수동 들어올리기 작업에서의 인체공학적 위험 분류는 작업장 부상 예방을 위해 핵심적으로 중요하다. 본 연구는 원시 얼굴 랜드마크와 생체신호(심전도 [ECG] 및 피부전기활동 [EDA])로 구성된 다중 모달 시계열 데이터[time-series]를 사용하여 들어올리기 작업의 위험 수준(낮음, 중간, 높음)을 0, 1, 2로 라벨링하여 분류하는 문제를 다룬다. 이러한 데이터의 분류는 다중 출처 정보, 시간적 역학, 클래스 불균형으로 인해 고유한 도전 과제를 내포한다. 이를 극복하기 위해 본 논문은 기능 데이터 분석과 딥러닝 기법을 통합하는 새로운 방법인 Multi-Adaptive Functional Neural Network(Multi-AdaFNN)을 제안한다. 제안된 모델은 각 개인의 시계열 특징에 맞춤화된 마이크로 네트워크로 구성된 새로운 적응형 기저(basis) 계층을 도입하여, 원시 데이터로부터 식별력 있는 시간적 패턴을 종단(end-to-end) 학습할 수 있게 한다. Multi-AdaFNN 접근법은 5가지 서로 다른 데이터셋 구성에서 평가되었다: (1) 얼굴 랜드마크만, (2) 생체신호만, (3) 사용 가능한 모든 특징의 완전 융합, (4) 12개의 선택된 얼굴 랜드마크 궤적에 대한 차원 축소 세트, (5) 동일한 차원 축소 세트와 생체신호의 결합. 성능 평가는 100개의 독립적인 층화(stratified) 분할(훈련 70% 및 테스트 30%)을 사용하여 엄격하게 수행하였으며, 클래스 불균형을 효과적으로 다루기 위해 가중 교차엔트로피 손실 함수로 최적화하였다. 그 결과, 얼굴 랜드마크와 생체신호를 융합한 통합 접근법이 가장 높은 분류 정확도와 견고성을 달성함을 보여주었다. 또한 적응형 기저 함수는 위험 예측에 결정적으로 중요한 들어올리기 작업의 특정 국면(phases)을 드러냈다. 이러한 결과는 다중 모달 인체공학적 위험 평가를 위한 Multi-AdaFNN 프레임워크의 효율성과 해석 가능성을 강조하며, 산업 환경에서의 실시간 모니터링 및 선제적 부상 예방 가능성을 시사한다.

충분 차원축소(sufficient dimension reduction)는 지난 수십 년 동안 고차원 데이터 집합에서 의미 있는 정보를 추출하기 위한 강력한 도구로 부상해 왔다. 이러한 방법들은 데이터의 가장 유익한 구성요소에 초점을 맞추어 데이터의 복잡성을 줄이고, 이를 통해 ‘차원의 저주(curse of dimensionality)’를 피할 수 있게 한다. 그러나 많은 충분 차원축소 방법들은 그 결과가 원래 예측변수들의 선형 결합(linear combinations) 형태를 갖는다는 점에서 어려움을 지닌다. 이는 특히 변수가 많은 경우, 추출된 구성요소를 해석하는 일을 상당히 어렵게 만들 수 있다. 이러한 문제를 해결하기 위해 우리는 방향 회귀(directional regression)를 위한 희소 충분 차원축소 방법을 제안한다. 우리의 접근은 일반화 고유값 분해(generalized eigendecomposition)를 LASSO 제약을 포함한 회귀 유형(regression type) 최적화 문제로 변환하며, 희소 추정치를 생성함으로써 해석가능성을 높인다. 또한 제안한 방법에 대한 이론적 근거를 제공하여, 관련 최적화 알고리즘에 대해 비점근적 오라클 부등식(non-asymptotic oracle inequalities)과 수렴 보장(convergence guarantees)을 확립한다. 종합적인 수치 실험을 통해, 비희소 방향 회귀(non-sparse directional regression), 희소 sliced inverse regression, sliced average variance estimation과 같은 기존 방법들과 비교함으로써 우리의 접근의 효율성을 입증한다. 나아가 두 개의 실제 데이터 집합에 적용하여 복잡한 데이터 구조로부터 의미 있는 통찰을 추출하는 데 있어 실용적 가치를 제시한다.

