 뉴스들만 선별하여 원하는 길이로 요약해 제공한다. Curio 를 활용하면 사용자들은 관심있는 뉴스를 빠르고 효율적으로 소비할 수 있다.

의료 AI는 빠르게 발전해 왔으나, 초음파 영상기반 AI 진단 모델의 신뢰성 확보를 위한 구체적 가이드라인은 여전히 부족하다. 이에 본 논문은 데이터와 모델 관점의 초음파 영상기반 AI 진단 모델 개발 요구사항을 제안한다. 제안하는 요구사항은 담낭 진단 모델 개발 관점에서 구체화하였으며 민감도를 약 32% 향상하는 결과로, 성능 개선을 통해 신뢰성을 높일 수 있음을 검증하였다.

최근 들어 다양한 업무 현장에서 편리성을 고려하여 협업 툴의 도입이 확산되고 있으나, 중복 커뮤니케이션이 파생적 문제로 지적되고 있다. 본 논문에서는 파일 형식을 자동으로 변환하는 기능을 포함하여 기존 플랫폼 대비 중복 커뮤니케이션 문제를 효과적으로 개선한 협업 플랫폼 GENAU를 제안한다. GENAU를 이용하면 사용자들이 효율적으로 협업 과제를 수행함으로써 업무 효율성이 향상될 것으로 기대된다.

마이크로서비스 아키텍처(MSA, Microservice Architecture)는 독립적인 기능 수행 단위인 소규모 소프트웨어 서비스를 약결합하여 대규모 서비스를 개발하는 것이다. 마이크로서비스 아키텍처의 운영에는 기능 수행 단위로 개발하고 결합하는데 적합한 컨테이너 환경이 주로 활용된다. 그러나, 컨테이너 환경은 컨테이너 환경 리소스를 중심으로 배포와 관리가 수행되어 마이크로서비스 아키텍처의 설계 및 기능 개발이 목적인 마이크로서비스 개발자가 운영하기 위한 기술적 지원이 부족하다. 따라서, 본 논문에서는 검색 증강 생성(RAG, Retrieval Augmented Generation)이 적용된 컨테이너 기반 마이크로서비스의 운영 지원 기법을 제안한다. 제안하는 방법은 컨테이너 기반 마이크로서비스를 소프트웨어 환경과 컨테이너 관리 환경으로 분리하여 분석하고, RAG 파이프라인에 기반한 질의 정제 과정을 나타내었다. 본 논문의 사례연구는 RAG 기반 운영 지원 기법을 통해 사용자 요구사항에 따른 마이크로서비스 애플리케이션을 배포하는 과정을 제시하였다. 또한, 마이크로서비스 애플리케이션 배포 성공률 실험에서 제안하는 방법은 20회 중 17회를 성공적으로 배포하였으며, 이는 요구사항 기반 생성형 AI 추론의 배포 성공 수 0회에 비해 85%의 성능적 개선이 있음을 확인하였다. 제안하는 방법은 컨테이너 환경에서 마이크로서비스 운영을 위한 기반 기술로 활용될 것으로 기대된다.

최근 AI 시스템의 기능 확장을 위해 Model Context Protocol (MCP)의 채택이 증가하고 있으나, 그 구현체의 보안성에 대한 실증적 연구는 부족하다. 본 연구는 251개의 MCP 서버와 113개의 일반 서버 (비교군)를 정적 분석하여 MCP 생태계의 고유한 보안 취약성 프로파일을 도출하였다. 분석 결과, MCP 구현체에서 총 15개 유형의 취약점이 일관되게 발견되었으며, 이는 (1)설정 및 민감정보의 하드코딩, (2)안전하지 않은 외부 프로세스 호출, (3)신뢰할 수 없는 코드 및 예외 처리라는 세 가지 패턴으로 유형화되었다. 본 연구는 MCP 생태계의 잠재적 위험을 진단하고, 개발 단계에서 고려해야할 보안 강화의 필요성을 제시한다.

현대적인 웹 애플리케이션의 계층형 아키텍처에서 계층 간 데이터 전송을 담당하는 Data Transfer Object (DTO)의 역할은 매우 중요하다. 본 연구는 이러한 Object-Relational Mapping (ORM)환경에서 DTO 변환 과정의 성능 문제를 분석했다. 실험 결과, 지연 로딩 환경에서는 DTO 변환 로직이 프레임워크가 관리하는 영역에 위치한 경우가 가장 우수한 성능을 보였다. 반면, 즉시 로딩 환경에서는 다른 계층의 개입 없이 직접적으로 객체를 매핑하는 방식이 가장 우수한 성능을 보였다. 이러한 결과는 DTO 변환 아키텍처의 선택이 데이터 로딩 전략에 강하게 종속된다는 것을 실증적으로 보여준다.

본 연구는 누구나 편리하게 활용할 수 있는 전시회 관람 가이드 애플리케이션을 개발하는 것을 목표로 한다. 시스템은 인공지능(Artificial Intelligence; AI)을 활용하여 작품 해설을 자동으로 제공하고, 사용자 맞춤형 추천 서비스를 통해 관람객 개개인의 취향에 적합한 작품 경험을 지원한다. 또한 음성 해설과 커뮤니티 기능을 도입하여 전시회 관람의 진입 장벽을 낮추고, 관람객 간의 상호작용을 촉진함으로써 예술 감상의 접근성과 다양성을 확대한다. 이러한 시도는 전통적인 전시 해설 방식을 넘어, AI 기반의 개인화된 문화예술 경험이라는 새로운 패러다임을 제시한다.

본 연구에서는 GNU Debugger(GDB)를 활용하여 CPython 내부 동작을 심층적으로 분석할 수 있는 디버깅 환경을 구축하는 방법을 제시한다. 기존의 일반적인 CPython 패키지는 최적화 옵션과 디버깅 정보의 부재로 인해 C 레벨에서의 내부 함수 호출, 실행 루프, 변수 추적 등이 제한적이었다. 이를 해결하기 위해 본 연구는 리눅스 환경에서 Mamba 및 Conda-build 를 이용하여 디버깅 정보가 포함된 CPython 을 빌드하고, 맞춤 명령어 세트를 제공하여 개발자가 효율적으로 바이트코드 실행 과정, CPython 함수 호출, 스택 상태를 추적할 수 있도록 하였다. 이러한 환경은 CPython 내부 구조의 이해를 돕고, 파이썬 인터프리터 최적화 및 확장 기능 개발에 유용하게 활용될 수 있다.

본 연구는 파이썬의 대표적 구현체인 CPython 의 가상머신 구조와 동작 방식을 고찰한다. CPython 은 사용자가 작성한 소스 코드를 바이트코드로 컴파일한 뒤, 가상머신을 통해 이를 해석하고 실행한다. 본 연구에서는 CPython 의 핵심 구성 요소 세 가지의 역할과 상호작용을 분석하였다. 또한, 바이트코드를 순차적으로 실행하는 evaluation loop 의 작동 원리를 설명한다. 마지막으로, 점프 테이블을 활용한 Evaluation Loop 최적화를 살펴본다.

본 연구는 CPython 에서 변수의 내부 구현 방식을 Python 3.12 를 기준으로 Python 바이트코드와 C 수준에서 분석하였다. 변수는 네임스페이스에 배열이나 딕셔너리 형태로 저장되며, 스코프에 따라 다른 방식으로 처리된다. 클래스·모듈에서 사용되는 변수는 LOAD_NAME, STORE_NAME 이, 함수에서 사용되는 변수는 다른 명령어가 사용된다. 또한 셀 변수와 자유 변수는 LOAD_DEREF, LOAD_CLASSDEREF 로 처리된다. 이러한 구조를 이해하면 Python 프로그램의 동작 원리를 명확히 파악하고 성능 개선에 기여할 수 있으며 Python 을 C 수준에서 디버깅하는 데 도움을 줄 수 있다.

본 논문은 청각장애 아동의 낮은 수어 학습 접근성을 개선하기 위해, AI 기술을 활용한 동화 기반 학습 시스템을 제안한다. 제안하는 시스템은 동화를 통한 수어 학습과 AI 기반 동화 생성 기능을 제공하며, 사용자가 입력한 수어 동작을 텍스트 키워드로 변환하여 동적 콘텐츠를 생성한다. 시스템은 Spring Boot 기반 서버와 Tensorflow.js를 활용한 프론트엔드로 구성되며, 외부 생성형 AI(ChatGPT)와 연동하여 사용자 맞춤형 동화를 생성한다. 프로토타입 구현을 통해 기술적 타당성과 사용자 경험 가능성을 검증하였다. 향후 연구에서는 실제 수어 인식 모델 고도화와 교육 현장 적용을 통해 학습 효과를 검증할 예정이다.

Automated Vulnerability Repair (AVR) aims to autonomously detect and fix security flaws in software systems. With the advent of large language models (LLMs), research has shifted from traditional program analysis and rule-based techniques to learning-based repair. Earlier LLM-based AVR methods typically assumed that the location of the bug was already known, focusing solely on generating patches under this idealized setting. More recent work has sought to remove this assumption by developing end-to-end pipelines that integrate fault localization, patch generation, and validation. In this study, we review two representative approaches that pursue this goal, highlighting their use of sanitizer logs for localization, their patch generation strategies, and the key limitations that remain.

본 연구는 디지털의료제품의 안전성과 신뢰성을 확보하기 위해 국제 표준과 국내 규제 요건을 통합한 표준화 검증 프레임워크를 제안한다. 기존 규제 체계가 IEC 82304, IEC 62304, ISO 13485 등 개별 표준의 단편적 적용에 머물렀던 한계를 보완하기 위해, 제안된 프레임워크는 제품의 전 생애주기(Life Cycle)를 기반으로 기획, 설계·개발, 인허가, 시판 후 관리 단계에 이르는 절차를 구조화하였다. 또한 MFDS 허가·심사 가이드라인, GMP, 밸리데이션, 사이버보안 지침을 연계하고, 체크리스트 기반 평가 구조를 도입하여 규제 요구사항을 항목별로 진단하고 반복 가능한 검증 체계를 구현하였다. 이를 통해 개발자는 설계 단계에서부터 규제 적합성을 확보할 수 있으며, 품질관리자는 문서화·변경관리 등 품질경영 절차의 적정성을 점검할 수 있고, 규제기관은 일관된 심사 기준으로 평가 효율성을 높일 수 있다. 제안된 프레임워크는 디지털의료제품의 품질·안전·보안성을 종합적으로 검증할 수 있는 기반을 마련함으로써, 산업 현장의 규제 대응과 국제 표준 정합성 확보에 기여할 것으로 기대된다.

도로 및 시설물 등 도시 공간정보는 행정 및 도시계획에 필수적이나, 제공 주기의 한계로 인해 실제 보행 환경을 충분히 반영하지 못하는 한계가 있다. 본 연구는 스트리트 뷰 기반 객체 인식과 공간정보 분석을 융합하여 지역별 보행 안전을 정량적으로 평가하는 모니터링 기법을 제안한다. 고령자 비율이 높은 지역을 사례 연구(Case study) 대상으로 설정하고, 도로 환경 및 위험 요인을 공간정보 기반으로 선별한 뒤, 스트리트 뷰 영상에서 불법 주정차 및 보행 방해 요소를 객체 인식 기법으로 탐지하였다. 식별된 요소는 도로 환경 정보와 통합하여 보행 위험도를 히트맵 형태로 시각화하였다. 이를 통해 생성된 보행 안전 히트맵은 고령자 친화 도시 정책 수립을 위한 실증적 자료로 활용될 수 있다.

ADHD 성향 개인은 실행 기능의 어려움으로 인해 일을 시작하고 이어가는 데 어려움을 겪는다. 기존의 정적인 생산성 도구는 변화하는 인지 상태를 반영하지 못해 의사결정 피로나 번아웃을 유발한다. 본 논문은 이러한 한계를 보완하기 위해 사용자의 수행 패턴을 학습하여 상황에 따라최적의 순서를 제안하는 적응형 시퀀싱 모델을 제안한다. 제안 모델은 문맥적 멀티암드 밴딧(Contextual Multi-Armed Bandit, MAB)을 활용해 인지 부하를 고려한 경로를 탐색하며, 이론적 분석을통해 정적인 방식보다 더 높은 성과를 낼 수 있음을 보였다. 본 연구는 ADHD 성향 개인의 지속성을 지원하는 새로운 보조 시스템의 가능성을 제시한다.

본 논문은 EXID (Explainable Artificial Intelligence for Diet) 모델을 제안한다. EXID는 CatBoost와 SHAP을 결합하여 비만 수준을 분류하고, 생활 습관 요인의 영향을 설명한다. 특히, 2단계 변수 선택법(초기 학습-중요도 탐색-재학습)을 적용하여 정확도와 해석 가능성을 동시에 향상함으로써 기존 모델과 차별성을 확보하였다. 분석 결과, 가족력, 식습관, 연령, 성별 등이 핵심 변수로 확인되었으며, 이는 단순 예측을 넘어 개인 맞춤형 관리 전략 제시에 활용할 수 있음을 보여준다.

AI 채용 평가는 비대면 전형 확산과 공정성 요구 속에서 현대 기업의 핵심 과제로 자리 잡고 있으며, 이를 위해서는 높은 예측 정확도와 결과 해석의 투명성이 함께 요구된다. 본 연구는 CatBoost와 SHAP을 결합하여 AI 채용 평가에서 예측 정확도와 설명 가능성을 동시에 확보하는 것을 목적으로 한다. 실험 결과, CatBoost 모델의 RMSE, MAE, R²는 각각 2.256, 1.677, 0.990으로 우수한 성능을 확인하였으며, SHAP 해석을 통해 경력 연수와 프로젝트 수가 핵심 요인임을 규명하였다. 특히 What-If 시뮬레이션을 통해 최저 점수 지원자의 조건을 조정하였을 때 AI Score가 20점에서 87.5점으로 향상됨을 확인함으로써, 단순 중요도 분석을 넘어 지원자 역량 개선의 방향성을 제시할 수 있음을 입증하였다.

UN 지속가능발전목표(SDG 3.1)는 2030 년까지 전 세계 산모 사망률(MMR)을 출산 10 만 명당 70 명 미만으로 낮추는 것을 목표로 한다. 본 연구는 2011~2016 년 국가 단위 자료를 활용하여 여성 교육, 보건 지출, 영양 상태의 상호작용을 분석하였다. 랜덤 포레스트와 SHAP 결과, 여성 중등교육 등록률이 핵심 요인으로 나타났으며, 특히 등록률 75% 이상에서는 보건 지출 수준과 관계없이 MMR 이 30~75 수준으로 안정화되었다. 반대로 40~50% 이하에서는 MMR 이 높게 유지되며 보건 지출의 영향력이 크게 작용하였다. 이는 여성 교육과 보건 지출을 통합적으로 확대하는 전략이 SDG 3.1 달성에 이바지할 수 있음을 보여준다.

본 연구는 저출산 시대와 인구 고령화로 인한 의료 서비스 수요 구조 변화로 인한 초음파 의료기기 장비의 판매량을 예측하기 위해 제안한다. 최근 부상하고 있는 의료기기의 업계에서 국내 초음파 장비 판매 기업들의 전망을 알아볼 수 있다. Long Short-Term Memory (LSTM), Gated Recurrent Unit(GRU), Transformer 을 적용하여 장비 판매량을 예측하는 방법을 제안하고, 실제 병원에 설치된 초음파 장비수 데이터를 토대로 예측 성능을 분석한다. 의료기기 판매 예측을 통해 의료 산업의 전략적인 의사결정의 기초 자료에 활용에 목적을 둔다. 결론적으로 세 개의 신경망 중 Transformer 기반 예측 모델의 성능이 가장 우수함을 실험적으로 확인하였다.

본 연구는 PPO(Proximal Policy Optimization) 기반 강화학습을 활용하여 퇴직연금 자산배분 전략을 연구하였다. 절대오차 최소화, 목표 초과 달성, 샤프 기반, 목표 구간 내 보상 등 다양한 보상함수를 비교하였다. 실험 결과, 절대오차 최소화 보상함수가 가장 우수하고 안정적인 성과를 보였다. 다만 explained variance 가 낮아 정규화 및 보상 스케일링을 통한 개선이 필요하다. 향후 연구에서는 거래비용 반영, 리스크 제어, 다중 목표 학습, 비정형 데이터 활용이 요구된다.

본 연구는 Baltic Dry Index(BDI)를 중심으로 주요 해운·원자재 지표 데이터를 수집하고, 이를 기반으로 로그 수익률 변환 및 Gaussian Mixture Model(GMM) 기반의 국면 분류를 수행하는 것을 목표로 한다. 특히, 해운경기의 변동성을 반영하는 BDI를 활용하여 경기 사이클을 구분하고, 이를 정량적으로 분석함으로써 시장 구조 및 패턴을 이해하는데 기여하고자 하였다.

신제품 의류 수요 예측은 과거 판매 이력이 없어 예측 난이도가 높은 문제다. 본 연구는 제품 이미지, 의류 도메인 특화 BLIP 캡션, 시계열 판매 데이터를 결합한 Cross-Attention 기반 멀티모달 모델(CrossAttnRNN)을 제안한다. 각 모달리티는 CNN(이미지), BERT(캡션), GRU(시계열) 인코더로 임베딩되며, 이미지·텍스트는 Cross-Attention과 contrastive loss(임베딩 유사도 학습)로 의미 정렬 후 융합된다. 특히 캡션의 도메인 적합성이 예측 성능에 미치는 영향을 정량적으로 분석한 결과, 의류 도메인 특화 BLIP 캡션과 범용 BERT 조합이 MAE 0.94, WAPE 84.72%로 최적 성능을 기록하며 전통적 시계열 모델보다 우수했다. 실험 결과, 캡션의 품질과 도메인 적합성이 모델 성능의 핵심 요인임을 확인하였으며, 정적·동적 정보를 융합한 Cross-Attention 기반 모델이 패션 신제품 수요 예측에 효과적임을 확인하였다.

