태양광과 풍력과 같은 분산형 재생에너지 자원(DERs)은 주요 지속가능 에너지원으로 자리잡고 있다. 그러나 이들은 규모가 작고 변동성이 크기 때문에 안정적인 에너지 공급에 어려움이 있으며, 따라서 DERs는 가상발전소(VPPs)로서 집합적으로 관리되어야 한다. 기존의 에너지 예측 불확실성은 VPPs에 대한 신뢰를 저하시켜 시장 성장을 제한한다. 이를 해결하기 위해 본 연구에서는 신뢰 인식형 예측 보정 방법을 제안한다. DER의 신뢰성을 정량적 지표로 정의함으로써, 본 접근법은 예측 정확도를 향상시킨다. 실제 데이터에 대한 실험 결과, 본 방법은 비(非)신뢰 적중률을 감소시키는 데 있어 기존의 기법들보다 우수함을 보였다.

입지 선정에서 핵심 요인을 식별하고 그 인과 관계를 분석하는 것은 의사결정의 효율성을 유의미하게 향상시킨다. 다수의 연구에서 입지 선정에 다기준 의사결정(Multi-Criteria Decision-Making, MCDM) 방법을 적용해 왔으나, 이러한 전통적 접근은 종종 요인 간 인과적 상호의존성을 간과하거나 적절히 반영하지 못한다. 본 연구는 투명성을 위해 공개 데이터를 활용하고, 견고한 확률적 모델링 대안으로 베이지안 네트워크(Bayesian Networks, BN)를 사용함으로써 이러한 한계를 해결한다. BN은 복잡한 요인 간 상호작용을 효과적으로 나타내며, 인과 관계와 불확실성을 모두 포착한다. 실험 평가 결과, 제안된 프레임워크는 계층적 의존성을 명시적으로 고려함으로써 최종 입지 적합도 확률을 효과적으로 산출하며, 의사결정에 대한 향상된 통찰을 제공하는 것으로 나타났다.

스트림 처리(stream processing)는 풍부한 지식이 되기 위해 배경 지식(background knowledge)과의 통합을 요구한다. 유망한 접근으로, 스트리밍 데이터와 연결된 오픈 데이터(linked open data)를 결합하는 일이 중요해지고 있다. 그러나 연결 데이터는 동적으로 변화하므로, 분산된 데이터 소스를 완벽하고 매끄럽게 동기화하는 것은 불가능하다. 동기화의 높은 비용을 줄이기 위해 원격 소스의 로컬 복사본을 저장하는 물질화 뷰(materialized views) (또는 views)가 사용되지만, 이는 스트림 처리의 정확도를 저하시킬 수 있다. 응답 시간과 정확도 사이의 균형을 맞추기 위해 최근 연구들은 새로 고침 예산(refresh budget)—즉, 원격 소스에 대한 뷰 업데이트에 할당되는 제한된 비용—을 관리한다. 그러나 이들은 예산을 적절히 할당하지 못하며, 촉박한 마감(deadline)이 주어질 때 낮은 정확도를 산출한다. 이 문제를 해결하기 위해, 우리는 뷰 업데이트에 대한 새로 고침 예산을 효율적으로 할당하는 방법을 제안한다. 제안된 방법은 배경(background)에서와 동시에 요청(on demand) 시에도 뷰를 업데이트한다. 실제 데이터와 합성 데이터 세트를 대상으로 한 실험 결과는, 제안된 방법이 답변의 오래됨(answer staleness), 자원 활용(resource utilization), 그리고 새로 고침 예산 사용(refresh budget usage) 측면에서 우수성을 달성함을 보여준다.

