농산물 등급 판정을 위한 기존의 딥러닝 기반 시스템은 일반적으로 컨베이어 벨트에서 촬영한 상면(Top-view) 이미지를 기반으로 하여 표면 검사 범위를 제한받는다. 무작위 롤링(random rolling)을 도입하여 다양한 면을 노출시키는 접근이 제안되었으나, 이는 흔히 중복되거나 일관되지 않은 커버리지를 초래하여 분류 신뢰도를 저하시킨다. 본 연구는 Calistar 그레이더의 구조적 특성을 활용한 다중 시점 이미지 획득 및 분류 시스템을 제안한다. 4대의 산업용 카메라(상단 2대, 하단 2대)가 서로 다른 4개의 각도에서 이미지를 촬영하였고, 이를 하나의 합성 복합(multiview) 이미지로 병합하였다. 이 복합 이미지는 ConvNeXt V2 모델로 처리하였으며, ONNX로 변환한 뒤 TensorRT로 최적화하여 실시간 배치에 적용하였다. 실험 결과 분류 정확도는 약 99%였고 처리 속도는 초당 5개 물체로 나타났다. 이러한 결과는 본 시스템이 농산물을 실시간으로 정확하게 등급 판정하는 데 효과적임을 검증하며, 양파뿐 아니라 형상이 불규칙한 3D 물체에도 적용될 가능성을 보여준다.

워터마킹을 통해 LLM이 생성한 코드를 식별하는 것은 기능적 정확성을 보존하는 데 있어 어려움을 수반한다. 기존 방법들은 고엔트로피 토큰에 워터마킹을 적용하면 출력 품질이 효과적으로 유지된다는 가정에 의존한다. 그러나 우리의 분석은 이러한 가정의 근본적인 한계를 밝혀낸다. 키워드와 같은 문법에 치명적인 토큰은 종종 가장 높은 엔트로피를 나타내며, 이로 인해 기존 접근법들이 논리적 손상에 취약해진다. 우리는 비문법(non-syntactic) 토큰에만 워터마크를 내장하고 코드의 무결성을 보존하는 문법 인지(syntax-aware) 워터마킹 방법 STONE을 제시한다. 엄밀한 평가를 위해, 정확성, 검출 가능성, 비식별성의 세 가지 핵심 차원을 균형 있게 고려하는 포괄적 지표 STEM도 함께 도입한다. Python, C++, Java 전반에 걸쳐 STONE은 정확성을 보존하고 강한 검출 가능성을 유지하면서, 최소한의 계산 오버헤드로 균형 잡힌 성능을 달성한다. 구현 코드는 https://github.com/inistory/STONE-watermarking 에서 제공된다.

대규모 언어 모델(Large Language Models, LLM)의 추론 능력은 특히 복잡한 의사결정 과제에서 핵심적인 능력이다. LLM의 추론 능력을 보여주는 데 중요한 한 과제는 코드 시간 복잡도 예측이며, 이는 변수의 입력 범위와 조건 반복문과 같은 여러 복잡한 요인을 포함한다. 현재의 벤치마크는 제한된 데이터, 언어 제약, 불충분한 라벨링으로 인해 엄밀한 평가를 제공하는 데 한계가 있다. 또한 입력 표현에 기반한 시간 복잡도를 고려하지 않으며, 예측이 정답과 동일한 범주에 속하는지만 평가하여 오답이 정답에 얼마나 가까운지에 대한 측정이 결여되어 있다. 이러한 의존성을 해결하기 위해, 우리는 코드 시간 복잡도 예측에서 LLM의 추론 능력을 평가하도록 설계된 최초의 견고하고 대규모의 데이터셋인 CodeComplex를 제안한다. CodeComplex는 4,900개의 자바 코드와 이에 상응하는 수의 파이썬 코드를 포함하며, 언어 및 라벨링 제약을 극복한다. 알고리즘 전문가 패널이 입력 특성에 기반한 복잡도 라벨로 신중하게 주석을 달았다. 더 나아가, 복잡도 예측 과제의 추론을 평가하기 위한 특화 평가 지표를 제안하여 LLM의 추론 능력을 보다 정밀하고 신뢰성 있게 평가할 수 있도록 한다. 우리는 관련 연구(NLP, SE 및 PL) 커뮤니티가 본 연구를 활용하고 참여하도록 하기 위해, 데이터셋(https://github.com/sybaik1/CodeComplex-Data)과 기준 모델(https://github.com/sybaik1/CodeComplex-Models)을 공개한다.