SEO 점수, Metadata, domain_age, 웹 성능 지표를 활용하여 악성 URL을 정밀하게 분류하는 다중클래스 모델을 제안했다. LightGBM과 Optuna 최적화를 적용해 기존 대비 F1-score를 81%에서 92%로 향상시켰다. domain_age와 웹 성능 지표가 탐지 성능 향상에 핵심적으로 기여하였으며, 실시간 보안 솔루션 적용 가능성을 확인했다.

유튜브는 개인부터 기업·공공기관까지 활용이 급증하며 방대한 영상 데이터와 치열한 경쟁 환경을 형성하고 있다. 따라서 본 연구에서는 메타데이터, 자막, 썸네일을 포함한 데이터를 수집·분석하여 영상 조회수를 예측하는 모델을 제안하였다. 제안된 모델은 Baseline 대비 향상된 성능을 보였으며, 주요 영향 요인으로 제목 토픽, URL, 업로드 규칙성, 썸네일 요소 등이 확인되었다. 결과적으로 본 연구 결과를 활용하여 데이터 기반 콘텐츠 전략을 수립할 수 있으며, 이는 향후 추천 시스템 개선, 콘텐츠 기획 자동화 연구의 기초 자료로 활용될 수 있다.

최근 자영업자 수는 매출 부진과 원자재 가격 상승 등의 이유로 급격히 감소하고 있으며, 많은 자영업자가 폐업을 고려하고 있다. 본 연구는 이러한 문제를 해결하기 위해 서울시 공개 데이터를 활용하여 K-평균 알고리즘을 사용해 서울시 지역을 259개의 소지역으로 군집화한 뒤, 군집별로 유동 인구, 매출 등 다양한 정보를 수집하고, 이를 기반으로 회귀 모델을 구축하여 군집별 매출을 예측하였다. 그 결과, 변수별 상관관계 및 중요도 분석을 통해 매출에 영향을 주는 주요 요인을 도출할 수 있었다.

Transformer의 self-attention 메커니즘은 O(n²) 복잡도로 인해 긴 시퀀스 처리에 제약이 있다. 대표적인 dense attention 모델인 BERT는 계산 복잡도로 인해 최대 512 토큰만 처리 가능하여 긴 문서 분석이나 시계열 데이터의 장기 패턴 탐지가 불가능하다. 긴 시퀀스 처리를 위해 sparse attention 모델이 제안되었으나, 성능 분석은 이론적 복잡도나 downstream task의 정확도 평가에 집중되어 있고 실제 학습 및 추론 속도에 대한 체계적 벤치마크는 부족한 실정이다. 본 연구는 BERT, Longformer, BigBird 등 3개 범용 Transformer 모델의 처리 성능을 다양한 토큰 길이와 배치 크기에서 측정하고 각 모델의 성능 특성을 분석하였다. 실험 결과, 512 토큰 이하의 시퀀스에서는 BERT와 BigBird가 높은 처리 성능을 보였으며, 512 토큰을 초과하는 긴 시퀀스의 경우 추론은 BigBird가, 학습에서는 Longformer가 효율적임을 확인하였다.

본 연구에서는 주어진 문서에서 목차 구조를 자동으로 정확하게 추출하기 위해 LLM 기반 모델인 Qwen2.5-3B-Instruct을 사용하여 파인튜닝 한 모델과 하지 않은 모델을 비교 분석하였다. 실험 결과, 파인튜닝한 LLM 모델은 주어진 문서 환경에서 파인튜닝 전 모델보다 뛰어난 구조적 일치도를 달성하였다.

본 연구는 블록체인 관광 보고서 기반의 527 개 질의응답(QA) 데이터셋으로 DeepSeek-R1-Distill-Qwen-14B 모델을 도메인 특화 파인튜닝 하고, 그 성능을 Precision 지표로 검증했다. 본 연구는 제한된 컴퓨팅 자원 환경 하에서도 도메인 특화 파인튜닝의 효과성을 실증적으로 검증함으로써, 향후 특정 분야에 특화된 LLM 개발에 있어 실용적 지침을 제공할 수 있을 것으로 기대된다.

최근 온라인 환경에서 밈(meme)이 중요한 소통 수단으로 자리 잡으면서, 혐오 발언이나 모욕적 표현을 담은 부정적 밈에 대한 분석의 필요성이 커지고 있다. 기존 연구들은 대부분 영어권에 집중되었고, 텍스트 분석에 의존하거나 특정 이슈에만 국한되어 다양한 유형의 콘텐츠를 포괄적으로 다루는 데 한계가 있었다. 본 연구는 이러한 한계를 극복하고자 한국의 독특한 밈인 짤방을 대상으로 컴퓨터 비전 기반 접근법을 제안한다. 이를 위해 폭력성, 선정성, 비하/비방 등 다양한 카테고리로 라벨링한 한국어 밈 데이터셋을 구축하고, 제안 모델은 객체 탐지 모델인 Mask R-CNN과 특징 추출모델인 EfficientNetV2를 결합한 하이브리드 아키텍처로, 이미지 내 시각적 정보를 효과적으로 분석한다. 실험 결과, 제안 모델은 이진 및 다중 분류에서 기존 모델 대비 우수한 성능을 보였다. 본 연구는 한국어 밈 연구의 새로운 방향을 제시하고, 온라인 유해 콘텐츠 분류에 기여할 것으로 기대된다.

In this paper, we propose a visual robustness-based two-stage training method for audio-visual sound event localization and detection. Real-world visual information suffers from uncertainty due to lighting changes and occlusions, causing performance degradation in audio-visual fusion. We propose a two-stage approach that integrates consistency loss within ADPIT permutation selection process. The first stage performs basic ADPIT learning, while the second stage conducts EMA-based consistency learning with visual noise injection. Experimental results on DCASE 2023 Task 3 dataset demonstrate significant improvements in all metrics, confirming enhanced performance under visual uncertainty conditions.

개인 채무 불이행의 정확한 예측은 금융 시스템 안정성의 핵심 과제이다. 본 연구는 한국신용정보원(KCIS)의 대규모 AI 학습 데이터를 활용하여, 행동적·시계열적 특징을 추출하고, 이를 기반으로 LightGBM, DeepGBM, TabNet 등 많이 활용되는 머신러닝 및 딥러닝 모델의 성능을 비교 검증하였다. 실험 결과, 제안된 특징 정보를 활용했을 때 모델 성능(LightGBM,)이 0.796에서 0.851로 크게 향상되었다(AUC 기준). 다양한 모델 비교에서는 LightGBM 이 AUC 0.851 로 가장 우수한 판별력을 보였으나, 실제 부실 탐지에 중요한 F1-Score 는 DeepGBM 이 0.385 로 가장 우수했다. 또한, SHAP 기반 XAI 분석을 통해 최근 3 개월 신용카드 사용률, 평균 대출 금리, 총 대출 건수 등이 채무 불이행의 핵심 예측 변수임을 확인하였다. 본 연구는 정교한 특징 기반 기계학습 모델의 선택적 활용이 리스크 관리 시스템을 강화할 수 있음을 입증한다.

인체의 내부 구조와 상태를 촬영한 의료 영상은 질병 진단과 치료 계획 수립에 중요한 역할을 하지만, 형태와 패턴이 다양하고 복잡하여 진단에 많은 시간이 소요된다. 이에 대한 대안인 의료 이상 탐지 기술은 주어진 의료 영상에서 뇌종양과 같은 이상을 식별하는 것을 목표로 한다. 기존 의료 이상 탐지 방법은 재구축 모델을 활용해 입력 영상의 복원 오차를 측정하고 오차에 따라 이상 여부를 판단했으나, 별도의 임곗값을 설정해야 하며, 식별된 이상 부위를 표현할 수 없었다. 최근 등장한 대형 비전-언어 모델(LVLM)은 자연어 질의를 바탕으로 입력 영상을 이해하고 추론한 내용을 자연어로 대답할 수 있어 의료 이상 탐지를 위한 잠재적인 대안이 될 수 있지만, 일반적인 이미지를 중심으로 사전 학습하여 의료 영상을 이해하는 데 한계가 있다. 이를 해결하기 위해, 본 논문에서는 이미지를 LLM에 입력할 수 있도록 변환하는 임베딩 변환기와 이상 위치 감지를 위한 디코더를 LVLM에 결합하여, 자연어 질의 기반의 이상 판별과 이상 부위 시각화를 동시에 수행하는 의료 이상 탐지 기법을 제안한다. 의료 영상 데이터셋에 대한 비교 실험을 통해 제안된 기법이 기존 재구축 기반 의료 이상 탐지 방법보다 우수한 성능을 보임을 입증한다.

본 연구에선 LLM 모델에 In-Context Learning 을 적용하여 구동기의 전류 데이터를 통해 이상탐지 분류 시스템을 제안한다. 특히 Gemma-3-4B,12B 를 활용하여 정상, 축정렬 불량, 베어링 불량을 분리한다. 데이터 전처리로는 Hampel Filter 를 사용하여 전류에서 나오는 노이즈를 제거 하였고, 이 과정 후 Silding Window 중 특성을 가장 잘 표현한 L = 21 값을 선택하여 In-Context Learning 에 적용하였다. 기존 Sliding Window 데이터를 넣기에는 토큰 수의 한계가 있어, Window 의 통계적 특성을 뽑아 적용하였다. In-Context Learning 의 방법인 Zero-Shot, One-Shot, Adaptive Few Shot 을 활용하여 정량적인 방법으로 비교 실험 하였다. 실험 결과 Adaptive Few Shot 을 적용 시 Zero Shot, One Shot 보다 성능이 유의미하게 개선되었다.

자율주행 시스템의 도로 주행 환경 인식 모델은 사각지대 등 시야가 제한된 상황에서 성능이 저하된다. 본 연구는 제한된 시야 환경의 이미지 의미론적 분석에서 다양한 유형의 언어 가이던스의 효과성을 분석한다.

본 논문은 Python 기반의 고성능 웹 프레임워크인 FastAPI 의 실시간 멀티 모달 영어 면접 컨설팅 시스템을 설계 및 구현한다. 웹캠 및 마이크로 디바이스로부터 실시간 수집된 영상과 음성 데이터를 세션 단위로 동기화하여 처리하며, OpenCV 를 활용하여 프레임 기반 저장과 mp4 형태로의 변환으로 웹 미디어 포맷 호환성을 확보한다. 직접 학습한 VGG16 표정 분석 모델, CNN 기반 음성 평가 모델, Whisper 음성 인식, TED 데이터 셋으로 파인튜닝한 맞춤형 언어 교정 모델을 함수형 API 형태로 통합하여, 각 모달리티의 분석 결과를 정량적으로 수치화하고 GPT 기반 AI 피드백 생성에 활용한다. 제안한 다중 모달 데이터 통합 및 실시간 분석 파이프라인을 통해 영어 면접 준비에 실용적이고 효과적인 지원을 제공한다.

대형언어모델(LLM)은 다양한 과제에서 우수한 성능을 보였으나, 사실과 다른 응답을 생성하는 환각(hallucination) 문제가 지속적으로 제기되어 왔다. 이를 보완하기 위해 제안된 RetrievalAugmented Generation(RAG) 프레임워크 또한 환각을 완전히 방지하지 못한다는 점이 보고되었다. 본 연구에서는 이러한 문제를 해결하기 위해 가우시안 프로세스(GP)로 구현한 환각 검출 모델을 제안한다. 제안한 모델은 RAG 파이프라인의 생성 이후 단계에서 동작하며, 질의-문맥-응답으로부터 임베딩, 의미 유사도, 응답 길이 등의 특징을 추출하여 GP 기반 분류기에 입력한다. GP 는 이 특징 벡터를 기반으로 환각 여부를 판별하고, 동시에 불확실성을 정량화 한다. GP 는 예측 확률을 사후분포의 기대 값으로 정의하여 신뢰성 있는 불확실성 추정을 가능하게 하며, 희소 GP 적용 및 딥커널 특징 추출기 결합을 통해 계산 효율성을 확보할 수 있다. RAGTruth 데이터셋(QA Task)을 활용한 실험결과, GP 모델은 MC Dropout 및 Deep Ensemble 대비 Brier Score 와 NLL 에서 낮은 값을 보여 불확실성 정량화 관점의 대안이 될 수 있음을 확인하였다. 이는 제안한 접근이 RAG 시스템의 신뢰성을 높일 수 있는 응용 기능에 활용될 수 있음을 시사한다.

딥러닝 모델 효율화를 위한 원샷 프루닝은 점진적 프루닝에 비해 효율적이지만, 최적의 전략을 사전에 결정하기 어렵다는 한계가 있다. 본 논문에서는 이를 해결하기 위해, 실제 프루닝에 앞서 필터 민감도 분석과 성능 피드백을 통해 레이어별 최적의 프루닝 전략을 탐색하는 기법을 제안한다. 이렇게 탐색된 최종 전략을 적용해 모델을 단 한 번에 프루닝함으로써, CIFAR-100 데이터셋과 ResNet 모델 기반 실험에서 높은 압축률을 유지하면서도 안정적인 성능을 보장함을 입증하였다.

본 연구는 New Plant Diseases Dataset 기반 38개 클래스의 잎 이미지로 구성된 데이터셋(학습 70,295장, 검증 17,572장)을 사용해 커스텀 CNN과 사전학습 VGG16/ResNet50/EfficientNet-B0의 미세조정(fine-tuning)을 공정 비교했다. Accuracy, Macro-Precision, Macro-Recall, Macro-F1을 성능평가표를 통해 비교 제시한다. 전반적으로 사전학습+미세조정 모델이 기준선 대비 성능 우위를 보였으며, EfficientNet-B0는 경량 대비 최고 성능으로 성능-효율 균형이 가장 우수했다.

본 연구는 클래스 불균형이 심각한 의료 데이터를 대상으로 이의 완화를 위해 데이터 증강을 결합한 리샘플링 전략을 제안한다. 기존 언더샘플링은 데이터 다양성 저하, 오버샘플링은 중복 샘플 증가 문제를 초래하여 성능 개선에 한계가 있다. 이에 폐 결절 데이터 LUNA16 을 활용해 제안 전략이 기존 기법 대비 정확도 포함 총 6 개 지표에서 가장 우수한 성능을 보장함을 검증하였다.

대규모 언어 모델(LLM)은 다양한 자연어 처리 과제에서 탁월한 성능을 보이지만, 추론 과정에서 발생하는 높은 연산 비용과 긴 지연 시간은 실시간 응용 분야에 심각한 제약으로 작용한다. 본 논문은 이러한 문제를 해결하기 위해, 질의의 의미적 유사성을 기반으로 KV 캐시를 사전에 생성하고 이를 효율적으로 재사용하는 시스템을 제안한다. 제안 방식은 크게 두 단계로 나누어진다. 우선 전처리 단계에서 Sentence-BERT 임베딩과 Spectral Clustering을 활용하여 질의를 의미적으로 군집화하고, 각 군집에 대한 대표 캐시를 미리 구축한다. 이후 실시간 추론 시에는 새로운 질문을 이미 생성된 군집 중에서 가장 유사한 군집을 찾아 매핑한다. 캐시를 즉시 불러오는 과정을 통해, 불필요한 LLM 연산을 줄이고 응답 속도를 극대화한다. 실 사용 중인 금융 QA 데이터 셋을 활용하여 실험한 결과, 본 시스템은 기존 Cache-Augmented Generation(CAG) 접근법과 비교하여 눈에 띄는 성능 향상을 보였다. 구체적으로, 응답시간은 99.63% 단축해 평균 3.66초에서 0.0134초로 줄였다. 이는 처리량(QPS)을 273배 증가시킨 74.63QPS에 해당하는 성능이다. 이러한 성과는 본 논문에서 제안하는 시스템이 대규모 데이터 환경에서도 안정적으로 동작하며, 실용적으로 활용할 수 있음을 보여준다.

본 연구는 병해 데이터 부족 문제를 해결하기 위해 합성 데이터 생성과 비정상 탐지 기반 알고리즘을 결합한 새로운 병해 판별 방법을 제안한다. SAM2, Poisson blending 그리고 생성 모형을 활용하여 실제와 유사한 병해 이미지를 합성하고, 이를 정상 데이터와 함께 학습에 활용하였다. AnomalyCLIP 을 통해 병해 발생 부위를 heatmap 으로 시각화하였고, 해당 heatmap 을 입력으로 합성곱 신경망 기반 판별기를 학습하여 성능을 향상시켰다. 실험 결과, 제안된 방법은 기존 모형 대비 비정상 데이터 판별 성능에서 우수한 결과를 보였으며, 실제 환경에서의 병해 조기 탐지 가능성을 확인하였다.

인간-컴퓨터 상호작용(HCI), 증강현실(AR), 가상현실(VR) 기술이 발전함에 따라, 실시간 손동작 인식 기술의 중요성이 커지고 있다. 특히 1인칭 시점의 손동작 인식 기술은 사용자 친화적인 모델을 구축한다는 의미가 있지만, 영상의 각도 등으로 인해 self-occlusion 현상이 빈번하게 발생하기에 기술적 어려움이 존재한다. 본 논문에서는 이러한 문제를 해결하기 위해 어텐션 메커니즘에 기반한 멀티모달 퓨전 모델을 제안한다. 모델은 두 가지 입력 형태를 갖는다. 첫 번째 스트림은 비디오 프레임으로부터 3D-CNN 모델을 통해 시각적·공간적 특징을 추출하고, 두 번째 스트림은 MediaPipe를 통해 얻은 손의 관절 좌표로부터 움직임을 학습한다. 추출된 두 특징 벡터는 어텐션 메커니즘을 통해 동적으로 Fusion 되어 최종 특징을 생성한다. 본 모델을 통해 자체 구축한 1인칭 손동작 데이터 셋을 이용해 실험한 결과, 높은 인식 정확도를 보였으며 실시간 환경에서도 높은 인식률을 보여주었다. 본 연구는 1인칭 시점에서 기기와의 상호작용을 위한 효과적인 손동작 인식 방법론을 제시하였다는 의의를 갖는다.