고차원 데이터 분석에서 방향성 회귀(directional regression)는 복잡한 데이터 구조로부터 핵심 정보를 추출함으로써 선형 충분 차원 축소(linear sufficient dimension reduction)를 구현하는 데 널리 사용되는 방법이다. 그러나 충분 차원 축소 기법을 다변량 반응 데이터에 대응하도록 확장하는 일은 여전히 비교적 도전적인 과제로 남아 있다. 본 논문에서는 방향성 회귀와 투영 재표집(projective resampling) 프레임워크를 통합하여 다변량 반응 회귀 문제를 해결하는 새로운 방법을 제안한다. 본 방법은 투영 재표집 방향성 회귀(projective resampling directional regression)라고 하며, 차원 축소 부분공간(dimension reduction subspace)의 추정 정확도를 향상시킬 뿐만 아니라 다양한 데이터셋에 걸쳐 방향성 회귀의 활용 가능성을 더 크게 제공한다. 우리는 일관성(consistency)과 수렴률(convergence rates)을 포함하는 본 방법의 이론적 성질을 정립한다. 여러 시나리오에 대한 포괄적인 시뮬레이션 연구와 두 개의 실제 데이터셋에 대한 분석은 본 접근법의 효과성과 경쟁력을 보여준다.

대형 트럭은 느린 가속과 감속된 속도로 인해 교차로에서 교통 지체를 유발하여 교통 흐름의 효율에 영향을 줄 수 있다. 이러한 문제를 해결하기 위해 본 논문에서는 advanced stop point and prior start time (ASP-PST)이라는 가상 교통제어 시스템을 제안한다. ASP-PST는 신호등과 연결 및 자동화된 대형 트럭 간의 차량-인프라(vehicle-to-infrastructure, V2I) 통신을 활용한다. 이 시스템은 자율 주행 대형 트럭에게 정지할 위치와 녹색 신호 이전에 움직임을 시작할 시점을 안내한다. 본 전략은 차량 이동 제어를 관리함으로써 시동 지체를 감소시켜, 교차로 접근 전에 트럭이 충분한 속도에 도달하도록 함으로써 원활한 통과와 조화된 교통 흐름을 보장한다. ASP-PST에 대한 해석적 해를 개발하였고, 신호화 교차로에서의 미시적 시뮬레이션 시험을 통해 검증하였다. 그 결과, 대형 트럭과 일반 승용차가 혼재된 교통 조건에서 최대 50%까지 통행 시간이 감소하는 것으로 나타났으며, 균일한 간격을 갖는 잘 조정된 플래툰(platoon)의 형성이 시사되었다. 다양한 네트워크 환경 전반에서 효율이 입증됨에 따라, ASP-PST는 교차로에서 대형 트럭으로 인해 발생하는 교통 흐름 저하와 혼잡을 줄이는 잠재적 해결책을 제공한다.