우리는 이미지의 정서적 내용(emotional content)을 특정 목표 감정으로 변환하기 위한 새로운 방법을 제안한다. 단일 생성적 적대 신경망(GAN)과 같은 기존 기술은 특히 데이터가 제한적인 경우, 제약이 없는 이미지에서 좋은 성능을 발휘하기 어렵다. 우리의 방법은 두 네트워크의 출력을 혼합함으로써 세밀한 디테일(예: 얼굴)을 더 잘 변환하는 동시에, 전체 이미지의 더 넓은 스타일에 대해서도 여전히 작동하도록 하여 이러한 한계를 해결한다. 우리는 개념 증명(proof-of-concept) 구현을 통해 본 방법의 잠재력을 시연한다.

배경/목적: 본 연구의 목적은 디지털 큐레이션 시스템을 활용한 이미지 기반 창의성/성격 교육 프로그램이 예비 엔지니어, 예비 디자이너, 예비 유아교사에게 미치는 영향을 살펴보는 데 있다. 방법/통계 분석: 본 연구의 대상은 부산 및 경상남도 소재 대학에서 미디어공학, 시각디자인, 유아교육을 전공하는 240명의 선발 학생이었다. 결과: 첫째, 디지털 큐레이션 시스템을 활용한 이미지 기반 창의성/성격 교육 프로그램을 예비 엔지니어, 예비 디자이너, 예비 유아교사에게 제공한 경우, 해당 프로그램은 예비 엔지니어와 예비 디자이너의 창의성에는 유의한 영향을 미치지 않았으나 예비 유아교사에게는 유의한 영향을 미쳤다. 둘째, 디지털 큐레이션 시스템을 활용한 이미지 기반 창의성/성격 교육 프로그램은 예비 엔지니어와 예비 디자이너의 성격에도 유의한 영향을 미치지 못했으나 예비 유아교사에게는 유의한 영향을 미쳤다. 적용/개선: 보다 일반화 가능한 결과를 도출하기 위해서는 더 넓은 지역에서의 추가 표집이 필요하다. 향후 더 광범위한 지역을 대상으로 한 표집이 요구된다. 핵심어: 창의성, 디지털 큐레이션 시스템, 교육 프로그램, 성격

대부분의 스마트폰 이용자들이 모바일 인스턴트 메신저를 매일 사용하는 것으로 조사될 만큼 모바일 네트워크는 필수적인 상호통신의 도구가 되었다. 본 논문에서는 회사 내 구성원들의 상호통신을 위해 데스크 탑 컴퓨터에서 보편적으로 사용되고 있는 사내 메신저를 다양한 플랫폼을 가진 각종 모바일 장치들과 데스크 탑 컴퓨터에서 공통적으로 사용할 수 있도록 유무선 통합 웹 메신저로 개발하였다. 독립된 여러 회사를 복수조직이라 정의하고, 복수 조직을 하나의 메신저로 묶어 복수 조직의 구성원들이 서로 통신해야 되는 특수한 형태의 회사 조직을 대상으로 개발하였다. 따라서 특정 부서의 보안을 위해 웹 메신저 내 서로 다른 조직의 특정 부서로의 접근을 제한하는 기능이 있다. 개발된 웹 메신저는 안드로이드, iOS 플랫폼 및 데스크 탑 기반의 다양한 웹브라우저들에서 매우 안정적으로 작동하였다. 이동통신 네트워크는 필수적인 상호통신 도구가 되었으며, 조사 연구에 따르면 대부분의 스마트폰 사용자는 매일 모바일 인스턴트 메신저를 사용한다. 본 논문에서는 일부 회사의 사용자들이 통신할 수 있도록, 다양한 플랫폼의 모바일 장치와 데스크톱 컴퓨터에서 사용할 수 있는 유무선 통합 웹 메신저를 개발하였다. 우리는 다중 조직을 여러 독립 회사로 정의하였다. 본 웹 메신저는 다중 조직의 사용자 간 통신을 위해 개발되었다. 따라서 본 웹 메신저의 기능 중 하나는 각 회사의 특정 부서에 대한 접근을 회사 보안을 위해 제한하는 것이다. 개발된 웹 메신저는 안드로이드, iOS 및 데스크톱 컴퓨터와 같은 대부분의 플랫폼에서 다양한 웹 브라우저에서 매우 안정적으로 작동하였다.