Rapid advances in AI have enabled realistic virtual characters with applications in gaming, education, and entertainment. Audio-driven talking face generation remains challenging due to issues in image fidelity and natural blinking. We propose HifiDiff, a conditional diffusion framework that takes reference frames, masked faces, audio, and blinking cues to produce high-quality avatars. Our method achieves enhanced visual realism, accurate lip-sync, and natural eye blinking, outperforming prior approaches. Extensive experiments on CREMA-D demonstrate its effectiveness, highlighting its potential to advance expressive and controllable talking face generation.

다중 뷰 학습은 서로 다른 관점에서 얻은 데이터를 통합하여 일반화된 표현을 학습하는 방법으로, 표현의 강건성 측면에서 주목받고 있다. 그러나 기존 접근은 각 뷰를 단일 범주로 정렬함으로써 의미적 정보 손실을 초래하고, 학습된 표현을 실제 태스크에 적용하기 위해 추가적 전이 학습 과정을 필요로 한다는 한계가 있다. 본 연구에서는 이러한 한계를 극복하기 위해, 미니배치 기반 태스크 전환 기법을 도입하여 다중 뷰 표현 학습과 전이 학습을 통합 구조 내에서 동시에 수행하는 알고리즘을 제안한다. 또한 뷰별 신뢰성을 반영하기 위해 증거 기반 심층 신경망(Evidential Deep Neural Networks)을 활용하여 불확실성을 정량화 하였다. 다중 뷰·다중 태스크 학습 방식은 실험을 통해 정보 보존 및 불확실성 처리에서 우수성을 입증하였으며, 학습 구조의 효율성을 향상시켰다. 본 연구는 다중 뷰 학습의 표현력 확장과 학습 구조의 효율성 개선이라는 두 가지 측면에서 기여한다.

본 연구는 제로샷 참조 이미지 분할(Zero-Shot Referring Image Segmentation)에서 방향 정보를 효과적으로 처리하기 위한 새로운 접근법을 제시한다. 기존 연구는 CLIP 을 기반으로 이미지와 텍스트의 지역과 전역 특성을 융합하여 활용했으나, 참조 문장에 포함된 방향 정보를 정밀하게 반영하지 못하는 한계를 보였다. 이를 보완하기 위해 본 연구에서는 두 가지 개선 전략을 도입하였다. 첫째, Segment Anything Model(SAM)을 활용하여 객체 단위에서 더욱 정밀한 마스크를 생성함으로써 분할 품질을 높였다. 둘째, 바운딩 박스 좌표를 기반으로 한 방향 인지 알고리즘을 추가하여 텍스트 내 방향 정보를 명시적으로 처리하도록 하였다. 제안한 모델을 RefCOCOg 데이터셋을 활용해 실험했을 때, 기존 방법론 대비 mIOU 가 5.80 증가하는 등 개선된 성능을 확인할 수 있었다. 이러한 실험 결과는 단순한 구조 개선만으로도 제로샷 참조 이미지 분할에서 방향 인지 능력을 효과적으로 보완할 수 있음을 보여주며, 향후 다양한 시각-언어 응용 분야로의 확장 가능성을 시사한다.

기존 Online-to-Offline(O2O) 서비스 연구는 주로 단일 도메인에 국한되어 거래 건수 예측에 한계가 있었다. 본 연구에서는 실제 플랫폼 데이터를 활용해 텍스트, 이미지, 메타데이터를 포함한 데이터셋을 구축하고, Attention 기반 O2O 서비스 거래 건수 예측 모델을 제안하였다. 실험 결과, 기존 최신 멀티모달 모델 대비 우수한 성능을 보였으며, 불균형 데이터 환경에서도 안정적 거래 예측이 가능함을 확인하였다. 특히 불균형 데이터 환경에서도 안정적 성능을 입증하였다. 이러한 결과를 통해 온라인 정보가 실제 오프라인 거래 건수와 밀접히 연관됨을 확인하였으며, 플랫폼 운영자와 서비스 제공자에게 실질적 전략적 시사점을 제공할 수 있을 것으로 기대된다. 본 연구는 O2O 서비스 플랫폼 운영자와 서비스 제공자에게 전략적 시사점을 제공함과 동시에, 데이터 기반 의사 결정을 지원할 수 있는 실용적 도구로 기여할 수 있음을 보여준다.

본 논문은 고추의 건조도를 정확하게 예측하기 위해 이미지 데이터와 시간데이터를 결합한 멀티모달 방식을 제안한다. 기존 이미지 기반 예측은 건조 후반부에서 정확도가 저하되는 한계가 있었으며, 이를 보완하기 위해 이미지 특징과 시간 데이터를 융합하고, 시간 차원의 확장과 가중치 조정을 통해 건조 진행의 동적 특성을 반영한다. 실험 결과, 멀티모달 모델은 단일 이미지 기반 모델보다 평균 3.07% 더 낮은 SMAPE 값이 나오며 우수한 성능을 보였다. 이를 통해 멀티모달 모델이 건조도 예측에 효과적으로 활용될 수 있음을 확인하였다.

본 연구는 자율주행차용 비전 기반 객체 및 차선 인식 기술을 개발하고, 기존 시스템의 한계를 넘어 포트홀까지 탐지 범위를 확장한 프로젝트이다. 인식된 포트홀은 라즈베리파이와 GPS 모듈을 통해 좌표를 기록하고, 반경 30m 내 차량에 경고를 제공하며 경찰 및 관련 기관에 정보를 전달해 신속한 보수 조치가 가능하도록 하였다. 나아가 추후 사고를 방지하기 위해 포트홀 정보를 기반으로 실시간 우회 경로를 생성하는 길찾기 기능을 추가하여 주행 안전성을 한층 강화하였다. 이러한 기술적 시도는 자율주행차의 안전성과 신뢰성을 향상시키는 동시에, 향후 ADAS 고도화와 스마트 교통 인프라 연계에도 기여할 수 있는 방향을 제시한다.

최근 GPT 시리즈, Anthropic의 Claude, Google의 Gemini 등 첨단 대규모 언어 모델(LLM)이 소프트웨어 개발에서 코드 생성에 활발히 활용되고 있다. 본 연구에서는 Claude Sonnet 4, Gemini 2.5 Pro, GPT-5 세 모델이 동일한 요구사항으로 생성한 코드를 비교 평가하였다. "가챠 무인 판매기-장치 등록 시스템" 요구사항을 1차(간략 설명)와 2차(세부 명세)로 나누어 각 모델에 제공하였으며, 입력검증, 오류처리, 보안, 로직 구현의 정확성·가독성, 모듈화, RESTful URI 설계, 응답 구조, 확장성 등 항목별로 10점 척도 평가 후 가중치를 적용하여 종합점수를 산출하였다. 실험 결과 Claude Sonnet 4가 가장 높은 성능을 보였으며, GPT-5는 요구사항이 상세해질수록 급격히 향상되었고, Gemini 2.5 Pro는 단순 구현 특성으로 인해 개선폭이 작았다. 본 연구는 대규모 언어 모델의 코드 생성 능력을 정량적으로 비교함으로써 적절한 모델 선택과 활용 지침을 제공하는 것을 목적으로 한다.

대규모 언어모델(LLM)은 사실과 다른 정보를 생성하는 환각(Hallucination) 문제가 빈번히 발생하여 실제 응용의 신뢰성을 저해한다. 본 연구는 한국어 환경에서 KT 믿음 LLM이 환각 억제에 미치는 효과를 정량적으로 검증하였다. 일반상식, 한국사, 법·행정, 과학기술, 의료 분야를 포함한 500문항 질문 데이터셋을 구축하고, LG AI Research의 EXAONE 7.8B 및 Upstage AI의 SOLAR-10.7B와 비교하였다. 평가 지표로는 출처 존재율(AR), 출처 정확도(AA), 문장 정합도(EN), 환각률(HR)을 측정하였다. 실험 결과, KT 믿음 LLM은 모든 지표에서 우수한 성능을 보였으며, 검색증강(RAG) 결합 시 HR이 0.07까지 감소하였다. 이는 법률·의료·행정 등 고신뢰 응용에서 활용 가능성을 높인다.

실시간 군중 집계(Crowd Counting)는 군중 붕괴 등의 안전사고 예방을 위해 필수적인 기술이다. 지연 시간을 낮추고 현장에서 즉각적인 대응을 가능하게 하려면 종단 기기(Edge Device)에서 직접 추론을 하는 것이 효과적이다. 본 연구는 기존 합성곱 신경망(CNN, Convolutional Neural Network)이 주도하는 이 분야에 상태 공간 모델(SSM, State Space Model) 기반의 Vision Mamba(Vim) 아키텍처를 적용하여 새로운 가능성을 탐색한다. ShanghaiTech와 UCF-QNRF 데이터셋을 이용한 정확도 비교 실험에서, 제안 모델은 CNN 모델과 대등한 정확도를 보이면서도 추론 속도는 약 21% 단축했으며, 메모리 사용량은 27% 수준으로 대폭 감소시키는 등 뛰어난 효율성을 달성했다. 이는 SSM이 실시간 군중 집계 작업에 있어 강력한 잠재력과 실효성을 가졌음을 입증한다.

ASR (Automatic Speech Recognition)이 상당한 수준으로 발전한 가운데 최근 립리딩 AVSR(Audio-Visual Speech Recognition) 모델의 성능도 크게 향상되고 있다. 그러나 한국어 립리딩 AVSR 연구는 아직 제한적이다. AIHUB의 립리딩(입모양) 음성인식 데이터 공개로 연구 기반은 마련되었으나, 후속 연구는 아직 활발하지 않다. 본 논문은 AVSR의 최신 구조를 한국어에 적용하였다. 한국어의 특성을 고려하여 토크나이즈를 음절 단위와 자모 단위로 이원화하고 AIHUB 데이터에 맞게 오디오와 비디오의 프레임을 매치시켰다. 오디오·비디오 인코더 결과는 MLP 대신 Cross-Attention으로 결합하고, 학습·추론 부담을 낮추기 위해 경량화를 적용하였다. 실험 결과, 기존 AIHUB 기반 모델보다 성능이 우수했다.

최근 거대언어모델(Large Language Model)에 기반한 에이전트 모델의 연구가 활발하게 이루어지고 있다. 본 논문은 이러한 LLM 기반이 자신의 행동의 실패를 인지하고 계획을 다시 수립할 수 있도록 하는 메타인지적 기능에 대한 연구를 다룬다. 본 연구에서 LLM 에이전트는 계획 단계에서 행동의 결과에 대한 기대를 출력하고, 이후 관측 결과와 행동이 일치하는지 여부에 따라 계획을 수정한다. 이는 별도의 검증 데이터셋을 요구하지 않으며 LLM 의 확장성을 극대화할 수 있는 방법이다. ScienceQA, Mathvista, MMMU 세 가지 벤치마크에서 본 논문에서 제안하는 방법이 메타인지를 수행하지 않는 방법에 비해 효과가 있음을 확인할 수 있었다.

TinyBERT 의 중간층 증류는 교사 모델의 레이어를 학생 모델의 레이어와 1:1 로 대응시켜 수행된다. 본 연구에서는 이러한 중간층 증류 방식을 확장하여, 각 학생 레이어에 대해 교사 모델의 여러 레이어를 가중합 하여 증류하고, 학습 과정에서 해당 가중치를 동적으로 업데이트하는 전략을 제안한다. 이를 통해 모델의 성능을 향상시킬 수 있었으며, 태스크 특성에 적합한 교사 레이어 조합을 활용하는 적응적 지식 증류(Adaptive Knowledge Distillation)의 가능성을 검증하였다.

본 논문은 현대 사회의 바쁜 일상 속에서 증가하는 정신 건강 문제에 대응하기 위해, Agentic AI를 활용한 CBT(Cognitive Behavioral Therapy, 인지행동치료) 기반 비대면 심리상담 및 치료 연계 시스템을 제안한다. 제안 시스템은 Vision AI로 사용자의 착좌 여부를 인식하고, 비대면 환경에서 CBT 챗봇을 통해 심리 상담을 진행한다. 상담 과정에서 발화 패턴을 분석하여 개인화된 상담 리포트와 감정 분석 그래프를 제공한다. 또한, 상담 치료가 미비하거나 대면 진료가 필요한 경우 Agentic AI가 오프라인 상담 치료사 예약을 자동 연계한다. 본 시스템은 기존 단순 상담 서비스의 지속 사용성 저하 문제를 보완하고, 사용자 접근성·상담 참여 지속성·치료 연계성을 향상시킴으로써, 사용자의 스트레스 완화, 집중력 향상, 정신 건강 증진 등의 효과를 기대할 수 있다.

본 논문은 반려견 중 특히 노견들을 케어하기 위한 데이케어 어플리케이션을 개발하였다. 양육자들의 경제적인 부담을 줄이고 서로 소통할 수 있는 커뮤니티 기능과 반려견들의 운동량 증진을 유도하는 산책 경로 기록 기능, AI를 활용해 의료 문제를 상담하는 챗봇 기능을 구현하였다.

대규모 언어 모델(LLM)은 다양한 자연어 과제에서 뛰어난 성능을 보이지만, 단일 스토어 기반 검색 과정에서 발생하는 스토어 오염과 단일 에이전트 의존성으로 인한 한계가 존재한다. 본 연구는 이러한 문제를 해결하기 위해, MMDS(mediator-based MAS with distributed store)라는 새로운 멀티 에이전트 프레임워크를 제안한다. MMDS는 중재자 에이전트가 복합 질의를 분해하고, 관련성이 높은 도메인 에이전트만 토론에 참여하도록 조율하여, 불필요한 응답을 제거하고 보다 신뢰성 있는 결과를 도출한다. 금융, 과학, 의학, 영양 등 다양한 데이터셋에 대한 복합 질의를 기반으로 평가한 결과, 제안한 MMDS는 타 기법들에 비해 추론 과정에 필수적인 정답 문서의 검색 정확도를 최대 8 배 개선함을 확인하였다.

실제 이미지에 포함된 텍스트 (Scene Text)의 실시간 번역 수요가 급증하고 있으나, 기존 연구들은 원본의 스타일과 배경과의 조화를 고려하지 않고 단순히 텍스트를 변환하는데 그쳐 시각적 일관성을 보장하지 못하는 한계가 있었다. 이에 본 연구는 이미지 내 영문 텍스트를 국문으로 번역 후 원본의 스타일을 유지하며 자연스럽게 텍스트를 대체하는 엔드투엔드 시스템 Translating Text in Wild(TTiW)을 제안한다. PaddleOCR 기반 텍스트 인식, NLLB 기반 영-한 번역, SRNett++ 기반 장면 편집 모델을 통합하여 한국어 scene text 데이터셋에 대한 학습을 통해 번역 품질을 최적화하였다. 실험 결과, 이미지 유사도 평가 지표인 SSIM에서 0.87로, 기존 한국어 Scene text editing 모델의 점수인 0.61 대비 약 42.6% 향상된 성능을 달성하였다. 또한 이를 웹 기반 시스템으로 확장시켜, 사용자 선호도 3.4/5.0을 달성하며 실용성을 입증했다.

본 논문은 고양이 얼굴 인식 기반 스마트 급식기의 FPGA CNN 가속기를 설계했다. 저사양 에지 컴퓨팅 환경에서 CNN 모델의 실시간 추론 성능을 확보하기 위해 ZYNQ FPGA를 활용한 Offloading Architecture를 개발하였다. CNN 연산 가속을 위해 FPGA의 Programmable Logic(PL)에 16-병렬 MAC 연산기를 채택하여 연산 부하를 효과적으로 분산시켰다. 또한, Weight-Stationary Dataflow 및 Weight Double Buffering 기법을 적용함으로써 온칩 메모리 활용 효율을 극대화하고 데이터 전송으로 인한 병목 현상을 최소화하였다. 개발된 FPGA 가속기는 ResNet50 및 CatFaceNet의 추론 속도를 성공적으로 향상시켰으며, 1.82fps의 성능을 달성했다.

본 연구에서는 스마트폰 사용 증가로 인한 잘못된 자세와 시선 거리 문제로 발생하는 건강상의 위험을 해결하기 위해, 별도의 웨어러블 기기나 외부 센서 없이 스마트폰 내장 전면 카메라만 이용하여 사용자와 화면 간 거리 및 목 자세를 실시간으로 예측할 수 있는 인공지능 기반 앱을 제안한다.

단안 카메라 기반 차량 궤적 추정에서 조도, 날씨 변화 등의 요인으로 인한 이미지 품질 저하는 Visual Odometry 성능에 영향을 미친다. 본 연구는 특징점 기반 및 딥러닝 기반 카메라 궤적 예측 모델의 성능 향상을 위해 이미지 품질 개선 방법을 접목한 파이프라인을 제안한다. 확산 모델 기반 이미지 해상도 향상 기법을 전처리 모듈로 활용하여, 기존 모델에 모듈식으로 통합할 수 있다. nuScenes 저조도 데이터를 활용한 실험에서 특징점 기반 ORB Visual Odometry에서 평균 42.9% ATE 개선을 보였다. MonoDepth2에서 학습된 PoseNet에서는 평균 4.6%의 개선을 확인하였다.

3D scene reconstruction from monocular videos plays an important role in robotics navigation and VR/AR applications. Recent advances in deep learning have significantly improved reconstruction quality. However, a performance gap remains compared to methods that leverage direct depth data, such as LiDAR point clouds, particularly in capturing fine geometric details. Monocular video-based approaches often produce over-smooth surfaces and fail to recover thin structures. To address this, we proposed a depth-aware Transformer-based module that aggregates multi-view image features and assigns adaptive importance to each view via attention mechanism. Integrated into the TSDF prediction stage of Finerecon, our method enhances geometric fidelity by leveraging both multi-view features and estimated depth information. Experiments on ScanNet v2 dataset demonstrate that our approach successfully recovers fine surface details and improves reconstruction quality compared to the baseline.