수동 들어올리기 작업에서의 인체공학적 위험 분류는 작업장 부상 예방을 위해 핵심적으로 중요하다. 본 연구는 원시 얼굴 랜드마크와 생체신호(심전도 [ECG] 및 피부전기활동 [EDA])로 구성된 다중 모달 시계열 데이터[time-series]를 사용하여 들어올리기 작업의 위험 수준(낮음, 중간, 높음)을 0, 1, 2로 라벨링하여 분류하는 문제를 다룬다. 이러한 데이터의 분류는 다중 출처 정보, 시간적 역학, 클래스 불균형으로 인해 고유한 도전 과제를 내포한다. 이를 극복하기 위해 본 논문은 기능 데이터 분석과 딥러닝 기법을 통합하는 새로운 방법인 Multi-Adaptive Functional Neural Network(Multi-AdaFNN)을 제안한다. 제안된 모델은 각 개인의 시계열 특징에 맞춤화된 마이크로 네트워크로 구성된 새로운 적응형 기저(basis) 계층을 도입하여, 원시 데이터로부터 식별력 있는 시간적 패턴을 종단(end-to-end) 학습할 수 있게 한다. Multi-AdaFNN 접근법은 5가지 서로 다른 데이터셋 구성에서 평가되었다: (1) 얼굴 랜드마크만, (2) 생체신호만, (3) 사용 가능한 모든 특징의 완전 융합, (4) 12개의 선택된 얼굴 랜드마크 궤적에 대한 차원 축소 세트, (5) 동일한 차원 축소 세트와 생체신호의 결합. 성능 평가는 100개의 독립적인 층화(stratified) 분할(훈련 70% 및 테스트 30%)을 사용하여 엄격하게 수행하였으며, 클래스 불균형을 효과적으로 다루기 위해 가중 교차엔트로피 손실 함수로 최적화하였다. 그 결과, 얼굴 랜드마크와 생체신호를 융합한 통합 접근법이 가장 높은 분류 정확도와 견고성을 달성함을 보여주었다. 또한 적응형 기저 함수는 위험 예측에 결정적으로 중요한 들어올리기 작업의 특정 국면(phases)을 드러냈다. 이러한 결과는 다중 모달 인체공학적 위험 평가를 위한 Multi-AdaFNN 프레임워크의 효율성과 해석 가능성을 강조하며, 산업 환경에서의 실시간 모니터링 및 선제적 부상 예방 가능성을 시사한다.

충분 차원축소(sufficient dimension reduction)는 지난 수십 년 동안 고차원 데이터 집합에서 의미 있는 정보를 추출하기 위한 강력한 도구로 부상해 왔다. 이러한 방법들은 데이터의 가장 유익한 구성요소에 초점을 맞추어 데이터의 복잡성을 줄이고, 이를 통해 ‘차원의 저주(curse of dimensionality)’를 피할 수 있게 한다. 그러나 많은 충분 차원축소 방법들은 그 결과가 원래 예측변수들의 선형 결합(linear combinations) 형태를 갖는다는 점에서 어려움을 지닌다. 이는 특히 변수가 많은 경우, 추출된 구성요소를 해석하는 일을 상당히 어렵게 만들 수 있다. 이러한 문제를 해결하기 위해 우리는 방향 회귀(directional regression)를 위한 희소 충분 차원축소 방법을 제안한다. 우리의 접근은 일반화 고유값 분해(generalized eigendecomposition)를 LASSO 제약을 포함한 회귀 유형(regression type) 최적화 문제로 변환하며, 희소 추정치를 생성함으로써 해석가능성을 높인다. 또한 제안한 방법에 대한 이론적 근거를 제공하여, 관련 최적화 알고리즘에 대해 비점근적 오라클 부등식(non-asymptotic oracle inequalities)과 수렴 보장(convergence guarantees)을 확립한다. 종합적인 수치 실험을 통해, 비희소 방향 회귀(non-sparse directional regression), 희소 sliced inverse regression, sliced average variance estimation과 같은 기존 방법들과 비교함으로써 우리의 접근의 효율성을 입증한다. 나아가 두 개의 실제 데이터 집합에 적용하여 복잡한 데이터 구조로부터 의미 있는 통찰을 추출하는 데 있어 실용적 가치를 제시한다.

