신용카드 사기 탐지는 금융시스템의 보안과 안정성을 보장하기 위한 핵심 기술이다. 그러나 실제 데이터에서 사기 거래의 비율이 극도로 낮아 심각한 클래스 불균형이 발생하며, 이는 모델 성능을 저하시킨다. SMOTE와 같은 전통적인 오버샘플링 기법은 이 문제를 해결하기 위해 사용되어 왔으나, 단순 선형 보간에 의존하기 때문에 데이터 다양성이 제한되고 적대적 공격에 취약해진다. 본 연구는 AdaBoost 모델에 GAN 기반 데이터 증강 기법들인 GAN, CGAN, WGAN, WCGAN을 적용하고, 거래량 조작, 가격 급등, 거래 왜곡, 추세 조작의 네 가지 적대적 공격 시나리오에서 탐지 성능을 평가한다. 실험 결과는 GAN 기반 증강이 전반적인 성능에서 SMOTE를 능가함을 보여준다. 특히 WCGAN은 가장 높은 F1-score를 달성하면서 정밀도-재현율 간 균형을 안정적으로 유지하여 뛰어난 강인성을 입증하였다. 반면 SMOTE로 학습된 모델은 모든 공격에서 성능 저하가 크게 나타났고, 특히 가격 급등과 거래 왜곡에서 더욱 두드러졌다. 이러한 결과는 GAN 기반 증강이 기존의 오버샘플링에 대한 보다 효과적인 대안임을 시사한다. 또한 적대적 조건에서 모델을 평가하는 것의 중요성을 강조한다. 주목할 만하게도 WCGAN과 WGAN은 강한 저항성과 전반적인 안정성을 보이며, 안전한 사기 탐지 시스템을 개발하는 데 실용적인 가치를 제공한다.

신용카드 사기 탐지는 금융시스템의 보안과 안정성을 보장하기 위한 핵심 기술이다. 그러나 실제 데이터에서 사기 거래의 비율이 극도로 낮아 심각한 클래스 불균형이 발생하며, 이는 모델 성능을 저하시킨다. SMOTE와 같은 전통적인 오버샘플링 기법은 이 문제를 해결하기 위해 사용되어 왔으나, 단순 선형 보간에 의존하기 때문에 데이터 다양성이 제한되고 적대적 공격에 취약해진다. 본 연구는 AdaBoost 모델에 GAN 기반 데이터 증강 기법들인 GAN, CGAN, WGAN, WCGAN을 적용하고, 거래량 조작, 가격 급등, 거래 왜곡, 추세 조작의 네 가지 적대적 공격 시나리오에서 탐지 성능을 평가한다. 실험 결과는 GAN 기반 증강이 전반적인 성능에서 SMOTE를 능가함을 보여준다. 특히 WCGAN은 가장 높은 F1-score를 달성하면서 정밀도-재현율 간 균형을 안정적으로 유지하여 뛰어난 강인성을 입증하였다. 반면 SMOTE로 학습된 모델은 모든 공격에서 성능 저하가 크게 나타났고, 특히 가격 급등과 거래 왜곡에서 더욱 두드러졌다. 이러한 결과는 GAN 기반 증강이 기존의 오버샘플링에 대한 보다 효과적인 대안임을 시사한다. 또한 적대적 조건에서 모델을 평가하는 것의 중요성을 강조한다. 주목할 만하게도 WCGAN과 WGAN은 강한 저항성과 전반적인 안정성을 보이며, 안전한 사기 탐지 시스템을 개발하는 데 실용적인 가치를 제공한다.

항공기 자율 운항(UAV: Unmanned Aerial Vehicle)은 주로 GPS(Global Positioning System) 기반의 통신 기술에 의존한다. 악천후와 같은 비상 상황 발생 시 외부 통신 이전에 항공기 내에서 기장이 상황을 인지할 수 있다면 더욱 효율적인 대처가 가능할 수 있다. 이미 무인 항공기 자율 운항에서는 동적인 외부 상황을 딥러닝 기법인 deblurring에 의해 인지하고 있다. 실제 유인 항공기에서 기내 보조 장치로써 deblurring 기술을 활용하기 위해서는 안정성 연구가 필수적이다. 따라서 본 논문은 실제 항공 이미지를 통해 U-Net의 deblurring 안정성을 확인하고, 안정성 향상을 위해 blur augmentation을 적용한 새로운 U-Net알고리즘을 제시한다.

본 논문은 데이터 압축과 복원을 위한 퍼지 변환 기법과 최소 절대 편차 방법을 새롭게 결합한 최소 절대 편차 퍼지 변환을 위한 새로운 알고리즘을 제안한다. 기존 퍼지 변환에 원본 데이터와 재구성된 데이터의 오차를 최소화하는 최소 제곱 추정방법을 적용한 최소 제곱 퍼지 변환기법이 제시되었다. 그러나 최소 제곱 퍼지 변환은 데이터 복원에는 효과적이지만 이상치에 매우 민감하다는 단점이 있다. 따라서 본 논문은 이상치에 강건한 최소 절대 편차 방법을 적용한 최소 절대 편차 퍼지 변환 알고리즘을 제안한다. 이를 위해 반복 가중치 최소 제곱을 사용했으며, 실험의 결과를 통해 최소 절대 편차 퍼지 변환이 데이터 복원 성능이 높고, 이상치에 강건하다는 것을 확인했다.

퍼지 집합에 기반한 퍼지 변환은 데이터 압축과 함수 근사를 위한 방법이다. 퍼지 변환에 L2-노름을 적용한 최소제곱 퍼지 변환(Least Sqaures Fuzzy Transform)이 제안되었다. 최소제곱 퍼지 변환은 함수 근사에서 우수한 성능을 보이지만 이상치(outliers)에 민감하다. 최근에는 이상치에 강인하고 함수 근사에도 유용한, 퍼지 변환에 L1-노름을 적용한 최소절대편차 퍼지 변환(Least Absolute Deviation Fuzzy Transform)이 제안되었다. 본 논문에서는 함수 근사와 이상치 강인성 문제 측면에서 세 가지 방법의 성능을 비교한다. 실험 결과, 최소절대편차 퍼지 변환이 함수 근사 및 이상치 강인성 문제에서 다른 방법들보다 우수함을 보여주었다.