적대적 학습을 활용하는 예측 오류 추적 방법(PETM)의 메모리 비효율성 문제를 해결하기 위해, PCA 및 t-SNE 분석을 통해 두 모델 간 차이가 저차원 공간에 집중됨을 밝혔다. 이에 착안하여, 단일 모델에 저계수 근사(LoRA) 어댑터를 적용하고 지식 증류로 학습시켜 기존 PETM의 동작을 모방하는 LoRA-PETM 아키텍처를 제안한다. 실험 결과, 제안 모델은 절반의 파라미터로 기존 적대적 모델의 예측을 96% 재현하고 유사한 Recall(재현율) 성능을 보여, PETM을 효과적으로 경량화할 수 있음을 입증했다.

대규모 언어모델은 다양한 응용 분야에서 유용하게 활용되고 있지만, 프롬프트 인젝션과 같은 새로운 보안 위협에 취약하다. 본 연구는 문서의 진위성 검증을 위해 사용되는 워터마크가 공격 벡터로 악용될 수 있다는 점에 주목하였다. 이를 검증하기 위해 워터마크가 텍스트 형태로 추출될 수 있다는 가정하에, 감정 호소형 프롬프트를 결합한 개념증명 실험을 수행하였다. 실험 결과, LLM은 원래 부여된 과제를 무시하고 주입된 텍스트를 우선 해석하여 민감 정보를 출력하였다. 본 연구는 워터마크의 잠재적 오남용 가능성을 실증적으로 확인하고, LLM 입력 파이프라인 보안을 강화하기 위한 새로운 평가 지표 및 방어 체계의 필요성을 제안한다.

대규모 언어 모델의 확산에 따라 프롬프트 인젝션 공격이 급증하면서 기존 보안 시스템의 한계가 드러나고 있다. 기존의 규칙 기반 필터링 기법과 어텐션 분석 기법은 일부 공격 유형에는 효과적이지만, 다양한 공격을 포괄적으로 차단하는 데에는 한계가 있다. 본 연구는 금지어 필터링과 어텐션 추적기를 결합한 하이브리드 탐지 프레임워크를 제안하며, 실험을 통해 단일 방법론 대비 90%의 정확도를 향상시키고, 지연 시간도 44.6%를 단축할 수 있었다. 제안한 방법은 직접적·간접적 공격을 2 단계로 분석하여 프롬프트 기반 공격에 대한 방어의 성능을 향상시킨다.

Reasoning Segmentation은 비전-언어 모델(VLM)과 세분화 모델을 결합하여 간접적인 질의에 대응하는 영역을 마스크로 예측하는 새로운 세분화 과제이다. 최근 다양한 접근법이 제안되었으나, 실제 성능은 여전히 불안정하며 특정 상황에서 성능 저하가 빈번히 발생한다. 본 연구에서는 주요 Reasoning Segmentation 모델의 추론 및 분할 결과를 체계적으로 분석하여 성능 저하를 일으키는 실패 양상을 분류하였다. 이를 통해 향후 모델 개선 방향성을 제시하고자 한다.

단일 이미지 기반 3D 복원은 시각적 모호성과 가려진 부분으로 인해 정확한 3D메쉬를 얻기 어렵다는 한계가 있다 이에 따라 완전하고 고품질의 3D 재구성을 위해 다수의 시점 영상을 활용하는 멀티뷰 기반 3D 복원 기술이 활발히 연구되고 있다. 이에 본 연구는 Stable Point-Aware Reconstruction 3D (SPAR3D) 모델을 확장하여 멀티뷰 이미지와 포인트 클라우드를 결합한 학습 파이프라인을 제안한다. 제안 기법은 RANSAC/ICP 정합과 아웃라이어 제거·정규화 과정을 거쳐 고품질 Ground Truth 점군을 생성하고, Scene Encoder-Tri-plane Decoder 구조를 통해 장면 표현을 학습한다. 이후 Marching Tetrahedra로 메쉬를 복원하고 RGB 텍스처를 회귀하며, 학습 단계에서는 로버스트 Chamfer Distance, 실루엣 일관성 손실, InfoNCE 대조 손실을 결합하여 형상·텍스처·윤곽·인스턴스 수준의 감독을 동시에 제공한다. 이를 통해 기존 단일 이미지 기반 방법 대비 안정성과 정밀도가 크게 향상되었음을 확인하였다.

본 논문은 사용자의 얼굴 이미지를 입력 받아, 얼굴 특징 분석과 딥러닝 기반 닮은 동물 분류, 그리고 생성형 Artificial Intelligence(AI) 프롬프트 자동화를 결합한 맞춤형 타투 생성 웹 서비스를 구현하였다. MediaPipe 기반 얼굴 검출 및 특징 추출, Enhanced ResNet34 기반 동물 분류, 그리고 얼굴 특징을 반영한 자연어 프롬프트를 통해 자동 생성 파이프라인을 설계하여 시스템을 구현하였다.

치과 파노라마 엑스레이 영상은 치아 전체 구조를 한 번에 관찰할 수 있어 병리적 이상(심한 우식증, 치근단 병소, 일반 우식증, 매복치)의 조기 검출에 널리 활용된다. 본 연구는 CLAHE, 감마 보정, 노이즈 제거, 샤프닝 등 다양한 전처리 기법과 그 조합이 객체 탐지 성능에 미치는 영향을 YOLOv11 기반으로 체계적으로 평가하였다. Ablation 실험 결과, CLAHE + 감마 보정 + 노이즈 제거 조합이 특히 작은 병변(우식증) 검출에서 우수한 성능을 보였으며, 치근단 병소에서는 CLAHE 단독의 효과가 두드러졌다. 반면 매복치는 원본 영상에서도 높은 성능을 보여 전처리 효과가 제한적이었다. 이러한 결과는 단순한 모델 구조 개선뿐 아니라 전처리 최적화만으로도 치과 영상 분석 성능을 향상시킬 수 있음을 보여주며, 본 연구는 전처리 최적화의 중요성을 강조한다.

본 논문에서는 기존 전시 안내 서비스가 지닌 단방향성, 설명 부족, 그리고 소규모 전시에서의 접근성 한계를 극복하기 위한 도슨트 앱인 Artrip 의 설계·구현을 제시한다. Artrip 은 CLIP 기반 이미지 인식 모듈로 사용자가 촬영한 작품을 자동 식별하며, RAG 기반 생성형 질의응답을 통해 개인화 된 작품 해설을 제공한다. 또한 관리자 페이지를 마련하여 작가 및 전시 주최자가 직접 작품 정보를 등록·갱신할 수 있도록 함으로써, 제공하는 설명의 최신성과 신뢰성을 보장한다. 이를 통해 Artrip 은 관람객에게는 깊이 있는 관람 경험을 제공하고, 전시 기획자와 작가에게는 효과적인 홍보·소통 채널을 제공하는 전시 안내 서비스를 제안한다.

본 연구는 조선소 공정 자동화 및 안전 관리를 지원하기 위해, 산업 현장 이미지 캡셔닝 모델의 성능을 고도화하는 방법을 제안한다. 기존 범용 시각-언어 모델(VLM)은 복잡한 공정과 특수 장비를 정밀하게 서술하는 데 한계를 가진다. 이를 해결하기 위해 본 연구는 ① 교사 모델(LLaVA)과 객체 탐지 정보를 활용한 사실 기반 지식 증류(Grounded Truth-Aware Knowledge Distillation)를 통해 학생 모델(BLIP-2)에 도메인 지식과 표현 스타일을 이식하고, ② 이후 선호도 직접 최적화(Direct Preference Optimization, DPO)를 적용하여 캡션의 상세성과 정확성을 개선하는 다단계 학습 파이프라인을 제시한다. 조선소 현장에서 촬영한 5,000장의 이미지 데이터셋으로 학습하고 별도의 800장으로 평가한 결과, 제안 모델은 사전학습된 BLIP-2 대비 BLEU-4, CLIP Similarity 등 정량 지표에서 큰 향상을 보였으며, 정성적 평가에서도 전문가 수준에 가까운 상세 캡션을 생성함을 입증하였다. 특히 경량 모델 기반에서도 이러한 성능을 달성할 수 있음을 확인하여, 조선소 공정 기록, 안전 관리, 디지털 트윈 구축 등 산업 응용에 활용될 높은 잠재력을 제시한다.

본 논문은 코로나19 이후 대두된 영유아의 언어 발달 지연 문제를 보완하기 위하여, AI 기반 시선 추적과 음성 분석을 통합하여 영유아의 언어 발달을 실시간으로 진단하고, 개별적인 진단 결과 및 맞춤형 개선 방안을 함께 제공하는 시스템을 제안한다. 제안된 시스템은 시선과 발화를 함께 분석하여 실시간으로 발달 상태를 확인할 수 있으며, 보정 기반 추정 방식을 적용함으로써 문장 단위의 읽기 흐름과 발화 특성을 안정적으로 측정할 수 있음을 실험을 통해 확인하였다. 결론적으로, 본 연구는 웹캠과 마이크만을 사용하는 비대면 환경에서도 신뢰도 높은 언어 발달 지원이 가능하며, 향후 모델 개선과 지표 확장을 통해 실용성을 더욱 강화할 수 있을 것으로 기대한다.

온라인 전자상거래 환경에서 허위 리뷰가 소비자 구매 결정에 미치는 영향이 증가하면서 기만적 리뷰 탐지 연구의 필요성이 대두되고 있다. 본 연구에서는 하이브리드 어노테이션 방식을 활용하여 구축한 데이터셋을 기반으로 다양한 딥러닝 모델의 기만적 리뷰 탐지 성능을 분석하였다. 인간 어노테이션과 기계 어노테이션을 결합한 하이브리드 방식을 통해 데이터 품질을 향상시켰으며, 자연어 처리 모델을 적용하여 분류 성능을 비교 분석하였다. 실험 결과 본문 텍스트 분석에서 PyKoSpacing+KSS 와 MLP 를 결합한 모델이 92.21%의 정확도로 가장 우수한 성능을 보였다. 본 연구 결과는 향후 한국어 허위 리뷰 탐지 시스템 개발에 중요한 기준점을 제시할 것으로 기대된다.

기존 단일 차량 데이터 기반 도로주행은 차량의 시야 범위에 한정된 지각 능력을 가진다. 이로 인해 전체적인 주변 교통 상황을 충분히 반영하지 못하며, 결과적으로 미래 궤적 예측과 의사결정의 안정성에 한계가 존재한다. 이러한 문제를 해결하기 위해 인프라 기기로부터 수집된 데이터를 활용하여 지각 범위를 확장하려는 연구가 활발히 진행되고 있다. 본 논문에서는 차량과 인프라 기기에서 동시에 수집된 데이터를 포함하는 V2X-Seq Dataset을 활용하여, 시점별로 수집된 차량 데이터의 시계열적 특성을 강화시킨 모델인 V2ITrajNet을 제안한다. 실험 결과, V2ITrajNet은 모든 평가 지표에서 벤치마크 모델 대비 성능 향상을 보였으며, 이를 통해 향후 복잡한 도로 환경에서도 인프라 기기와의 협력을 바탕으로 보다 안전하고 정확한 궤적 예측 및 의사결정을 내릴 수 있다.

본 연구는 공공시설의 재활용 분리배출 문제를 해결하기 위해 AI 기반 자동 분류 시스템을 제안한다. 기존 시스템의 한계를 극복하고자 한국 환경에 최적화된 자체 학습 AI 모델과 레이저 투과 기술을 활용한 이중 검증 방식을 도입한다. 투명 유리, 플라스틱, 캔 등의 투명/반투명 재질에 대해서는 레이저 투과를 통해 객체 인식 정확도를 향상시키고, 카메라 기반 객체 인식과 라벨 OCR 인식을 통한 정확한 재질 판별을 구현한다. 본 시스템은 사용자 편의성과 분류 정확도를 동시에 향상시킬 것으로 기대되며, 향후 공공시설의 재활용 분리배출 효율화에 기여할 수 있을 것이다.

본 연구는 사용자 맞춤 스킨케어 제품 추천을 위해 raph 기반 추천 시스템을 제안한다. 리뷰, 성분 및 효능 정보를 Graph 구조로 통합하여 제품과 성분, 소비자 고민 간의 관계를 정교하게 모델링하였다. 사용자 리뷰의 의미 임베딩과 성분-효능 관계 그래프를 결합하여 제품 간 다차원적 유사도를 도출하고, GraphRAG와 생성형 AI를 통해 추천 사유와 키워드를 제공함으로써 설명가능성을 강화하였다. 이를 통해 소비자에게 신뢰도 높은 맞춤형 추천 경험을 제공하며, 스마트 소비를 지원하는 차별화된 시스템의 가능성을 보여준다.

공공기관 키오스크 환경은 다양한 연령과 성별의 사용자가 혼재하고 공공장소의 높은 잡음으로 인해 음성 인식의 저하 문제가 발생한다. 본 연구는 토큰화(Tokenization)와 노이즈 캔슬링(Noise Cancellation) 기법을 적용하여 인식 정확도를 개선하였으며, 합성 음성을 활용한 실험에서 Baseline 대비 최대 35% 향상과 복합 적용 조건에서 76% 이상의 정확도를 달성하였다. 이는 공공 서비스 환경에서 음성 기반 인터페이스의 신뢰성을 확보할 수 있음을 시사한다.

최근 AI (Artificial Intelligence) 기술의 급속한 발전에 따라 방대한 데이터를 효율적으로 학습하는 알고리즘에 대한 요구사항이 증가하고 있다. Stochastic gradient descent는 머신러닝에서 가장 많이 사용되는 최적화 알고리즘이지만, 입력 데이터가 유클리드 공간에 존재함을 가정하고 파라미터 업데이트에 동일한 학습률을 적용한다는 한계점이 존재한다. 이는 파라미터 규모가 점차 증가하는 초거대 신경망에서 에너지 비용, 학습 안전성과 관련된 성능 문제를 야기한다. 이에 따라 본 논문에서는 시냅스 상호작용에 대해 비선형성을 나타내며 서로 다른 곡률을 가진 비평탄 다차원 공간으로 표현 가능한 생물학적 신경 회로를 차용한 AI 학습 최적화 메커니즘을 제안한다. 제안된 메커니즘의 경우, 그래프를 통해 기존 알고리즘보다 더 복잡하고 비선형적인 고차원 학습 공간에서 효율적인 최적화 패턴을 형성할 수 있음을 보인다.

본 연구는 RAG 파이프라인의 확증편향 환각을 완화하기 위해, 원 질문으로부터 지원·반증 적대적 질의 쌍을 의도적으로 생성하고 대칭적으로 검색·평가하는 AQ-RAG를 제안한다. AQ-RAG는 LLaMA 3.1 8B를 활용해 두 질의를 생성한 뒤 FAISS + Qwen3-Embedding-0.6B 기반 MMR로 지원·반증 증거를 회수하고, LLaMA 3.1 8B 기반 신뢰도 점수를 산출해 최종 답변을 생성한다. BoolQ 데이터셋으로 진행한 실험에서 AQ-RAG가 Accuracy 84.19%를 기록하여 BERT-Large+Pretraining 기반 기존 연구 대비 1.99% 향상되었고, 소거 실험에서는 LLaMA 3.1 8B 단일 모델 62.12%, RAG 79.92%로 각각 22.07%, 4.27%의 성능 향상을 보였다. 이는 RAG가 기본 환각을 크게 줄이고, 추가적으로 적대적 질의를 적용한 AQ-RAG가 잔여 오류를 감소시켜 정확한 판단을 가능케 함을 시사한다.

금융 시계열은 다양한 외부 요인에 따라 변동성이 크게 달라지며, 산업별로 서로 다른 구조적 특성을 보인다. 이러한 특성은 단기 예측의 중요성을 더욱 부각시키고 있으며, 최근에는 복잡한 패턴을 정교하게 설명하기 위해 딥러닝 기반의 최신 모델이 적극적으로 활용되고 있다. 본 연구는 IT와 Bio 산업군을 대표하는 주요 종목을 대상으로, 최신 시계열 분석 모델인 TimesNet 의 성능을 검증하고 기존 기법과 비교하였다. 분석에서는 ARIMA, SARIMAX, Prophet 을 기준모델로 설정하고, 주가 데이터와 함께 외부 설명변수 6종(나스닥 지수, CPI, 금리, VIX, 유가, 비트코인) 및 기술적 지표 3종(MA, RSI, MACD)을 반영하였다. 예측은 실제 투자 환경을 고려해 단기 롤링 예측(rolling forecast) 방식으로 수행하였다. 실험 결과 TimesNet 은 모든 종목에서 평균적으로 가장 낮은 MAPE 를 기록하였다. 한편 RMSE 는 GOOGL 에서 Prophet 이 근소 우위를 보이는 예외가 있었다. 그럼에도 TimesNet 은 변동성이 큰 IT 산업군에서도 안정적인 성능을 유지했으며, 외부 설명변수와 기술적 지표를 결합했을 때 일관된 개선 효과가 나타났다. 결론적으로 TimesNet 은 금융 시계열에서 단기 예측에 적합한 강건한 접근법임을 본 연구가 실증적으로 확인하였다.

본 연구는 건설업종을 대상으로 기업 부도위험을 조기에 탐지하기 위해, 전통적 재무제표 정보와 함께 금융결제원의 채권거래 데이터를 활용하는 새로운 접근을 제안한다. 재무제표는 기업의 건전성을 평가하는 대표적 수단이지만, 보고 주기가 길어 적시성이 부족하다는 한계가 있다. 이에 반해 채권거래 데이터는 기업 간 지급·결제 활동을 반영하여 유동성과 거래 안정성을 보다 민감하게 포착할 수 있다. 실험 결과, 채권거래 기반 파생변수를 포함한 모형은 ROC 만으로는 미세한 차이가 드러나지 않았으나 AUPRC 지표에서 일관된 개선을 보여 희귀 사건인 부도 식별력 향상에 기여하였다. 이러한 결과는 건설업 부도위험 관리에서 재무제표와 거래정보를 통합적으로 고려할 필요성을 시사하며, 금융기관과 정책당국의 선제적 리스크 관리에도 실질적인 활용 가능성을 제공한다.

