제조 및 센서 기반 인간 활동 인식 등 다양한 분야에서 시계열 데이터는 널리 활용된다. 실제 응용에서는 이러한 데이터가 종종 서로 다른 샘플 길이로 수집되며, 이는 일반적으로 고정 길이 입력을 요구하는 분류 모델에 어려움을 초래할 수 있다. 기존 접근법은 가변 입력 크기를 처리하도록 설계된 모델을 사용하거나, 모델 적용 전에 샘플 길이를 표준화하는 방식에 의존한다. 그러나 우리는 이러한 접근이 데이터 무결성을 훼손하고 궁극적으로 모델 성능을 저하시킬 수 있다고 주장한다. 이 문제를 해결하기 위해 우리는 Time series Into Pixels (TIP)라는 직관적이면서도 강력한 방법을 제안한다. 이 방법은 각 시계열 데이터의 한 점을 2차원 표현에서의 하나의 픽셀로 매핑하며, 여기서 세로축은 시간 스텝을 나타내고 가로축은 각 시점에서의 값을 나타낸다. 백본으로 강력한 비전 모델에 의존하지 않고 표현을 평가하기 위해, 우리는 간단한 LeNet과 유사한 2D CNN 모델을 사용한다. 11개 실제 벤치마크에서 10개의 기준 모델과의 광범위한 평가를 통해 TIP은 정확도에서 2–5% 더 높은 성능을 보였으며, 매크로 평균 정밀도에서는 10–25% 더 높은 성능을 달성한다. 또한 TIP이 복잡한 다변량 데이터에서도 유사한 성능을 보임을 확인했으며, 제거(ablations) 연구를 통해 가변 길이 상황에서 길이 정규화 기법이 야기할 수 있는 잠재적 위험성을 강조한다. 우리는 이 방법이 실제 응용에서 가변 길이 시계열 데이터를 처리하기 위한 데에 의미 있는 진전을 제공할 것이라고 믿는다. 코드는 공개되어 있다.

인간 작업자를 배려하는 것은 제조 부문의 지속가능성에 있어 중요한 측면이다. 본 논문은 인간–기계 제조 시스템에서의 작업 배분 문제를 제시한다. 이 문제의 핵심은 서로 다른 작업 선호도와 능력을 지닌 인간 작업자의 특성을 면밀히 고려하는 데 있다. 그러나 인간 작업자의 특성은 대개 내재적(암묵적)이며, 이는 문제의 수학적 정식을 어렵게 만든다. 또한 작업 완료와 기계 고장과 같은 제조 시스템에서의 변동성은 널리 나타난다. 이러한 과제를 해결하기 위해, 본 논문은 인간 작업자의 관측 불가능한 특성과 제조 시스템의 확률적 성격을 수용하기 위한 딥 강화학습 기반 접근법을 제안한다. 작업 배정 과정에서 축적된 과거 데이터를 활용하여 작업을 인간 또는 기계 중 어느 쪽에 배정할지 결정한다. 제안된 모델이 개별 인간 작업자의 작업 역량과 피로 수준을 작업 배정에 반영함으로써, 기존의 규칙 기반(dispatching) 기법과 비교하여 스케줄링 관련 성능 지표를 개선함을 보인다.