콜드 아이템은 추천 도메인에서 중요한 문제인데, 새로 도입된 아이템은 정확한 협업 필터(CF)를 학습하기 위한 사용자–아이템 상호작용이 부족하기 때문이다. 최근 연구들은 MLP 및 오토인코더와 같은 신경망을 채택하여 CF가 학습한 협업 임베딩을 예측하고자 하였으며, 등록 시점에 이용 가능한 아이템의 부가 정보를 활용한다. 생성 모델로서 확산(diffusion) 모델은 이미지 생성과 자연어 처리 등 다양한 분야에서, 우수한 생성 능력을 바탕으로 성과를 거두었다. 본 논문은 콜드 아이템 추천을 위한 기반으로서 확산 모델을 제안하며, 콜드 아이템에 대한 협업 임베딩을 생성한다. 먼저, 맞춤형 예측기를 포함한 확산 모델을 사용하여 아이템의 부가 정보에 조건을 건 형태로 아이템의 협업 임베딩을 직접 생성한다. 그 다음, 간단한 MLP와 dropout을 사용하는 2단계 정제(refiner)를 학습하여 최종 추천 점수를 계산한다. 제안된 방법은 기존 모델로부터 사용자 임베딩과 콜드 아이템의 부가 정보만을 필요로 하므로, 기존 추천 시스템에 손쉽게 통합될 수 있다. 실제 데이터셋에 대한 광범위한 실험 결과, 본 방법은 최신 성능의 기준(baseline) 방법들을 능가하며, 콜드 아이템 추천에서 확산 모델의 잠재력을 시사한다.

태양광과 풍력과 같은 분산형 재생에너지 자원(DERs)은 주요 지속가능 에너지원으로 자리잡고 있다. 그러나 이들은 규모가 작고 변동성이 크기 때문에 안정적인 에너지 공급에 어려움이 있으며, 따라서 DERs는 가상발전소(VPPs)로서 집합적으로 관리되어야 한다. 기존의 에너지 예측 불확실성은 VPPs에 대한 신뢰를 저하시켜 시장 성장을 제한한다. 이를 해결하기 위해 본 연구에서는 신뢰 인식형 예측 보정 방법을 제안한다. DER의 신뢰성을 정량적 지표로 정의함으로써, 본 접근법은 예측 정확도를 향상시킨다. 실제 데이터에 대한 실험 결과, 본 방법은 비(非)신뢰 적중률을 감소시키는 데 있어 기존의 기법들보다 우수함을 보였다.

입지 선정에서 핵심 요인을 식별하고 그 인과 관계를 분석하는 것은 의사결정의 효율성을 유의미하게 향상시킨다. 다수의 연구에서 입지 선정에 다기준 의사결정(Multi-Criteria Decision-Making, MCDM) 방법을 적용해 왔으나, 이러한 전통적 접근은 종종 요인 간 인과적 상호의존성을 간과하거나 적절히 반영하지 못한다. 본 연구는 투명성을 위해 공개 데이터를 활용하고, 견고한 확률적 모델링 대안으로 베이지안 네트워크(Bayesian Networks, BN)를 사용함으로써 이러한 한계를 해결한다. BN은 복잡한 요인 간 상호작용을 효과적으로 나타내며, 인과 관계와 불확실성을 모두 포착한다. 실험 평가 결과, 제안된 프레임워크는 계층적 의존성을 명시적으로 고려함으로써 최종 입지 적합도 확률을 효과적으로 산출하며, 의사결정에 대한 향상된 통찰을 제공하는 것으로 나타났다.

스트림 처리(stream processing)는 풍부한 지식이 되기 위해 배경 지식(background knowledge)과의 통합을 요구한다. 유망한 접근으로, 스트리밍 데이터와 연결된 오픈 데이터(linked open data)를 결합하는 일이 중요해지고 있다. 그러나 연결 데이터는 동적으로 변화하므로, 분산된 데이터 소스를 완벽하고 매끄럽게 동기화하는 것은 불가능하다. 동기화의 높은 비용을 줄이기 위해 원격 소스의 로컬 복사본을 저장하는 물질화 뷰(materialized views) (또는 views)가 사용되지만, 이는 스트림 처리의 정확도를 저하시킬 수 있다. 응답 시간과 정확도 사이의 균형을 맞추기 위해 최근 연구들은 새로 고침 예산(refresh budget)—즉, 원격 소스에 대한 뷰 업데이트에 할당되는 제한된 비용—을 관리한다. 그러나 이들은 예산을 적절히 할당하지 못하며, 촉박한 마감(deadline)이 주어질 때 낮은 정확도를 산출한다. 이 문제를 해결하기 위해, 우리는 뷰 업데이트에 대한 새로 고침 예산을 효율적으로 할당하는 방법을 제안한다. 제안된 방법은 배경(background)에서와 동시에 요청(on demand) 시에도 뷰를 업데이트한다. 실제 데이터와 합성 데이터 세트를 대상으로 한 실험 결과는, 제안된 방법이 답변의 오래됨(answer staleness), 자원 활용(resource utilization), 그리고 새로 고침 예산 사용(refresh budget usage) 측면에서 우수성을 달성함을 보여준다.