본 논문은 UDAformer[1] 기반 수중 이미지 향상(Underwater Image Enhancement, UIE)에 불확실성 기반 랭킹에서 유도된 Sparse Sampling Attention Pre Adapter(SSA)를 삽입하여 성능을 높이는 방법을 제안한다. UDAformer[1]의 원래 구조는 변경하지 않고, Encoder-1/Decoder-1/Encoder-2/Decoder-2 진입부에 불확실성을 얕은 잔차 형태로 주입하는 pre-adapter 를 추가하여 입력의 특징을 정제하였다. 불확실성 랭킹 𝝈는 1∗1 convnet 인 U-Head 로 추정하고 학습 과정에서 Uncertainty Driven Loss(UDL)[2]에 의해 학습되어 이미지에서 개선이 어려워지는 지점들에 연산을 집중시킨다. 본 논문에서 제시한 구조로 UIEB-890[3] 데이터셋을 train = 800/test = 90 으로 분할한 뒤, 500 epoch 로 학습한 결과, 베이스라인(UDAformer[1]) PSNR 23.48dB/SSIM 0.92 대비, PSNR 24.1713dB/SSIM 0.9237 로 각각 +0.6913dB/+0.0037 의 성능 향상을 달성하였다. 또한 Encoder1 의 불확실성 랭킹인 𝝈에서 높은 값을 가진 부분들이 Decoder1 에서 실제 보정량의 증가로 이어짐을 시각적으로 확인할 수 있었다.

본 연구에서는 설명 가능한 AI와 생성형 AI를 활용하여 심혈관 질환 위험을 예측하고 개인 맞춤형 건강 조언을 제공하는 시스템을 구현하였다. 예측 모델로 XGBoost를 사용하여 precision 0.75, recall 0.70, f1-score 0.72 그리고 accuracy 0.73의 예측 성능을 달성하였으며, SHAP 값을 통해 결과에 영향을 미친 주요 변수를 시각화하여 제시하였다. 또한 Gemini API를 활용하여 사용자 특성에 맞춘 생활습관 개선을 위한 조언을 생성하여 제공하였다. 제안하는 시스템은 사용자의 건강 위험도에 대한 이해를 높이고 행동 변화를 유도함으로써 심혈관 질환 예방에 기여할 수 있다.

본 연구는 법률 도메인, 그 중에서도 부동산세 데이터를 기반으로 Retrieval-Augmented Generation(RAG) 시스템을 구축하고, RAG 시스템을 구성하는 구성요소들이 답변 성능에 미치는 영향 및 성능 지표를 정량적으로 비교하였다. 본 연구를 통해 도출된 자료는 부동산세 자문 상황에 적합한 RAG 시스템 설계에 있어서 RAG 구성요소들의 선택을 돕고, 향후 LangGraph 기반의 AI Agent 구현의 경험적 근거가 될 수 있을 것이다.

본 연구는 한국교육과정평가원(KICE) 및 시도교육청에서 주최하는 수학 영역 기출문제지에서 문제 영역을 자동으로 탐지하기 위해 YOLO 계열 모델의 성능을 비교 분석하였다. 2024·2025년 기출문제 480문제를 대상으로 YOLOv8, YOLOv11, YOLOv12 모델을 동일한 조건에서 학습시켜 성능을 평가하였다. 실험 결과 세 모델 모두 mAP50 99.5% 수준의 우수한 성능을 보였으며, 학습 안정성 측면에서 YOLOv8, 최고 정확도 측면에서 YOLOv12가 적합한 것으로 나타났다.

흉부 X-ray 영상은 다양한 질환 진단에 널리 활용되지만, 영상의학과 전문의가 아닌 임상의에게는 판독에 어려움이 따른다. 본 연구는 이러한 한계를 극복하기 위해 MIMIC-CXR-JPG v2.1.0 dataset을 활용하여 Vision Transformer 와 Convolutional Neural Network(CNN) 계열 모델을 적용하고 흉부 질환 예측의 가능성을 탐구하였다. 성능 비교를 통해 Transformer 기반 접근법이 CNN 보다 우수함을 확인하였으며, 높은 성능의 모델과 Grad-CAM 시각화를 적용한 웹 기반 보조 시스템을 개발하여 예측 근거의 해석 가능성과 신뢰성을 강화하였다.

사이버 공격이 고도화됨에 따라 사이버 복원력의 확보는 핵심 과제로 대두되고 있다. 사이버 복원력을 측정하기 위해 다양한 방법이 제시되고 있으나, 이를 뒷받침할 시나리오 구성은 여전히 어렵다. 본 연구는 이러한 한계를 극복하기 위해 대규모 언어 모델(LLM)을 활용하여 실제 사건 보고서 기반 공격 시나리오 생성 방법론을 제안한다. 제안된 방법론은 역할 기반 LLM 전문가 할당 방식을 통해 사건 보고서의 공백을 보완하고, 현실성 있는 공격 흐름을 자동으로 구성한다. 이를 통해 사이버 복원력 평가 및 훈련 환경에서 사용할 수 있는 시나리오를 제공하고자 한다.

본 연구는 검색 증강 생성(Retrieval-Augmented Generation, RAG) 시스템의 고질적인 문제인 정확도와 효율성 간의 상충 관계를 해결하고자 새로운 모델 NLRAG(Node-Light RAG)를 제안한다. 기존의 그래프 기반 NodeRAG는 복잡한 관계 추론으로 정확도가 높지만 응답 속도가 느리고, 경량 벡터 기반 LightRAG는 빠르지만 문맥적 이해가 부족한 한계가 있다. 이를 해결하기 위해 NLRAG는 경량 벡터 인덱스를 이용한 1차 검색과 이종 그래프의 구조적 정보를 활용하는 2차 검색을 결합한 하이브리드 방식을 사용한다. 실험 결과, 제안 모델은 응답 속도의 저하를 최소화하면서도 베이스라인 모델 대비 F1-Score 기준 정확도를 0.0324 향상시켜 기존의 상충 관계를 효과적으로 해결했다.

본 연구는 추천 시스템에서 신규 사용자 환경 중 cold-start 문제를 완화하기 위해, 초경량 언어 모델 Gemma 3 270M을 활용한 사용자 프로필 생성 프레임워크(GUPF)를 제안하였다. GUPF는 사용자 리뷰 텍스트로부터 선호·비선호 요인과 감정적 태도를 추출하고, 이를 구조화된 프로필로 변환하여 추천 알고리즘의 입력으로 활용한다. Amazon Beauty 데이터 셋에 대한 실험 결과, 리뷰 기반 프로필은 기존 평점 기반 협업 필터링 대비 신규 사용자 추천 성능을 Precision 약 4.0pp, Recall 약 20.2pp, NDCG 약 18.1pp 개선하였다. 또한 GUPF는 초경량 모델임에도 리뷰 텍스트 기반 사용자 프로필 생성을 효율적으로 수행해 실시간 서비스 적용 가능성을 보여준다.

자산선택 과정에서 업종별 특성을 반영하는 것은 투자 의사결정의 핵심이다. 그러나 기존 기계 학습 기반 모델은 모든 자산에 동일한 기준을 적용하여 산업별 맥락을 충분히 반영하지 못한다. 본 연구는 대규모 언어모델에 산업별 전문가 역할을 부여하는 산업 맥락 기반 자산선택 프레임워크를 제안한다. 모델은 산업 특화 프레임워크를 통해 각 자산의 재무지표를 산업에 맞춰 해석하고, 수익률 방향 확률과 근거를 동시에 산출한다. 2012-2021 년 S&P 500 구성종목을 대상으로 한 실증 분석 결과, 제안 방법은 기존 방법 대비 최대 0.32 향상된 위험조정수익률을 달성하며, 산업별 근거를 제공함으로써 해석 가능성과 실무 활용성을 향상시킨다.

본 연구는 서로 다른 특징의 모델 조합이 더 큰 앙상블 시너지를 낸다는 핵심 이론을 실험적으로 검증한다. 공분산을 GT(Ground Truth) 단위 미검출 지시자로 정의하여 연관 규칙 분석에서의 레버리지와 동치가 됨을 이용하여 동시 미검출률 N₁₁과 각 모델별 미검출률 N₁₀, N₀₁로부터 공분산을 계산하였다. 동종 모델 조합의 공분산은 0.1678, 이종 모델 조합은 0.1308로 지표상 성능이 더 높을 것으로 예상되는 이종 모델 조합이 실제 성능 평가에서도 성능 향상이 더 큼을 확인하였다.

골프는 정밀한 신체 움직임을 요구하는 스포츠로, 미묘한 스윙의 변화가 공의 궤적에 상당한 영향을 미칠 수 있다. 본 연구는 다양한 골퍼의 스윙 영상과 공 궤적 정보를 직접 수집한다. 이를 통해 클럽의 위치 정보와 인체 관절 정보를 통합하는 새로운 골프 스윙 분석 방법론을 제안한다. 시공간 그래프 합성곱 기법을 사용하여 스윙 자세와 공 궤적 간의 관계를 분석한다.

본 연구는 저조도 CCTV 환경의 사람 탐지 성능 저하 문제를 해결하고자, 기존의 시각적 개선 중심의 저조도 이미지 개선(LLIE) 기술의 한계를 분석한다. 이를 위해 YOLO 탐지 성능을 기준으로 최적의 LLIE 모델을 선정하고 YOLO 와 결합하는 파이프라인을 제안한다. LLVIP 데이터셋 기반의 비교 실험 결과, 객체의 구조를 가장 잘 보존하는 HVI-CIDNet 이 mAP 를 가장 효과적으로 향상시킴을 확인하였다. 이는 사람의 시각적 만족도보다 탐지 모델 친화적 개선이 최종 성능에 더 중요하다는 것을 보여준다. 따라서 본 연구는 향후 LLIE 기술이 후속 태스크와의 시너지를 고려해야 한다는 방향성을 제시한다.

본 연구는 유전자 발현 데이터를 활용하여 유방암 환자의 분자 아형을 보다 정밀하게 분류하고, 새로운 바이오마커를 탐색할 수 있는 인공지능 기반 아형 분류 모델을 제안한다. 이를 위해 TCGA-BRCA RNA-seq 데이터를 활용하고, PAM50 에서 정의된 아형을 라벨로 설정하여 XGBoost 기반 다중분류 모델을 구축하였다. 모델은 학습과 검증에서 91.1% 정확도를 달성하여 기존 면역조직 화학적 분류법의 한계를 보완할 수 있음을 확인하였다. 또한 특징 중요도 분석을 통해 PAM50 과 일치하는 핵심 유전자를 재현함과 동시에 FSCN1, TPX2, CDCA8 등 새로운 바이오마커 후보를 제시하였다. 이러한 결과는 인공지능 기반 접근이 유방암의 정밀한 분자 아형 분류와 맞춤형 치료 전략 수립에 기여할 수 있음을 보여준다.

현대 유튜브 시장은 과열된 경쟁으로 독창적인 아이디어가 필요시 되고 있다. 이에 본 연구는 유튜브 콘텐츠 제작자가 차별화된 성과를 도출할 수 있도록 사전 허락된 유튜브 데이터만을 사용해 기획·운영·분석 전 과정을 지원하는 LLM 기반의 인공지능 시스템을 설계 및 개발하였다. 제안하는 시스템은 제목·콘텐츠 추천, 조회수 기반 업로드 시점과 영상 길이의 최적화, 분석 보고서 제공의 세 가지 인공지능 모듈로 구성되며, streamlit 을 기반으로 웹 인터페이스를 제공하여 유튜브 크리에이터 신규 진입자나 기존 제작자들이 최적의 컨텐츠를 제작할 수 있도록 지원한다.

이미지-텍스트 검색(Image-Text Retrieval, ITR)은 이미지와 텍스트 간 의미적 대응 학습을 목표로 한다. 그러나 기존 contrastive learning 기반 ITR 모델은 false negative 문제와 intra-modal semantic loss라는 구조적 한계를 가진다. 이를 보완하기 위해 soft label을 활용하는 연구가 제안되었으나, 교사-학생 간 도메인 불일치로 인해 강건성이 저하되는 문제가 발생한다. 본 논문은 이를 해결하기 위해 교사 소프트 레이블 앙상블과 교사-학생 피처 융합 기반 표현 보강을 통합한 학습 방식을 제안하며, 도메인 불균형 상황에서도 강건한 성능 향상을 기대할 수 있다.

최근 딥러닝 기반 생성 모델의 발전으로 인해 딥페이크 영상과 이미지가 급속히 확산되고 있으며, 이는 개인의 프라이버시와 사회적 신뢰에 심각한 위협을 초래한다. 본 논문에서는 사용자가 일상속에서 손쉽게 활용할 수 있는 딥페이크 사전 보호 및 탐지 모바일 시스템을 제안한다. 제안 시스템은 이미지 및 동영상 입력에 대해 얼굴 영역을 검출하고, 합성 여부를 판별하는 딥러닝 기반 탐지 모델을 제공한다. 또한 사후 대응 차원에서 위조 여부를 탐지하는 것에 그치지 않고, 콘텐츠 업로드 전사전 보호용 노이즈 삽입 기능을 제공하여 딥페이크 생성에 악용되는 것을 방지한다. 본 논문에서는시스템의 전반적인 구성과 핵심 알고리즘, 다중 이미지 및 영상 처리 방식, 그리고 사전 보호 기능의 효과를 상세히 설명한다.

본 연구는 객체-구성적 신경 암시적 표현에서 객체의 새로운 시점 영상을 렌더링하는 방법을 제안한다. 객체-구성적 신경 암시적 표현 최적화 과정은 오직 2 차원 영상에서 관측된 정보에 의존하고, 객체 형상에 대한 평가가 부재하다. 따라서, 본 연구는 2 차원 객체 영상으로부터 형상을 평가할 수 있도록, 객체-구성적 신경 암시적 표현으로부터 객체 위치를 계산하고 객체 위치를 중심으로 카메라와 영상 평면 위치를 설정하여 새로운 시점의 객체 영상을 렌더링한다.

본 연구는 아동 그림의 자동 감정 인식을 위한 머신러닝 기반 접근을 탐구하여, 정서 상태 진단의 객관성과 정확성을 향상시키고자 하였다. 이를 위해 ViT 기반 감정 인식 시스템에 LoRA 기법을 활용하였으며, ViT 가 갖는 높은 성능에도 불구하고 방대한 파라미터와 소규모 데이터셋에서의 한계를 보완하고자 하였다. 실험 결과, LoRA-ViT 기반 접근은 아동 그림 감정 인식 과제에서 기존 모델보다 우수한 성능을 보였다. 또한 학습에 앞서 ViT 에 대한 사전학습을 수행하여 시각적 특징 표현 능력을 강화하고, 이후 주 과제에서 모델의 표현력과 일반화 성능을 향상시겼다.

Medical report generation aims to automatically produce diagnostic reports from medical images, offering the potential to alleviate the workload of radiologists and reduce human error. Recent advances in large vision-language models have shown remarkable capability in bridging visual and textual modalities, making them strong candidates for this task. In this work, we propose a novel medical report generation framework that leverages a visual encoder and a content-topic dual encoding mechanism to capture both fine-grained visual features and high-level semantic structures. The encoded representations are aligned with language embeddings through contrastive learning, followed by a LLaMA-based decoder for fluent and clinically relevant report generation. We evaluate our method on the IU X-Ray dataset, achieving a BLEU-1 score of 0.489, outperforming prior baselines and demonstrating the effectiveness of large vision-language models for medical imaging applications.

본 연구는 Ko-HoliSafe-Bench 를 활용하여 국내 대표 Ko-VLM 4 종의 안전성을 체계적으로 평가했다. 평가 결과, 모든 Ko-VLM 은 유해 입력에 대해 65% 이상의 높은 mASR(mean Attack Success Rate)을 기록하며 안전성에 전반적인 취약점을 보였다. 특히, 텍스트보다 이미지 기반 유해성 탐지 능력이 현저히 낮았으며, 문맥적 위험을 추론하는 데에도 뚜렷한 한계를 드러냈다. 또한, 선행 연구의 영어권 VLM 과 비교했을 때 높은 mASR 과 불필요한 Refusal Rate(RR)를 동시에 보여 안전성과 유용성 모두에서 개선이 필요함을 확인했다. 본 연구의 결과는 한국어 VLM 의 안전성 강화를 위한 후속 연구의 필요성을 시사한다.

본 연구는 카드 혜택 데이터와 지역 소비 통계를 결합하고, LLM 기반 대화형 인터페이스를 통해 사용자의 라이프스타일·감정 맥락을 반영한 개인화 카드 추천 시스템을 제안한다. SBERT 유사도 분석과 다층 필터링 구조를 적용하여 자연어 입력으로부터 소비패턴을 자동 추출하고, 지역별 소비 경향과 개인의 생활 방식을 통합적으로 반영함으로써 기존 서비스 대비 향상된 개인화 추천을 실현하였다.