이미지는 오랫동안 인터넷에서 가장 흔한 콘텐츠이다. 많은 연구자들이 저수준 특징(예: 색상 또는 질감)이나 텍스트 주석인 키워드를 활용하여 사용자 요구에 부합하는 의미적 시각 인식(semantic visual recognition)을 충족시키고자 연구해 왔으나, 여전히 어려움이 존재한다. 이미지의 키워드는 해당 이미지가 무엇을 나타내는지 식별하는 데 중요한 근거를 제공한다. 그러나 키워드가 반드시 이미지 자체와 관련 있는 것은 아니다. 따라서 통계적 모델과 WordNet과 같은 지식 기반을 이용하여 관련 없는 키워드를 제거하고 관련 있는 키워드에 더 높은 값을 부여하는 것이 필요하다. 이를 위해 본 연구는 WordNet에서 이미 이미지에 가까운 키워드를 결정하기 위한 수정된 WUP 유사도 측정법을 제안한다. 관련 없는 키워드를 식별하기 위해 키워드와 이미지 제목 간의 다양한 의미적 유사도 척도를 사용한다. 우리는 bat, mouse, jaguar 등과 같은 이미지 제목의 단어 의미(Word Sense) 판별 문제(word sense disambiguation, WSD)를 해결하는 데 초점을 둔다. 그 결과, 제안한 방법으로 지식 기반을 보강하면 관련 없는 이미지를 제거하고 WSD 문제를 해결하는 데 있어 한 단계 더 나아갈 수 있음을 확인하였다.

농산물 등급 판정을 위한 기존의 딥러닝 기반 시스템은 일반적으로 컨베이어 벨트에서 촬영한 상면(Top-view) 이미지를 기반으로 하여 표면 검사 범위를 제한받는다. 무작위 롤링(random rolling)을 도입하여 다양한 면을 노출시키는 접근이 제안되었으나, 이는 흔히 중복되거나 일관되지 않은 커버리지를 초래하여 분류 신뢰도를 저하시킨다. 본 연구는 Calistar 그레이더의 구조적 특성을 활용한 다중 시점 이미지 획득 및 분류 시스템을 제안한다. 4대의 산업용 카메라(상단 2대, 하단 2대)가 서로 다른 4개의 각도에서 이미지를 촬영하였고, 이를 하나의 합성 복합(multiview) 이미지로 병합하였다. 이 복합 이미지는 ConvNeXt V2 모델로 처리하였으며, ONNX로 변환한 뒤 TensorRT로 최적화하여 실시간 배치에 적용하였다. 실험 결과 분류 정확도는 약 99%였고 처리 속도는 초당 5개 물체로 나타났다. 이러한 결과는 본 시스템이 농산물을 실시간으로 정확하게 등급 판정하는 데 효과적임을 검증하며, 양파뿐 아니라 형상이 불규칙한 3D 물체에도 적용될 가능성을 보여준다.

워터마킹을 통해 LLM이 생성한 코드를 식별하는 것은 기능적 정확성을 보존하는 데 있어 어려움을 수반한다. 기존 방법들은 고엔트로피 토큰에 워터마킹을 적용하면 출력 품질이 효과적으로 유지된다는 가정에 의존한다. 그러나 우리의 분석은 이러한 가정의 근본적인 한계를 밝혀낸다. 키워드와 같은 문법에 치명적인 토큰은 종종 가장 높은 엔트로피를 나타내며, 이로 인해 기존 접근법들이 논리적 손상에 취약해진다. 우리는 비문법(non-syntactic) 토큰에만 워터마크를 내장하고 코드의 무결성을 보존하는 문법 인지(syntax-aware) 워터마킹 방법 STONE을 제시한다. 엄밀한 평가를 위해, 정확성, 검출 가능성, 비식별성의 세 가지 핵심 차원을 균형 있게 고려하는 포괄적 지표 STEM도 함께 도입한다. Python, C++, Java 전반에 걸쳐 STONE은 정확성을 보존하고 강한 검출 가능성을 유지하면서, 최소한의 계산 오버헤드로 균형 잡힌 성능을 달성한다. 구현 코드는 https://github.com/inistory/STONE-watermarking 에서 제공된다.