콜드 아이템은 추천 도메인에서 중요한 문제인데, 새로 도입된 아이템은 정확한 협업 필터(CF)를 학습하기 위한 사용자–아이템 상호작용이 부족하기 때문이다. 최근 연구들은 MLP 및 오토인코더와 같은 신경망을 채택하여 CF가 학습한 협업 임베딩을 예측하고자 하였으며, 등록 시점에 이용 가능한 아이템의 부가 정보를 활용한다. 생성 모델로서 확산(diffusion) 모델은 이미지 생성과 자연어 처리 등 다양한 분야에서, 우수한 생성 능력을 바탕으로 성과를 거두었다. 본 논문은 콜드 아이템 추천을 위한 기반으로서 확산 모델을 제안하며, 콜드 아이템에 대한 협업 임베딩을 생성한다. 먼저, 맞춤형 예측기를 포함한 확산 모델을 사용하여 아이템의 부가 정보에 조건을 건 형태로 아이템의 협업 임베딩을 직접 생성한다. 그 다음, 간단한 MLP와 dropout을 사용하는 2단계 정제(refiner)를 학습하여 최종 추천 점수를 계산한다. 제안된 방법은 기존 모델로부터 사용자 임베딩과 콜드 아이템의 부가 정보만을 필요로 하므로, 기존 추천 시스템에 손쉽게 통합될 수 있다. 실제 데이터셋에 대한 광범위한 실험 결과, 본 방법은 최신 성능의 기준(baseline) 방법들을 능가하며, 콜드 아이템 추천에서 확산 모델의 잠재력을 시사한다.

위치기반 소셜 네트워크(Location-Based1 Social Networks, LBSNs)는 사용자가 방문한 관광명소(Points of Interest, POIs)를 공유할 수 있게 하는 소셜 네트워킹 서비스이다. LBSN의 데이터는 개인화된 장소 추천과 사용자 이동성 분석에 활용된다. 본 연구에서는 도시의 서로 다른 지역에서 제공되는 기능과, 해당 지역을 방문하는 사용자의 이동성이라는 두 관점에서 LBSN 데이터를 분석하기 위한 방법을 제안한다. 구체적으로, 우리는 변분 오토인코더(Variational Auto Encoder, VAE)를 사용하여 각 지역에 대해 POI 범주에 따른 사용자 방문 분포와 지역에 따른 사용자 방문 분포를 임베딩한다. 이후 이러한 임베딩을 활용하여 지역 간 유사성을 분석한다. 분석 결과, 사용자 방문은 비교적 인접한 지역에 집중되어 있는 반면, 유사한 기능을 가진 지역들은 도시 전체에 걸쳐 넓게 분포하는 것으로 나타났다. 또한 지역의 특성을 결정하는 데 있어, 방문한 범주보다 사용자 방문이 더 강한 영향을 미친다는 점을 발견하였다.

무인항공기(UAV), 엣지 서버, 클라우드 서버가 동시에 연동하여 동작하는 이기종 컴퓨팅 환경은 널리 활용되어 왔다. 이러한 이기종 컴퓨팅 환경을 구성하는 컴퓨팅 노드에 다양한 응용을 할당하고 연결할 수 있다. 서로 다른 처리 성능, 네트워크 대역폭, 지연을 갖는 이기종 컴퓨팅 환경에서는 특히 계산 작업을 효율적으로 오프로딩(offloading)하고 할당하는 것이 필수적이다. 특히 드론과 같은 UAV는 최소한의 배터리 전력으로 작동한다. 따라서 계산 작업을 오프로딩하고 할당할 때 에너지 소비를 고려해야 한다. 본 연구는 유전 알고리즘(GA)에 기반한 에너지 소비 공정성 인지(computation fairness-aware) 컴퓨팅 오프로딩 기법을 제안하였다. 제안된 방법은 드론들 사이에 작업을 균등하게 할당하고 오프로딩함으로써 에너지 소비의 차이를 최소화하였다. 성능 평가에 따르면, 본 기법은 Liu et al.의 기법과 같은 기존 접근 방식에 비해 에너지 소비 공정성의 효율을 향상시켰다. 또한 에너지 소비 공정성이 최대 120%까지 개선됨을 보였다.