본 연구는 딥러닝과 영상처리 기술을 활용하여 실시간 얼굴 모자이크 처리의 자동화 시스템을 제안한다. 기존의 수동 모자이크 처리 방식은 작업 시간이 과도하게 소요되며 인적 오류로 인한 누락 위험을 내포하고 있다. 이러한 문제를 해결하기 위해 본 시스템은 인공지능 기반의 실시간 영상 분석 기술을 도입하였다. 인체 자세 추정 모델을 활용하여 영상 내 인물의 전신, 손, 얼굴, 발 등의 주요 키포인트를 실시간으로 탐지하고, 모든 인물에 대해 기본적으로 얼굴 모자이크를 적용한다. 모자이크 해제는 하체 영역의 확장된 경계 박스와 사전 정의된 특정 영역 간의 교집합 비율(Intersection over Union, IoU)을 기준으로 자동 결정된다. 제안하는 시스템은 실시간 모자이크 처리 자동화를 통해 개인정보보호 및 법적 리스크를 효과적으로 관리하며, 방송 콘텐츠 제작의 효율성을 크게 향상시킬 수 있을 것으로 기대된다.

본 연구는 LLM-as-a-Judge 의 신뢰성을 정량 검증하기 위해, 의미 일치가 명확한 QA 이진 판정만을 대상으로 단일 저지(Single), 다수결(Self-consistency, k=5), 논증적 합의(Consensus/Debate) 세 판정을 비교한다. 모든 항목은 동일한 context- question- reference set 을 사용하고, 정답 라벨은 소문자화·문장부호·관사 제거의 표준 정규화를 적용한 Exact Match 규칙으로 정의한다. Self-consistency 는 독립 판정 5 회를 최빈값으로 집계하고 동률·모호 사례에 메타평가를 적용하며, 합의 프롬프트는 "찬성→반대→대조→최종"의 단계적 논증을 요구한다. GPT-4o-mini 모델에서는 합의가 정확도와 MCC 를 소폭 향상(Acc 0.9733→0.9767, MCC 0.947→0.954)시킨 반면, 동일 설정의 Self-consistency 는 추가 이득이 관측되지 않았다. GPT-5-nano 모델의 경우 low effort 에서는 개선 폭이 작았으나, medium effort 에서 합의가 오류를 크게 감소시켰고 Self-consistency(k=5)+메타평가가 정확도와 MCC 모두 1.000 에 도달했다(n=300, temperature=0.7). 결과적으로, 베이스라인 변동성이 큰 환경일수록 다중 독립 판정과 논증적 수렴이 단일 판단의 우발 오차를 효과적으로 제거하며, 비용 대비 효용은 합의(저비용·소익)와 Self-consistency(고비용·대익) 사이에서 조절 가능함을 보였다. 본 연구는 통제된 QA 설정에서 수렴 전략의 순수 효과를 분리해 제시하고, 실무 평가 파이프라인의 비용- 정확도 최적화에 실질적 가이드를 제공한다.

Recent work shows that deep learning can effectively detect anomalies in lung sounds, but most available datasets are small and imbalanced, limiting model performance and generalization. To mitigate these issues, transfer learning with pretrained audio models is a promising direction. This study evaluates whether such models can enhance adventitious respiratory sound classification by fine-tuning several pretrained encoders on the SPRSound challenge dataset to classify three categories: normal, abnormal, and poor-quality recordings. Under the official evaluation protocol, our approach increases the average of sensitivity and specificity by 6% compared with the top-5 teams from the IEEE BioCAS 2022 Grand Challenge on the SPRSound dataset. These results suggest that leveraging pretrained audio representations provides a practical and effective path toward more reliable and scalable respiratory sound analysis.

본 연구는 CCTV 환경에서 손에 쥐어진 소형 객체가 손에 의한 가림으로 인해 기존 객체 탐지 모델이 놓치기 쉬운 문제를 다루고, 이를 해결하기 위해 멀티모달 정보와 대규모 언어 모델(LLM)의추론 능력을 결합한 소형 위협 객체 탐지 기법을 제안한다. 구체적으로 인체 포즈 추정을 통해 손·손목 기반 관심영역(ROI)을 설정하고, 해당 영역에서 식별된 객체 정보와 전체 프레임 정보를 함께 LLM에 입력해 추론함으로써 '객체 존재'를 판단하는 동시에, '위협 가능성'에 대한 상황적 분석을 수행한다. 통제된 데이터셋 실험 결과, 제안 기법은 부분 가림 상황에서도 '객체 존재' 판단 성능 지표가 유의하게 향상되어 국소 정보 집중과 LLM의 종합적인 추론 능력의 결합 효과를 입증하였다.

대규모 언어 모델(LLM)이 발전하면서 AI 생성 텍스트를 구분하는 기술이 중요해졌지만, '역번역(BackTranslation)'과 같은 회피 기술은 탐지 모델의 신뢰도를 크게 위협한다. 본 연구는 역번역 공격의 성공률을 좌우하는 번역 엔진, 피봇 언어의 문법적 거리, 번역 경로의 구조적 복잡성 등 핵심 변수를 체계적으로 분석하는 후속 실험을 진행하였다. 공개 데이터셋인 ESPERANTO와 RoBERTa 기반 탐지 모델을 사용한 결과, 표준 품질의 번역기(Google Translate)가 고품질 번역기(DeepL)보다 탐지 회피에 훨씬 효과적임을 확인했다. 특히, 한국어처럼 문법 구조가 상이한 언어로 역번역했을 때, 오히려 AI 탐지 점수가 증가하는 '적대적 정제(Adversarial Purification)'라는 특이 현상을 발견하였다. 또한, 공격의 성공 여부는 번역 경로의 복잡성이나 반복 횟수가 아닌, 가장 강력한 첫 변환 단계에서 결정된다는 사실을 확인했다. 본 연구의 결과는 현재 탐지 모델의 취약점을 명확히 보여주는 한편, ESPERANTO 논문에서 제안된 MESAS와 같이 역번역 공격에 강건한 모델의 필요성을 다시 한번 강조하며, 향후 발전된 탐지 모델 개발을 위한 기초 자료를 제공한다.

Fashion is an integral aspect of daily life that significantly influences both the health and social lifestyle of individuals. While traditional fashion industries have long relied on costly designs to fulfill tasks such as fashion recommendations, artificial intelligence has emerged as a promising tool in this domain. Although current large language models (LLMs) offer potential for enhancing fashion recommendation systems, they often compromise user privacy through data exploitation. To address these challenges, we propose an innovative framework that utilizes pre-trained fashion contrastive language-image models for zero-shot recommendations based on input images. These recommendations are then employed to fine-tune a Llama-8B model with 4-bit quantization specifically for complementary prediction tasks. Our experimental results demonstrate significant improvements in key performance metrics: accuracy (0.85), F1 score (0.86), and AUC (0.94). These findings suggest that the proposed approach could pave the way for leveraging low-bit LLMs in fashion-related tasks while effectively protecting user privacy. This study underscores the potential of integrating advanced AI techniques with privacy-preserving mechanisms to enhance the sustainability and ethical practices of the fashion industry.

Face Super-Resolution (FSR) reconstructs high-resolution faces from low-resolution inputs. This paper assesses lightweight LVLM supervision for general (Real-ESRGAN), blind (BSRGAN), and prior-guided (GFPGAN) pipelines. We run paired pipelines-with and without LVLM-on identical degraded inputs. Evaluation uses PSNR, SSIM, LPIPS, NIQE, ArcFace, and side-by-side visuals. General FSR shows negligible metric shifts; blind FSR is sensitive to misclassified degradations under LVLM tagging; prior-guided FSR yields small auditing benefits with limited structural change. Overall, LVLMs work best as validators; measurable gains require deeper, controllable hooks.

비프로 및 프로 구단을 위한 전술 제공 AI 로, 사용하는 전술에 대한 데이터를 시각적으로 확인하고 데이터를 관리할 수 있으며, 전술에 따른 분석 결과 및 그에 맞는 선수를 추천하여 전술적 완성도를 높이는 것을 목표로 하는 AI 전술 분석 및 전술 추천 시스템을 설계 및 구현한다.

본 논문은 Unity 3D 엔진을 기반으로 유틸리티 AI, 군집 AI(Boid 알고리즘), 유전 알고리즘을 적용해 늑대 무리의 생존과 진화를 시뮬레이션하는 생태 모델을 설계하고 구현하였다. 각 늑대 개체는 유전 정보를 바탕으로 행동 전략을 선택하며, 생존 시간에 따라 적응도를 평가해 다음 세대를 형성한다. 또한 사슴의 회피 행동, 풀 성장 등과 같은 동적인 환경 요소를 반영하여 생태계의 복잡성과 현실성을 높였다. 실험의 결과로, 생태계 개체의 적응형 AI 기반 전략 진화가 생존력과 행동 다양성 향상에 기여할 수 있음을 확인하였다.

While deep learning-based super-resolution (SR) methods have shown impressive outcomes with synthetic degradation scenarios such as bicubic downsampling, they frequently struggle to perform well on real-world images that feature complex, non-linear degradations like noise, blur, and compression artifacts. Recent efforts to address this issue have involved the painstaking compilation of real low-resolution and high-resolution (HR) image pairs, usually limited to several specific downscaling factors. To address these challenges, our work introduces a novel framework capable of synthesizing authentic LR images from a single given HR image by leveraging the latent degradation space with flow matching. Our approach generates LR images with realistic artifacts at unseen degradation levels, which facilitates the creation of large-scale, real-world SR training datasets. Qualitative assessments verify that our synthetic LR images accurately replicate real-world degradations.

한국은 빠르게 진행되는 고령화로 인해 초고령사회에 진입하였고, 노인 우울은 자살과 직결되는 심각한 사회적 문제로 부각되고 있다. 그러나 기존의 우울 평가와 치료 연계 과정은 인력과 자원의 한계로 인해 신속한 대응이 어렵다는 한계를 안고 있다. 본 연구는 단축형 노인 우울 척도 데이터를 활용하여 기계학습 기반의 분류 모델을 제안하였다. 의사결정트리 기법을 적용한 모델은 정상, 가벼운 우울증, 심한 우울증의 세 단계로 노인의 우울 수준을 자동 분류하도록 설계되었다. 실험 결과에서 모델은 81%의 정확도를 나타냈으며 이러한 결과는 초고령화 사회에서 노인 우울의 조기 발견과 치료 연계, 예방적 서비스 제공에 기여할 뿐 아니라 자살률 감소에 중요한 역할을 할 수 있을 것으로 기대된다.

현대 사회에서 청년층의 우울 문제는 심각한 사회적 과제로 대두되고 있으며, 조기 선별과 관리의 필요성이 점점 커지고 있다. 그러나 기존의 설문조사에 대한 해석은 전문가 의존도가 높아 대규모 집단에 신속히 적용하기 어렵다는 한계가 있다. 본 연구는 이러한 한계를 극복하기 위해 한국형 우울 척도(national depression scale, NDS)와 개인적 특성 및 건강 이력 등 다차원적 변수를 통합하여 기계학습 기반 분류 모델을 제안하였다. 특히 k-최근접 이웃(KNN) 알고리즘을 적용하여 다양한 변수 간의 복합적 관계를 분석하고, 청년 우울 수준을 정상, 경증, 중등도, 중증으로 분류하였다. 실험 결과, 제안된 모델은 정밀도 98%의 분류 성능을 나타냈다. 본 연구는 다차원적 요인을 반영한 우울 분류 접근을 통해 정신건강 증진 및 조기 개입 전략 마련에 기여할 수 있을 것으로 기대된다.

최근 정신건강 문제 경험률이 증가하면서 불안장애의 조기 선별 필요성이 높아지고 있다. 기존 설문 기반 분석은 대규모 적용 시 시간과 인력의 제약이 있어 효율적인 대안이 요구된다. 본 연구는 이러한 한계를 극복하기 위해 기계학습을 활용한 불안장애 분류 모델을 제안하였다. 제안된 모델은 불안 척도 설문 자료를 기계학습 알고리즘에 적용하여 응답자의 불안 정도를 자동으로 판별하였다. 실험 결과, 모델은 정상부터 중증 단계까지 불안장애를 매우 높은 정확도로 구분해내어 조기 선별에 효과적임을 확인하였다. 이러한 성과는 기계학습이 정신건강 관리 현장에서 신속하고 객관적인 지원 도구로 활용될 수 있음을 보여주며, 향후 불안장애 예방과 치료 연계에도 기여할 수 있는 가능성을 제시한다.

본 연구는 LLM-as-a-Judge 환경에서 프롬프트 표현의 미세한 차이가 판정과 확신도를 어떻게 바꾸는지 정량적으로 규명한다. JailbreakBench 벤치마크에서 안전·정책 위반 판단 항목을 선별·정규화하고, 동일 콘텐츠에 대해 중립, 동의 유도(암시·직접), 확실성 마커(확신·불확실), 장황성(간결 기준 제시) 등 서로 다른 프레이밍을 교차 적용했다. 판정 작업은 "유해·정책 위반인가?"의 이진 질문과 "Answer: Yes | Confidence: 0- 100" 형식으로 고정했으며, 일반형·경량형·추론형 등 이질적 LLM 들을 심사자로 병렬 비교했다. 핵심 지표로 템플릿 간 yes (동의) 비율 변동(프레이밍 민감도), 확신도의 정합성(Brier), 라벨 분리력(ROC-AUC)을 사용한 결과, 프롬프트는 두 모델에서 모두 판정을 체계적으로 흔들었다: GPT-4o-mini 모델은 중립 대비 리딩과 불확실 템플릿에서 'yes'가 크게 상승했고, GPT-4o 모델은 더 보수적 기준을 보이면서도 장황 템플릿에서 최대 상승, 일부 리딩에서는 오히려 하락(reactance)하는 양상을 나타냈다. 공통적으로 불확실 어조는 확신 어조보다 높은 동의 확률을 유도했다. 이는 동일 콘텐츠에도 프롬프트 독립성이 성립하지 않을 수 있음을 시사하며, LLM 기반 평가에서 프레이밍 민감도와 캘리브레이션 지표의 동시 보고, 서술적 중립성 준수, 템플릿 표준화가 필수적임을 제안한다.

단일 저해상도(LR) 한 장으로 기존 초해상화 모델을 사용하여 고배율의 초해상화(XSR)를 수행하면, 입력 내부 신호만으로는 고주파 복원이 근본적으로 부족해 과도한 환각, 평활화가 발생한다. 이러한 문제를 해결하기 위해 본 논문은 2-Stage 파이프라인을 제안한다. Stage-1: (i) RFA(Reference-Finding Aligner)가 LR 표현을 HR 임베딩 공간(CLIP)으로 정렬해 대규모 HR DB에서 의미적으로 근접한 참조를 안정적으로 검색하고, (ii) 검색 참조와 LR을 융합하는 I2T(Embedding Enhancer)가 강화된 이미지/텍스트 임베딩을 산출한다. Stage-2: Stable Diffusion 기반 U-Net 과 ControlNet 에 LR 힌트와 강화 임베딩(이미지/텍스트)을 AdaIN/교차어텐션 조절자로 주입해 HR을 합성한다. ImageNet 데이터셋 기반 ×16 설정(32→512)에서, 기존 모델들 대비 다양한 매트릭에서 개선된 성능을 보였다.

본 연구는 라즈베리파이 기반 자율주행 키트에서 차선 인식과 사물 인식 모델을 통합하여 Baseline을 구축하고, 다양한 경량화 기법을 적용해 성능을 비교·분석하였다. 그 결과, 일부 정확도 저하가 있었으나 모델 크기와 추론 속도 측면에서 효율성이 개선되어 제한된 임베디드 환경에서도 실시간 적용 가능성을 확인하였다.

지능형 영상 감시의 중요성이 커지고 있지만, 이상행동 인식 모델의 개발은 데이터 준비부터 실제 배포까지의 과정이 복잡하고 비효율적인 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위해, 영상 데이터 처리부터 모델 배포 및 테스트까지 전 과정을 체계적으로 통합하는 반자동 엔드-투-엔드 파이프라인을 제안한다. 제안하는 파이프라인은 YOLOv11과 SAM2를 이용한 자동 마스킹, Streamlit 기반의 웹 UI를 통한 반자동 라벨링, RTMO 모델 기반의 스켈레톤 추출, ProtoGCN 모델 학습, 그리고 ONNX 변환 및 Triton 서버 배포의 단계로 구성된다. 본 연구의 핵심 기여는 딥러닝 기반 자동화 모듈과 실용적인 데이터 구축 단계를 결합하여, 모델 개발의 전체 주기를 관리하는 체계적이고 재현 가능한 워크플로우를 정립함으로써 연구와 실제 운영 간의 간극을 줄였다는 데 있다.

패혈증은 전 세계적으로 높은 사망률을 보이는 중증 질환으로, 패혈증 환자 치료 전략의 최적화를 위해 Offline-RL이 연구에 활용되어 왔다. 그러나 기존의 Offline-RL 기반 패혈증 치료 연구의 주요 한계가 체계적으로 분석되지 않아, 임상 적용 시 안전성과 일반화를 위한 통합된 연구에 어려움이 존재한다. 따라서 본 연구는 이러한 한계를 분석하고, 연구의 재현성·안전성·일반화 관점에서 고려해야 할 체크리스트를 제안한다. 이를 통해 연구자와 임상의가 RL 모델을 개발 및 평가할 때 최소한의 안전성 기준을 점검할 수 있도록 돕는다.

다양한 분야에서 효율적인 물류 관리와 작업 자동화에 대한 수요가 증가함에 따라 자율 이동 로봇(AMR, Autonomous Mobile Robot)의 연구 및 활용이 활발히 이루어지고 있다. 자율 이동 로봇에 적용되는 강화학습 모델은 연속 제어 문제에서 안정적인 성능을 보이지만, 보상 함수가 고정적으로 설계되어 있어 환경 변화나 동적 상황에 유연하게 대응하기 어렵다는 한계가 존재한다. 이 한계를 보완하기 위해 본 연구에서는 대규모 언어 모델을 활용하여 학습 과정에서 주기적으로 성능로그를 분석하고, 보상 스케일과 잠재 함수 가중치를 동적으로 조정하는 강화학습-대규모 언어 모델 통합 모델을 제안한다.

