라벨 조건부 소스 분리는 입력 심볼로 지정된 목표 소스를 입력 혼합 트랙으로부터 추출한다. 최근 제안된 라벨 조건부 소스 분리 모델인 Latent Source Attentive Frequency Transformation (LaSAFT)-Gated Point-Wise Convolutional Modulation (GPoCM)-Net은 LaSAFT라는 잠재 소스 분석을 위한 블록을 도입하였다. LaSAFT 블록을 활용하여, 이 모델은 MUSDB18 벤치마크의 여러 과제에서 최첨단 성능을 달성하였다. 본 논문은 자기 조건화(self-conditioning) 방법을 활용하여 LaSAFT 블록을 향상시킨다. 기존 방법은 목표 소스 심볼과 잠재 소스 사이의 상징적 관계만 고려하고 오디오 콘텐츠를 무시하는 반면, 새로운 접근법은 오디오 콘텐츠 또한 고려한다. 향상된 블록은 라벨과 입력 오디오 특징 맵에 대해 주의(attention) 마스크 조건화를 수행한다. 여기에서는, 향상된 LaSAFT 블록을 사용하는 조건부 U-Net이 기존 모델보다 우수한 성능을 보임을 입증한다. 또한, 본 모델이 약간의 수정으로 오디오-쿼리 기반 분리를 수행할 수 있음을 보인다.

위치기반서비스(LBS)의 공간 정보 품질을 향상시키기 위해, 정적 공간 객체의 방문 시간과 같은 추가 정보를 사용자로부터 수집하는 크라우드소싱 기반 LBS(cLBS) 애플리케이션이 등장하였다. 본 논문에서는 존재할 가능성이 높은 객체를 탐색하는 새로운 유형의 최근접 이웃(NN) 질의인 k-최근접 신뢰 이웃(k NRN) 질의를 제안한다. cLBS에서 사용자가 자신과 가까우면서도 존재할 가능성이 높은 식당을 찾고자 한다고 가정하자. 이와 같은 경우 k NRN 질의를 적극 권장한다. 본 논문에서는 cLBS에서의 데이터 모델을 형식적으로 정의하고, 신뢰 객체 및 k NRN 문제를 정의한다. 대규모 데이터셋에서 계산 및 I/O 비용이 큰 이 문제에 대한 무차별 대입 접근법으로는, k NRN 질의를 위한 3DR-tree 기반 기준 알고리즘, 2DR-tree 기반 증분 알고리즘, 그리고 a3DR-tree 기반 분기-한정(branch-and-bound) 알고리즘을 제안한다. 합성 데이터셋과 실제 데이터셋 모두에 대해 성능 평가 연구를 수행하였다. 실험 결과는 제안한 방법들의 효율성을 보여준다.

화학물질의 효율적 관리를 위해 스크리닝 방법을 통해 유해성이 높은 물질을 우선순위로 선정하는 것이 필요하다. 지난 20년 동안 화학물질 순위 및 점수화(chemical ranking and scoring, CRS) 방법이 여러 국가에서 적용되어 왔으나, 이러한 CRS 방법에는 몇 가지 한계가 있다. 기존 대부분의 방법은 화학물질의 위해도를 산정할 때 일부 변수만을 사용하거나, 화학물질 독성 간의 상관관계를 고려하지 않은 채 가장 보수적인 점수를 사용하는 경향이 있다. 이러한 평가는 화학물질의 실제 건강 위해도를 과소평가하거나 과대평가할 수 있다. 이러한 방법들의 한계를 극복하기 위해 우리는 Mahalanobis⁻Taguchi System(MTS)을 이용한 새로운 CRS 방법을 개발하였다. 다변량 분석을 수행하는 MTS는 화학물질의 건강 위해도와 관련된 변수들 간의 상관관계를 고려한 화학물질 순위를 산출하였다. 또한 기존 방법에 비해 MTS를 사용했을 때, 한국화학물질관리법에 따라 관리되는 화학물질 중 높은 등급을 부여받은 물질의 비율이 더 높은 것으로 나타났다. 이러한 결과는 새 방법이 화학물질의 건강 위해도를 보다 정확하게 평가함을 시사하며, MTS 방법이 기존 CRS 방법보다 더 광범위한 화학물질에 적용될 수 있음을 기대한다.

화학 사고는 사회-환경 시스템에 영향을 미쳐 왔다. 환경에 대한 영향도를 평가하기 위한 기반 작업인 지역 취약성 평가를 위해서는, 인접한 다수 기업에서 발생한 화학물질이 어떻게 전파되는지를 규명하기 위한 기상(메테오로로지컬) 장(필드)이 필요하다. 본 연구에서는 지역 화학 사고 시나리오에서 취약성 평가의 주요 구성요소인 공간 군집(spatial cluster)을 기반으로 한 기상 장(필드) 산출 방법을 제시한다. 공간적으로 밀집한 화학 기업을 하나의 군집으로 통합하기 위해 공간 군집화 알고리즘을 채택하였다. 실험 결과, DBSCAN 기반 접근법은 무차별 대입(brute-force) 알고리즘에 비해 기상 장(필드)의 총 면적을 80.5% 감소시키며, 군집화 결과에 대한 평균 중첩 비율(overlap ratio) 및 유틸리티 비율(utility ratio)에서도 우수한 성능을 보였다.

데이터 마이닝은 지속가능한 의사결정에 있어 중요한 역할을 한다. k-prototypes 알고리즘은 수치형 및 범주형 데이터를 모두 클러스터링하는 데 널리 알려진 알고리즘 중 하나이다. 그러나 대량의 공간 객체에 대해 수치형 및 범주형 속성을 혼합하여 클러스터링하는 일은 높은 시간 복잡도 때문에 여전히 비효율적이다. 본 논문에서는 공간 객체 클러스터링에 대해 높은 성능을 달성하는 효율적인 격자 기반 k-prototypes 알고리즘인 GK-prototypes를 제안한다. 첫 번째로 제안된 알고리즘은 클러스터 중심과 셀 사이의 최대 거리 및 최소 거리를 모두 활용하여 불필요한 거리 계산을 제거할 수 있다. 두 번째로 제안된 알고리즘은 앞서 제안된 알고리즘의 확장 형태로서, 객체가 더 가까울수록 공간 데이터가 더 유사해지는 경향이 있다는 공간 의존성을 활용한다. 또한 각 셀에는 해당 셀 내의 모든 객체에 대해 각 속성별 범주형 값을 저장하는 비트맵 인덱스가 존재한다. 이 비트맵 인덱스는 범주형 데이터가 한쪽으로 치우친 경우 성능을 향상시킬 수 있다. 평가 실험 결과, 제안된 알고리즘은 k-prototypes 알고리즘에서의 기존 가지치기(pruning) 기법보다 더 나은 성능을 달성할 수 있음을 보여주었다.