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.

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.

추천 시스템은 추천의 다양성을 간과한 채 필터 버블(filter bubble)의 잠재적 문제에 직면한다. 이러한 시스템은 지루한 추천을 제공할 수밖에 없기 때문에 사용자 경험을 저하시킬 가능성이 불가피하다. 여러 솔루션이 다양성을 높이기 위해 제안되었음에도 불구하고, 다양성 향상과 함께 정확도 손실을 방지하는 것은 여전히 어렵다. 본 연구는 관련성(relevance)과 예기치성(unexpectedness)이라는 두 가지 우연적 적합성(serendipity) 구성요소를 고려하여 다양성을 개선하는 것을 목표로 하는 세션 기반 추천을 위한 새로운 사용자 지향적 알고리즘을 제시한다. 구체적으로, 우리의 접근은 먼저 세션 및 그래프 신경망을 기반으로 추천 시스템에 우연적 선호 임베딩(serendipitous preference embedding)을 채택한다. 다음으로, 결정적 점 과정(determinantal point process)에서 순위를 재정렬하기 위해 최대 사후확률(maximum a posteriori, MAP) 추론의 탐욕(greedy) 알고리즘을 활용한다. 마지막으로, 사용자에 의해 조절 가능한 파라미터를 통해 개인화된 트레이드오프 균형을 추가로 통합한다. 제안한 접근을 검증하기 위해, 정확도와 다양성의 균형을 이룰 수 있음을 보여주기 위해 두 개의 실제 데이터셋을 사용한 실험을 수행하였다. 그 결과, 우리의 접근은 관련성 있을 뿐 아니라 예기치 않은 추천도 생성하였으며, 정확도 손실 없이 다양성을 성공적으로 향상시켰다. 본 연구는 사용자 중심 관점에서의 세션 기반 추천 시스템에 특히 적합한 추천 다양화(diversification) 방법에 기여한다.

적층제조(Additive Manufacturing, AM) 공정에 대한 실시간 모니터링은 딥러닝을 이용한 시공간(spatial-temporal) 모델링을 통해 큰 이점을 얻을 수 있다. 그러나 AM 분야에서 기존의 딥러닝 접근법들은 사례 의존적이어서, 제어 입력과 데이터 유형의 변화에 대해 견고하지 않다. AM은 동적이며 복잡하기 때문에, 이러한 한계는 실시간 AM 모니터링을 위한 체계적인 DL(딥러닝) 접근법이 부족함으로 이어지며, 이는 다수의 상이한 제어 매개변수와 모니터링 데이터가 수반된다는 점과 관련된다. 본 논문은 실시간 모니터링 데이터에 대한 딥러닝을 활용하여 레이저 분말 베드 융합(Laser Powder Bed Fusion, LPBF) 공정을 모니터링하기 위한 시공간 모델을 개발하는 새로운 접근법을 제안한다. 첫째, 다중 스케일에서 LPBF의 현장(in-situ) 모니터링 및 제어 데이터를 나타내기 위한 새로운 모델을 제시한다. 둘째, 모델로부터 LPBF 공정의 현장 모니터링을 위한 시공간적 관계를 추출한다. 셋째, 추출된 시공간적 관계를 모니터링하고 이상(anomaly)을 탐지하기 위해 합성곱(convolutional) 장·단기 기억(convolutional long short-term memory, LSTM) 아키텍처를 활용한 시공간 모델링 접근법을 제시한다. 사례 연구로는 현장 모니터링에서 가장 널리 채택되는 데이터 유형 중 하나인 광학(optical) 및 용융 풀(melt-pool) 모니터링 데이터에 대해 합성곱 LSTM 오토인코더(convolutional LSTM Autoencoder)를 사용하였다. 데이터는 Additive Manufacturing Metrology Testbed라는 LPBF 테스트베드에서 생성되었다. 제안하는 새로운 학습 접근법은 변화하는 AM 환경의 모니터링을 위해 실시간 데이터로부터 AM 동역학을 직접 시공간적으로 모델링할 수 있게 한다. 본 방법론적 접근은 다중 시공간 스케일에서 실시간 데이터를 융합할 가능성을 제공한다.