스테이블코인 감시를 위해 거래량을 채도(R) 로 통합한 캔들 이미지를 고정 폭 패치로 분해해 ViT에 입력하는 방법을 제안하고, Coinbase 1D·1H에서 롤링 검증·최근월 테스트로 평가했다. 채도 인코딩은 변동성 분류를 안정화했으며 CNN은 민감도 상승 경향, ViT는 견조·저지연으로 운영 백본에 적합했고, 어텐션-채도 정합성은 거래량 급증·유동성 잠김의 전조를 시각적으로 드러냈다.

본 연구는 복잡한 제작 현장의 동선 관리 비효율성을 개선하기 위해 AR 기반 동선 측정 시스템을 제안한다. AR로 실내 공간을 정밀하게 계측하고, PoseNet 기반 인공지능 모델을 통해 인체의 주요 관절 좌표를 실시간으로 추적·저장한다. 수집된 공간 데이터와 동선 데이터는 통합 플랫폼에서 재현이 가능하도록 설계되었으며, 이를 통해 프리비즈(pre-visualization) 단계에서 제작 효율성을 향상시키고, 단일 태블릿 환경에서 접근성을 확보할 수 있다.

본 연구는 다양한 금속 재질에 대한 광택 특성을 측정하고 비교할 수 있는 실용적인 방안에 대한 것이다. 렌더링되는 재질의 사실감을 극대화하기 위하여 실제 재질의 반사 특성을 측정하고 이를 모델링하고자 하는 많은 연구가 진행된바 있다. 하지만 이러한 연구들의 대부분은 측정의 정교함에 초점에 맞추어져 있어 많은 비용과 시간을 소요하게 된다. 따라서 본 연구는 카메라, 지그와 같은 기본적인 장치와 객체 트래킹 알고리즘을 활용하여 빠르고 저렴하게 금속 재질의 광택 특성을 이해할 수있는 시스템을 제안한다. 취득한 측정 데이터는 향후 렌더링 엔진 등에 반영되어 보다 사실적으로 다양한 금속 질감을 가시화하는데 활용될 수 있을 것이다.

최근 연구에 따르면 고강도 및 장시간 걷기가 뇌 속 치매 유발 단백질의 축적을 약 30% 억제한다는 사실이 밝혀졌다. 이러한 연구 결과는 현대인들에게 산책을 통한 뇌 활성화와 건강 증진이 필요함을 시사한다. 본 연구는 바쁜 일상 속에서도 사용자가 효율적으로 산책 경로를 계획할 수 있도록 지원하며, 지루하고 의무적인 경로 대신 사용자의 흥미를 끌고 산책의 즐거움을 높일 수 있는 경로를 추천하는 것을 목표로 한다. 이를 위해 사용자가 다양한 즐길 거리를 포함한 산책 경로를 선택할 수 있는 기능을 설계하고 구현하였다.

본 논문은 온디바이스-서버 융합형 손 제스처 인식 애플리케이션을 개발하였다. Mediapipe 기반 손랜드마크 추출과 경량 모델을 활용하여, 사용자가 원하는 제스처를 직접 등록 및 학습하여 모바일 환경에서 실시간으로 제어할 수 있도록 구현하였다. 또한 본 시스템은 향후 IoT와 차량 내 스마트 기기 제어로의 확장 가능성을 가진다.

본 연구는 후천적 시각장애인과 점자 초보 학습자를 위한 모바일 점자 학습 앱 LearnDot을 설계하고 구현하였다. LearnDot은 iOS VoiceOver 기반 접근성을 활용하며, 난이도별 단어와 문장부호 학습 모듈을 통해 반복적 학습을 지원한다. 사용자 평가에서 초보 학습자의 복습 도구로서 효과적임이 확인되었으며, 기초 단계 추가, 점자 사전, 숫자 학습 등 개선 필요성도 제시되었다. 본 연구는 모바일 기반 점자 학습의 가능성을 보여준다.

본 논문은 Robot Operating System(ROS)와 Large Language Model(LLM)을 결합한 연구의 최신 동향을 분석한다. 기존 ROS 기반 로봇 제어는 주로 C++이나 Python 과 같은 프로그래밍 언어를 통해 명시적인 코드로 구현되었다. 하지만, 최근 LLM 의 발전으로 자연어 명령을 로봇 제어 코드로 변환하고 복잡한 작업 흐름을 자동으로 생성하는 연구가 활발히 진행되고 있다. 이러한 배경을 바탕으로 우리는 LLM 과 ROS 의 결합 연구 사례를 조사하고, 기존의 자연어 기반 제어를 넘어 LLM 이 ROS 애플리케이션의 전체 구조를 직접 생성하는 새로운 연구의 필요성을 제기한다. 본 연구는 선행 연구들을 종합하여 현재 기술의 한계와 도전 과제를 명확히 밝히고, LLM 을 활용한 새로운 ROS 기반 애플리케이션 프레임워크 설계를 위한 초석을 제공한다.

본 연구는 사건관련전위(Event-Related Potential, ERP) 기반 실험을 통해 인간(Human)과 인공지능(AI) 추천 에이전트의 정체성 및 시각 모달리티(텍스트 vs. 얼굴 이미지)가 뇌 반응에 미치는 영향을 규명하였다. 상징적 소비 성향이 높은 남성 대학(원)생 27명을 대상으로 ERP의 P1(70-130ms)과 N170(150-200ms) 성분을 분석하고, EEGNet 기반 딥러닝 모델을 적용하여 네 가지 조건(Human-Face, Human-Text, AI-Face, AI-Text)을 분류하였다. 분석 결과, EEGNet은 평균 87.5%의 분류 정확도를 기록하여 SVM-RBF, LDA 등 기존 모델보다 우수한 성능을 보였다. 또한, 혼동행렬 분석을 통해 얼굴 자극 조건(Human-Face, AI-Face)이 텍스트 조건보다 높은 분류 성능을 나타냄을 확인하였으며, 이는 얼굴 자극이 P1과 N170 성분에서 더 강력한 신경 반응을 유발함을 시사한다. 본 연구는 ERP와 딥러닝 기반 접근을 결합함으로써 휴먼-AI 상호작용 설계 및 신경과학적 해석에 기여한다.

본 연구는 인플루언서를 둘러싼 정서적 위협 요소인 사이버불링 위험과 에코체임버 정도의 위험을 정량화하여 진단하는 멀티모달 분석 프레임워크 SCOPE-X를 제안한다. SNS 콘텐츠의 음성, 얼굴, 텍스트 데이터를 기반으로 감정 흐름을 분석하고, 사용자 댓글의 감정 및 주제를 GPT-4 및 KcBERT 기반으로 분류한 뒤, 사용자 클러스터링을 통해 공격성·편향성 수준을 수치화한다. 최종적으로 콘텐츠-댓글 간 정서적 정합성과 다양성 지표를 바탕으로 CB Score, EC Score를 산출한다. SCOPE-X는 인플루언서의 정서적 리스크를 조기에 식별하고, 개인 맞춤형 정서 회복 전략 수립에 기여할 수 있다.

This study develops an automated inspection service for imported agricultural products at ports by integrating Augmented Reality (AR) and Artificial Intelligence (AI) technologies. Videos captured with an ARCore camera are analyzed in real time using YOLO and ResNet models to recognize agricultural products. Prohibited items are highlighted with visual alerts, while permitted items proceed to the pest detection stage, where major pests are automatically identified. The classification results are visualized through 3D models and text, enabling intuitive understanding. The system is integrated in real time with an AWS-based server and a Flutter application. Through this approach, the proposed service enhances both efficiency and accuracy in quarantine processes, contributing to the protection of marine and agricultural ecosystems as well as ensuring food security.

본 논문은 조화 분석(Harmonic Analysis)을 통해 천문조를 분리하고, Transformer 인코더 기반 시계열 예측 모델(TimeXer)을 활용하여 비선형적 기상조 잔차를 예측하는 하이브리드 조위 예측 기법을 제안한다. 제안 모델은 기상 변수 간의 복잡한 비선형적 관계를 효과적으로 학습하였으며, 2025년 상반기 인천항 관측 데이터 검증 결과, 기존 국립해양조사원 예측치 대비 MAE 26.8%, RMSE 23.5%의 성능 향상을 달성하였다. 추가로 RAG 기반 AI Agent를 결합한 실제 조위 예측 서비스 플랫폼을 Hugging Face Spaces와 Supabase 환경에 성공적으로 구축 및 배포함으로써, 정확한 조위 정보가 필수적인 자율운항 및 해상 신서비스 분야에서의 실질적인 적용 가능성을 명확히 증명하였다.

본 연구는 스마트 항만 물류와 선박 자율운항에 필요한 소프트웨어 정의된 변복조기 반도체 칩에 대한 신기술의 제안이다. 서론에서는 5G, TRS, Wi-Fi 등 다중 무선망이 혼재하는 스마트 항만 물류 환경에서 복합 전자회로적으로 증가하는 채널 선택의 최적화 문제를 해결하고자 전파 채널 모델링을 도출한다. 본론에서는 이를 위한 양자컴퓨팅 신경망으로 방대한 탐색 공간 내 최적의 채널 할당을 신속하게 계산하고, 그 결과를 소프트웨어 정의 라디오(SDR)에 적용하여 통신 채널을 동적으로 재구성하는 방법을 제안한다. 결론에서는 고안된 신기술의 변복조기 반도체 칩으로 시시각각 변화하는 전파 환경에 실시간으로 대응하여 통신 품질과 효율의 향상을 기대한다. 향후, 본 연구는 스마트 항만 물류와 자율운항에 필요한 소프트웨어 정의된 변복조기 반도체 칩을 설계할 계획이다.

국가중요 보안시설인 항만시설 내 보안 사각지대를 줄이며 각종 사고를 빠르게 인식하고 대처하기 위한 안전 지킴이 로봇 PORTY 시스템을 제안한다. CV를 통해 비인가 인원 및 불꽃, 균열을 감지하고, 아두이노와 유독가스 감지 센서 등을 통해 비정상적인 상황을 감지한다. 이를 통해 보안 사각지대를 줄이고, 빠른 발견으로 물적 피해를 줄이는 등의 효과를 기대할 수 있다.

본 연구는 북극항로 해상통신 불안정으로 인한 해상운송서비스 활용 한계를 해결하기 위해, 북극 환경에 적합한 통신 전략을 연구한다. 기존 통신 다중화(Multiplexing/Redundancy) 방식은 채널 간장애 상호 의존성으로 인해 통신 안정성 확보에 한계가 있는 반면, 통신 복원 전략(Communication Resilience)은 장애 발생 시 복원이 가능하다. 본 연구에서는 채널 상관계수 ρ를 포함한 통신 불확실성(E[σ]) 수식을 설계하고, 복원계수 α, 데이터 전송률 r, 채널 장애 확률 Pout·Palt 등을 조합한 256 가지 시나리오를 생성하면서 통신 복원 전략 평가 방식에 대해 논한다. 또한 몬테카를로 시뮬레이션을 통해 각 시나리오에서 통신 복원 전략이 보이는 효과를 분석 및 평가한다. 최종적으로 북극항로 내 해상운송서비스의 안정성 확보를 위한 통신 복원 전략의 필요성을 정량적으로 논한다.

본 연구는 사일로 내부 청소 작업의 위험성을 해소하기 위해 자력 기반 벽면 주행 로봇의 궤도 구조와 자석 32개 배치 패턴(선형, 갈지자)을 설계·제작하고 직접 하중 보유 시험으로 부착 안정성을 비교하였다. 동일 자석 수 조건에서 추를 단계적으로 매달아 슬립 발생 하중을 관찰하였다. 그 결과, 선형 배치는 13 kg에서 슬립이 개시되었고, 갈지자(之) 배치는 13 kg까지의 모든 구간에서 슬립 없이 유지되었으며, 본 시험 범위 내에서는 임계 하중에 도달하지 않았다. 즉, 갈지자 배치가 더 높은 하중까지 버티는 것으로 확인되었다. 본 연구는 단순 자력 크기보다 배치 패턴이 실제 운용 안정성에 미치는 영향을 실험적으로 보여준다.

국제해사기구(IMO)의 환경 규제 강화로 소·중형 선박에서도 친환경 전환과 전력 자립의 필요성이 커지고 있다. 본 연구에서는 이에 대응하기 위해 모듈형 에너지 저장 시스템(ESS)과 IoT 기반 안전감시 솔루션을 설계·구현하였다. 시스템은 4S6P 리튬이온 배터리팩, BMS, PCS, EMS, IoT 안전감시 모듈로 구성되며, 태양광-MPPT-배터리-부하로 이어지는 폐루프 전력 체계와 실시간 감시·차단·모바일 알림 기능을 통합하였다. 축소 프로토타입 시연을 통해 AC/DC 부하 구동과 이상 상황 대응을 검증했으며, 소형 선박 환경에서의 저비용·모듈형·12V 최적화 ESS의 가능성을 확인하였다.

지난 10 년간 안전 관리의 강화에도 불구하고 산업 재해율은 증가 추세를 보여왔고, 그 중 항만 하역업의 재해율은 산업 평균을 상회하는 양상을 지속적으로 보여왔다. 특히, 항만 컨테이너 야드에서 운용되는 리치스태커는 넓은 사각지대로 인한 사고가 빈번하게 발생한다. 기존의 차량 부착 센서나 신호수 배치 방식은 시야 확보에 기여했으나, 비용과 인력 문제로 인해 근본적인 한계를 지닌다. 이에 본 연구에서는 메카넘 휠 기반 보조 장비 RS-Spotter 를 개발하였으며, 이는 이동형 카메라와 vision AI 를 통해 항만의 리치스태커 주변 사각지대의 장애물을 실시간 탐지하여 운전자가 직관적으로 상황을 인지하도록 지원하는 안전 보조 시스템이다. 이를 통해 항만 작업의 안전성과 효율성을 높일 수 있으며, 물류센터와 건설 현장 등 다양한 산업 현장에도 확장성을 기대할 수 있다.

해상 운항에서의 GPS 스푸핑 공격은 선박의 위치 정보를 왜곡하여 해양 안전을 위협한다. 본 연구에서는 선박 항법 장비의 NMEA 데이터를 활용하여 GPS 스푸핑 공격을 실시간으로 탐지하는는 경량화 된 딥러닝 모델을 제안한다. 이를 위해 두 가지 탐지 접근법을 설계하고 성능을 비교하였다. 첫 번째는 정상 항로 데이터만을 학습하는 One-Class Learning 기반 탐지 방식이고, 두 번째는 정상 항로와 스푸핑 된 항로 데이터를 모두 학습하는 Supervised Binary Classification 기반 방식이다. 실험 결과, One-Class Learning 은 정상 데이터에서는 일정 수준의 성능을 보였으나 혼합 데이터에 대해서는 탐지율이 현저히 낮았다. 반면, Supervised Binary Classification 은 현실적인 수준의 탐지 성능을 확보하였으나 일부 탐지가 누락되는 한계가 있었다. 본 연구는 향후 전자해도표시시스템(ECDIS) 등 해상 항법 장치에 실시간 스푸핑 탐지 구조가 적용될 수 있는 가능성을 제시한다.

스마트 항만 전환으로 컨테이너 코드 자동 인식 시스템의 도입이 확산되고 있으나, 적대적 공격으로 인한 예측 왜곡은 오인식과 물류 지연을 초래할 수 있다. 본 연구는 ISO 6346 컨테이너 코드 인식 모델을 대상으로 네 가지 공격 기법을 적용하고, 주요 성능 지표를 통해 정량적으로 평가한다. 이를 통해 스마트 항만 AI 모델의 보안 취약성을 실증적으로 규명하고, 향후 강건성 확보와 방어 솔루션 개발을 위한 기초 자료를 제공한다.

본 연구는 RGB-D 카메라, 2단 컨베이어, 로봇팔을 결합한 컨테이너 자동 상차 시스템을 제안한다. 바코드 기반 화물 인식과 테트리스 알고리즘을 통해 적재 위치를 연산하고 자동 적재를 수행하였다. 실험 결과 ±1cm 수준의 인식 정확도와 화주별 구분 GUI의 유용성을 확인하였다.

본 논문은 냉동·냉장 화물 운송에서 핵심적인 리퍼컨테이너의 안정성과 효율성을 높이기 위하여, AI 기반 환경 제어 및 예지 정비 기능을 갖춘 스마트 컨테이너 시스템을 제안한다. 본 시스템은 온습도, 가스, 진동, 수위, GPS 등의 센서 데이터를 수집하고, Random Forest 및 MLP 기반 회귀 모델을 통해 적재 품목별 최적 환경을 자동 산출한다. 또한, ESP32-CAM 기반 영상 모니터링, 자동 배수, 예지 정비, GPS 기반 항만 안내 기능을 통합 제공한다. 제안된 시스템은 기존 단순 모니터링 방식과 달리 AI-센서-제어-통신을 융합하여, 화물 손상 예방 및 콜드체인 경쟁력 강화에 기여할 것으로 기대된다.

항만 정박 과정에서 발생하는 계류줄 파단은 인명과 재산 피해를 유발하는 주요 사고 요인이다. 그러나 기존 솔루션은 단순 모니터링에 그치거나 고비용 장비에 의존하여 범용성이 떨어진다. 본 연구에서는 초음파 센서와 장력 센서를 기반으로 실시간 데이터를 수집하고, 제어 모듈과 대시보드를 통해 장력을 자동 조절·시각화하는 MooriSense 시스템을 제안한다. 또한 임계 장력에 근접할 경우 윈치가 협력해 충격을 완화하고 경보를 발령하여 안전성을 확보한다. 제안 시스템은 계류줄 관리의 디지털화를 실현하여 항만 안전 향상과 다양한 연구 활용 가능성을 보여준다.

무인항공기(UAV)의 자율 수색에서 핵심은 지정 구역을 효율적으로 탐색하는 커버리지 경로 계획(CPP)이다. 기존 수색 방식은 Boustrophedon 은 단순 환경에 적합하지만, 배제 구역이 포함된 복잡한 오목 다각형 환경에서는 한계가 있다. 본 Sweep-line 알고리즘으로 영역을 분할하고, 분할된 영역들의 인접 관계를 그래프로 구성한 뒤 깊이 우선 탐색(DFS)을 통해 최적의 탐색 순서와 병합 단위를 결정하는 CPP 알고리즘을 제안하고 검증하였다.

본 시스템은 재난 상황시 복잡한 선내 구조와 위험구역 판단불가의 상황에서 선원들과 지휘실에 상황을 전달하고 대피 경로를 제시하는 시스템을 3D모델링을 사용한 디지털 트윈을 통해 시각적으로 쉬운 위험구역 및 대피 경로 파악과 UWB기술을 활용한 실내 정밀 위치 측위 및 센서퓨전을 활용하여 격실 내 세부 위험 요소등을 파악하게 함으로써 제시한다.

북극 항로의 상업 운항이 현실화되면서 해빙과 기상의 급격한 변동성은 기존 방식의 항로 선택 시의 위험을 구조적으로 높이고 있다. 본 논문은 관측-예측-의사결정을 하나의 파이프라인으로 통합하기 위해, RAVEN 의 시간의존 불확실성 정량화 기능(HistorySet, HistorySetSync, 표본화, 시간별 통계·민감도)을 핵심 분석 엔진으로 채택하고, 그 위에 가중 그래프 탐색과 강화학습 기반 경로탐색 등을 결합한 정보통신기술(ICT) 시스템을 제안한다. 시뮬레이션과 관측의 두 부분에서 제공되는 데이터는 지속적인 시스템의 개선을 위한 기반이 된다. 위성 SAR 딥러닝 분류, 해빙-해양 결합모델, AIS·선박 자율센서(SSICR)로부터 수집되는 시공간 데이터를 표준 시계열 구조로 정리한 뒤, 확률적 제약(ETA·연료·안전)을 만족하는 경로를 산출한다. 모든 과정에서 산출되는 데이터는 기계학습 모델의 학습 데이터로 이용되어 Surrogate model 생성의 기초가 된다.

본 논문은 친환경 선박 에너지 전환을 위한 수소 연료 전지와 태양광 발전을 융합한 하이브리드 연료 에너지 기반 무인 자율 운항 시뮬레이션을 구축하고, 기존 화석연료 기반 대비 친환경 에너지의 에너지 효율에 대한 효과성을 검증하였다. 자율 운항 선박 시뮬레이터와 이를 관제하는 모니터링 시스템을 구현하여, 자율 운항 알고리즘을 적용해 친환경 에너지 사용 효율을 정량적으로 측정하고 비교하였다. 실험 결과, 수소 연료 전지 및 태양광 에너지를 활용하면 최대 98.3 % 탄소 배출 저감과 61.4 % 연료 비용 절감 효과를 확인하였다. 본 연구를 통해, 향후 무인 선박 및 친환경 해양 모빌리티 상용화에 기초 연구 자료로 활용할 수 있으며, 울산항만공사 및 국제해사기구(IMO) 규제 대응력 강화와 지속 가능한 해운 산업 발전에 기여할 것으로 기대된다.

최근 해양 산업의 확대는 선박 외벽 정기 점검의 중요성을 증대시키고 있다. 그러나 기존 수작업 선체 외벽 점검은 높은 위험과 과도한 비용, 낮은 효율성이라는 구조적 한계가 있다. 이에 본 연구는 선체 외벽 검사의 자동화를 목표로 한 로봇 시스템을 제안한다. 제안된 시스템은 캐터필러 궤도형 구동부와 선체 표면 부착을 위한 네오디뮴 자석, Raspberry Pi 5 제어부로 구성되며, 다중 센서(RPLIDAR, 3D Depth Camera, IMU) 데이터를 ROS2 운영 환경에서 융합해 SLAM 기반 위치 추정 및 경로 계획을 수행한다. 획득된 영상은 OpenCV를 통한 전처리 과정을 거쳐 경량 YOLOv5 모델로 균열·부식 등 결함을 탐지하고, 분석 결과는 웹 대시보드에서 실시간 기록되고 분석 보고로 출력된다. 본 연구를 통해 고소·협소·해상 환경에서의 수작업 점검을 효과적으로 보조하여 의사결정의 신뢰성을 제고하고, 검사 시간과 비용 절감 및 안전성 향상에 기여할 수 있을 것으로 기대된다.

최근 해양사고 증가는 구조 골든타임 확보의 중요성을 부각시키나, 기존 시스템은 초기 대응 지연 및 열악한 환경에서의 한계를 가진다. 본 연구는 선박 침몰 시 자동으로 분리 및 활성화되는 스마트 구조 보트 시스템을 제안한다. 제안 시스템은 NCNN 최적화 YOLO11-Pose 모델로 조난자의 구조 신호를 인식하고, 조도 센서 기반 환경 적응형 카메라 전환으로 주야간 탐지 능력을 확보하며, 지능형 전력 관리와 이기종 아키텍처를 통해 자율 항해 및 실시간 위치 전송을 수행한다.

본 연구는 부산항의 환적물동량 증가에 대응하기 위해 실시간 컨테이너 배차를 최적화하는 경량화 알고리즘을 제안한다. DQN, 유전자 알고리즘, Greedy 알고리즘을 상황에 따라 선택 적용하여 효율성과 연산 속도를 개선하였다. 실험 결과, 각 알고리즘은 환경별로 상이한 강점을 보여 상황 맞춤형 배차 전략의 유효성을 입증하였다. 이는 부산항의 스마트 항만화 및 자동화 기반 구축에 기여할 수 있을 것으로 기대된다.

해운 물류 산업에서 빈 컨테이너 불균형은 비용 증가와 운영 비효율을 초래하는 주요 과제이다. 본 연구는 이를 해결하기 위해 혼합 정수 계획법(MIP) 기반의 배분 최적화 모델을 설계하고, 유전 알고리즘과 PPO(Proximal Policy Optimization)를 적용하여 성능을 고도화하였다. 이를 통해 해운사의 효율적 의사결정에 기여할 수 있을 것으로 기대된다.

본 연구에서는 세관·해운 분야에서 발생하는 언어 장벽과 규정 해석의 어려움을 해결하기 위해 LoRA 기반 파인튜닝과 RAG 구조를 결합하여 도메인 특화 AI 어시스턴트를 구축하였다. LLaMA 3.2B 모델을 기반으로 약 3만 7천 건의 세관 데이터를 학습에 활용하였으며, 근거 기반 질의응답을 통해 응답의 신뢰성과 정확성을 확보하였다. 학습 성능은 Loss 감소를 통해 안정적인 수렴을 확인하였으며, 구현된 시스템은 통관 절차 안내, 규정 검색 기능을 제공함으로써, 세관·물류 현장의 실무 적용 가능성을 확인하였다.

본 논문은 항만 접안 과정에서 발생하는 예인 의사결정의 지연과 안전 리스크를 줄이기 위해 "AI 기반 예인선 통합 관리 시스템"을 제안한다. AIS(Automatic Identification System, 선박자동식별시스템), 기상과 조류 정보, 부두 데이터를 통합 및 정규화해 필요 예인 척수와 권장 조합을 추정하고, 예인선 배정 및 투입 시점을 최적화한다. A^* 및 Dijkstra 알고리즘과 스플라인 평활화로 안전하고 효율적인 예인선 접근 경로를 산출하여 작업 지연과 항행 위험을 줄이고, 운영자와 해운사의 최적화된 의사결정을 지원한다. 본 연구에서 제시하는 서비스는 예인 과정의 효율성을 높이고 안정성 확보에 기여할 것으로 기대된다.

벙커C유는 선박 운항 비용의 약 75%를 차지하는 핵심 요소로, 매수 시점에 따라 수십만 달러 이상의 비용 차이가 발생할 수 있다. 그러나 기존의 매수 의사결정 방식은 가격 변동성과 복합적 요인을 충분히 반영하지 못했으며, 종래 연구 또한 실세 시장 변동성 고려가 미흡했다. 본 연구는 DQN 강화학습 기술을 기반으로 절감률 극대화를 목표로 하는 보상 함수를 설계하고, 3가지 시계열 인코더와 결합하여 변동성 반영 효과를 검증하였다. 실험 결과, Transformer 기반 인코더가 가장 안정적인 성과를 보였으며, 실제 시장 데이터(MGO, IFO380)에 적용한 결과에서도 우수한 절감률을 기록하였다. 이를 통해 강화학습 기술이 해운 연료 매수 의사결정의 최적화에 매우 효과적임을 입증하였다.

본 연구에서는 자율운항선박의 최적 항로 탐색을 위해, 고정 및 이동 장애물이 혼재하는 격자 환경에서 DQN, PPO, A2C, Deep SARSA 등 심층 강화학습 알고리즘을 적용하고 그 성능을 비교 및 분석하였다. 실험을 통해 강화학습 기반 접근법이 자율운항선박의 실시간 항로 계획에 효과적인 것을 확인하였으며, 향후 해양 자율운항 시스템의 활용 가능성을 제시하였다. 한편, 시뮬레이션을 통해 강화학습 기반 항로 설계가 실제 적용 가능함을 검증하였다.

자율운항선박은 안전성 및 연료 효율 문제를 해결할 수 있는 미래 핵심 기술로 주목받고 있다. 그러나 실제 운항 환경은 다양한 요인이 복합적으로 작용하기 때문에 자율운항선박의 구현에 어려움이 있다. 이러한 한계를 극복하기 위해 복잡한 환경에서도 적용이 가능한 강화학습 기법을 도입하고자 한다. 본 연구는 다양한 환경 조건에서 주요 강화학습 알고리즘을 적용하여 자율 운항 분야에서 강화학습의 효과성을 확인하였다.

This paper introduces an AI-based automated reporting system for import and export documents, including a web platform for easy access. The system extracts text using OCR and generates reports through RAG. By reducing manual work and errors, it enhances efficiency and reliability in trade document processing. Furthermore, it supports trade facilitation through standardized documentation, ultimately improving global competitiveness through fast and accurate reporting.

본 연구는 공개 베어링 진동 데이터셋을 이용해 정상 데이터만으로 학습하는 자동 인코더(autoencoder) 기반 이상 탐지 파이프라인을 구현하고, 파일 조건(회전수·고장레벨)에 따른 재구성 오차 분포의 차이를 확인하였다. 데이터는 UPM Bearing Database 의 구성을 따르며(F0-F4, 200/350/500 rpm, 40 kHz, 30 s, 3 축 가속도) 파일명 체계와 측정 배치 정보를 기준으로 전처리하였다[1]. 모델은 F0(정상)만으로 학습하고 F1-F4 에 대해 재구성 오차를 이용해 이상 여부를 판별하였다. 결과적으로 F0 대비 F1-F4 에서 오차의 중앙값·상위 분위가 증가하는 경향을 관찰하였고, 단순 임계치 방식의 한계를 확인하여 정상 오차의 상위 분위수(예: 99% 분위)를 기준으로 한 데이터 기반 임계치 설정 방식을 제안한다. 구현은 로컬 PC 환경에서 완료되었으며, 실시간 이식은 추후 과제로 남긴다.

화재 대응 교육은 반복 학습과 안전이 핵심이지만 실제 화재 훈련은 위험, 비용, 공간 제약을 갖고 있다. 가상현실 기반 훈련이 이러한 제약을 완화했으나 현실과의 분리, 열 햅틱 부재로 인해 몰입감에 대한 한계가 지적되어 왔다. 본 연구는 실측 건물 모델을 대상으로 FDS 기반 화재 동역학 데이터와 연동되어 열 햅틱을 제공하는 혼합현실 화재 훈련 시스템을 제안한다.

본 연구는 실제 양궁 경기 영상에서 비접촉 방식으로 심박수를 추출하여 경기 중 선수의 긴장도와 성과 간의 관계를 분석하였다. 얼굴 영역 기반 rPPG(remote Photoplethysmography) 신호를 활용하여 심박수를 산출하고, 경기 점수 그룹(10점 vs 10점 미만)으로 구분하여 통계적 차이를 검증하였다. 분석 결과, 심박수가 높을수록 낮은 점수와 유의한 음의 상관관계(r=-0.6183, p<0.001)를 나타냈으며, Mann-Whitney U 검정 결과 10점 그룹과 비10점 그룹 간 심박수의 차이가 유의함을 확인하였다(p=0.0004). 이러한 결과는 비접촉 생체신호 분석 기술이 스포츠 경기력 평가와 훈련 피드백에 활용될 수 있는 가능성을 제시한다.

본 연구는 머신러닝 기반 MLB 데이터 분석을 통해 팀 성적에 기여하는 핵심 지표를 파악하고, 하위권 팀의 성과 향상을 위한 전략 시나리오를 제시하고자 한다. Statcast로부터 2020~2024 시즌의 투수 및 타자 데이터를 크롤링한 뒤, 상관관계 분석과 다중공선성 검증을 통해 주요 설명 변수를 선별하였다. 이후 랜덤 포레스트 모델과 주성분 분석(PCA)을 각각 수행하고, 하위 5개 팀을 대상으로 시나리오별 승률 변화를 예측하였다. 타자 지표는 OPS, R, BB%, K%, HardHit% 등을, 투수 지표는 K/9, BB/9, FIP, Pitching+, Location% 등을 활용하였다. 분석 결과, 팀별 약점 지표에 대한 소폭 개선만으로도 승률 상승 효과가 나타났다. 본 연구는 데이터 기반 야구 전략 수립에 실질적 기여를 할 수 있으며, 향후 KBO 적용 연구로도 확장 가능하다.

본 연구는 공개 데이터셋 SoccerMon 활용하여 부상 예측 시스템을 제안하였다. 엘리트여자 축구 2개 팀의 2020-2021년 동안 수집된 선수 일일 관측치(주관적 데이터 33,849 객관적 데이터 10,075)를 선수-일 패널로 리샘플링하여 총 36,550개 관측치를 생성하였다. 휴식일·미기록일은 훈련부하(load)=0 으로 처리하였고, ACWR의 결측치는 1.0으로 대체하였다. Tim Gabbett의 훈련 부하 이론을 기반으로 ACWR 위험대, 누적 피로, 단조성 위험 등 파생지표를 생성하고 웰니스 지표(수면, 피로, 스트레스 등)와 결합했으며, MI-RF-L1 하이브리드 피처 선택으로 핵심 20개 피처를 선택하였다. 9개의 머신러닝 모델 중 상위 5개를 앙상블로 구성하였으며, 라벨 기반 층화 분할과 정규화·깊이 제한·조기종료 등 과적합 제어를 적용한 결과, 3/7/14일 예측에서 각각 ROC AUC 0.944/0.942/0.961을 달성하였으며, F2 기준 임계값 최적화를 통해 재현율을 우선하였다. Precision은 3일 0.156, 7일 0.283, 14일 0.314로 상대적으로 낮았고, 이에 따라 False Positive가 True Positive의 약 2.2-4.1배 수준이었으나, 현재 모델은 3/7/14일 지평에서 각각 약 60%, 64%, 71%의 부상을 사전에 예측(재현율)하여 현장 스크리닝 도구로서의 가치를 갖는다.

본 연구는 대형 언어 모델(LLM)인 ChatGPT를 활용하여 생성된 훈련 프로그램이 태권도 품새 표현력 특히 속도와 힘 항목에 향상을 미치는 효과를 검증하고자 하였다. A 대학교 품새 선수단 51명을 대상으로 GPT4.5 모델을 활용해 옆차기 훈련 프로그램을 생성 후 적용하였으며, 훈련 전 후 변화를 분석하고자 한다. 분석에는 RTMpose 모델을 활용하여 옆차기 동작의 소요 프레임 수를 통계적으로 비교 함으로써 속도를 측정했다.

KBO 리그는 프로스포츠 최초의 1,000만 관중을 기록한 후에도 지속적인 성장세를 기록하고 있으며, 관중 수 예측은 구단 수익성 개선의 핵심 요소이자 흥행과 인기 판단 지표로 활용된다. 따라서 본 연구는 국내 프로야구 관중 수 예측을 통해 구단의 마케팅 전략 수립과 관중 수입 증대를 위한 기초자료를 제공하고자 2022년부터 2025년 8월까지의 KBO 리그 구단의 관중 수 데이터를 기반으로 향후 1년간의 관중 수 예측을 진행하였다. 예측 결과, 전체적으로 KBO 관중 수는 증가하는것으로 나타났으며, 인기구단의 경우 전 좌석 매진이 될 것으로 나타났다. 이러한 결과는 관중 참여 전략 수립에 필요한 기초적 통찰을 제공하며, 마케팅 및 수익 증대 방안의 기초자료가 될 수 있을 것이다.

Formula One World Championship(F1)은 올림픽, 월드컵과 함께 세계 3대 스포츠 이벤트로 꼽히며, 이탈리아 몬자 그랑프리는 긴 직선 구간과 높은 평균 속도로 엔진 성능이 랩타임에 지대한 영향을 준다. 본 연구는 레이스 결과에 큰 영향을 미치는 Qualifying 세션, 특히 Q1의 랩타임을 예측하기 위해 2000년부터 2025년까지의 데이터를 활용하였으며, 강우로 인해 기록 편차가 컸던 일부 연도는 제외하였다. Python 기반 NeuralProphet을 적용한 결과, 동일한 메르세데스 엔진을 사용하더라도 팀별 랩타임 차이가 확인되어 공기역학적 성능의 중요성이 드러났으며, NeuralProphet이 F1 랩타임 분석에 효과적인 도구임을 검증하였다.

글로벌 이벤트가 주는 파급력 중 개최국의 프로리그 스포츠에 미치는 성장률을 시계열 데이터를 활용하여 과거에 개최되었던 국가들의 정보들을 활용하여, 시계열 데이터 분석을 하여 앞으로 다가올 2026년 북중미 FIFA 월드컵과 2028년 Los Angeles 올림픽이 Major League Soccer(MLS)에 미치는 향후 성장률을 예측하고자 한다.