무인 항공기(드론, UAV)가 대중화됨에 따라 조종자의 부주의로 인해 발생하는 사고의 수가 증가하고 있다. 이러한 사고를 예방하기 위해 조종자는 주의 상태를 유지해야 한다. 그러나 무인 항공기의 조종자 주의 회복을 위한 경보 모듈을 갖춘 뇌-컴퓨터 인터페이스(BCI) 기반 시스템에 대한 연구는 제한적이다. 따라서 본 연구는 조종자의 뇌전도(electroencephalogram, EEG) 신호를 이용하여 조종자가 부주의 상태에 빠지지 않도록 하는 탐지 및 경보 시스템을 제안한다. 제안된 시스템은 다음 세 가지 구성요소로 이루어진다: (1) 신호처리 모듈로서 조종자의 뇌전도 신호를 수집하고 전처리하며, (2) 부주의 탐지 모듈로서 전처리된 신호를 기반으로 부주의 상태의 발생 여부를 판단하고, (3) 마지막으로 경보 제공 모듈로서 부주의가 감지될 때 조종자에게 자극을 제시한다. 실제 환경 데이터셋으로 성능을 평가한 결과, 대상자 수가 적어 통계적 유의성은 입증되지 못했음에도 불구하고, 제안된 시스템이 평가 데이터셋에서 조종자의 주의 회복에 성공적으로 기여함을 보여주었다.

무인 전투 항공기 및 전투 시뮬레이터를 위한 핵심 기술 중 하나는 행동 최적화로, 전투에서 승리할 확률을 극대화하는 행동을 찾는다. 군사 과학의 발전으로 전투 로그가 이용 가능해지면서, 행동 최적화에 기계 학습 알고리즘을 활용할 수 있게 되었다. 그러나 로그 데이터에 명시적으로 나타나지 않는 조종자 경험과 같은 암묵적 특성으로 인해, 기존의 행동 최적화 방법은 성능 향상에 한계가 있다. 또한 특정 행동은 낮은 빈도로 발생하여 불균형하고 결측 값을 포함한 데이터셋이 형성된다. 따라서 본 연구에서는 잠재 요인 모형 중 하나인 행렬 분해(MF) 방법을 행동 최적화 문제에 적용한다. MF 방법은 결측 값의 정교한 대치(imputation)로 알려져 있다. MF 기반 방법을 구현하기 위해, 상황-행동 행렬을 정의하였으며, 이 행렬의 각 원소는 상황에서의 행동이 최적임을 나타내는 평점을 의미한다. 제안된 방법의 성능을 비교하기 위한 실험은 전투 로그에서 수행되었고, 그 결과 제안된 방법은 만족스러운 성능을 보였다.

제품 결함의 진단은 제조 분야에서 중요한 과제이며, 기계 학습 기반 접근법은 산업과 학계 모두에서 관심을 받고 있다. 기계 학습 모델을 개발하기 위해서는 고품질 데이터셋이 필요하지만, 제조 산업은 부분적으로 섞인 데이터와 같은 여러 데이터 수집 문제에 직면해 있는데, 이는 제품 ID가 완벽하게 추론되지 못할 때 발생하며 불안정한 기계 학습 모델을 초래한다. 본 논문은 부분적으로 섞인 데이터의 문제를 해결하는 지도학습 모델을 정식화하기 위해 잠재 변수를 도입한다. 실험 결과는 우리의 그래픽 모델이 제품의 순서 섞임(shuffling)을 다룰 수 있으며, 섞임을 무시하는 모델에 비해 결함 제품을 훨씬 더 효과적으로 탐지함을 보여준다.