고차원 데이터 분석에서 방향성 회귀(directional regression)는 복잡한 데이터 구조로부터 핵심 정보를 추출함으로써 선형 충분 차원 축소(linear sufficient dimension reduction)를 구현하는 데 널리 사용되는 방법이다. 그러나 충분 차원 축소 기법을 다변량 반응 데이터에 대응하도록 확장하는 일은 여전히 비교적 도전적인 과제로 남아 있다. 본 논문에서는 방향성 회귀와 투영 재표집(projective resampling) 프레임워크를 통합하여 다변량 반응 회귀 문제를 해결하는 새로운 방법을 제안한다. 본 방법은 투영 재표집 방향성 회귀(projective resampling directional regression)라고 하며, 차원 축소 부분공간(dimension reduction subspace)의 추정 정확도를 향상시킬 뿐만 아니라 다양한 데이터셋에 걸쳐 방향성 회귀의 활용 가능성을 더 크게 제공한다. 우리는 일관성(consistency)과 수렴률(convergence rates)을 포함하는 본 방법의 이론적 성질을 정립한다. 여러 시나리오에 대한 포괄적인 시뮬레이션 연구와 두 개의 실제 데이터셋에 대한 분석은 본 접근법의 효과성과 경쟁력을 보여준다.

대형 트럭은 느린 가속과 감속된 속도로 인해 교차로에서 교통 지체를 유발하여 교통 흐름의 효율에 영향을 줄 수 있다. 이러한 문제를 해결하기 위해 본 논문에서는 advanced stop point and prior start time (ASP-PST)이라는 가상 교통제어 시스템을 제안한다. ASP-PST는 신호등과 연결 및 자동화된 대형 트럭 간의 차량-인프라(vehicle-to-infrastructure, V2I) 통신을 활용한다. 이 시스템은 자율 주행 대형 트럭에게 정지할 위치와 녹색 신호 이전에 움직임을 시작할 시점을 안내한다. 본 전략은 차량 이동 제어를 관리함으로써 시동 지체를 감소시켜, 교차로 접근 전에 트럭이 충분한 속도에 도달하도록 함으로써 원활한 통과와 조화된 교통 흐름을 보장한다. ASP-PST에 대한 해석적 해를 개발하였고, 신호화 교차로에서의 미시적 시뮬레이션 시험을 통해 검증하였다. 그 결과, 대형 트럭과 일반 승용차가 혼재된 교통 조건에서 최대 50%까지 통행 시간이 감소하는 것으로 나타났으며, 균일한 간격을 갖는 잘 조정된 플래툰(platoon)의 형성이 시사되었다. 다양한 네트워크 환경 전반에서 효율이 입증됨에 따라, ASP-PST는 교차로에서 대형 트럭으로 인해 발생하는 교통 흐름 저하와 혼잡을 줄이는 잠재적 해결책을 제공한다.

본 연구는 첨단 운전자보조시스템이 운전자의 정신적 작업부하에 미치는 영향을 조사한다. ECG, EMG, EDA, EEG(세타 대역의 af4 및 fc6 채널)를 포함한 생리신호와 동공 직경 데이터의 조합을 활용하여, 운전자의 정신적 작업부하를 낮음, 적정, 높음의 수준으로 예측하고 분류하는 것을 목표로 한다. 인지적 요구가 서로 다른 5가지의 서로 다른 운전 상황에서 데이터가 수집되었다. 예측을 위해 기능적 선형회귀 모델을 사용하였고, 정확도 비율을 산출하였다. 생리학적 변수 31개 조합 중 9개 조합이 최고 정확도 90%의 결과를 달성하였다. 이러한 결과는 원시 생리신호 데이터의 활용과 기능자료분석 방법을 적용하여 운전자의 정신적 작업부하를 이해하고 평가하는 데 잠재적 이점이 있음을 시사한다. 본 연구의 결과는 안전성과 성능을 최적화하기 위한 운전자보조시스템의 설계 및 개선에 함의를 가진다.

기능적 그래픽 모델(functional graphical models)은 최근 몇 년 동안 광범위하게 발전해 왔으며, 기능적 가우시안 그래픽 모델(functional Gaussian graphical model), 기능적 코퓰라 가우시안 그래픽 모델(functional copula Gaussian graphical model), 기능적 베이지안 그래픽 모델(functional Bayesian graphical model), 비모수 기능적 가법 그래픽 모델(nonparametric functional additive graphical model), 조건부 기능적 그래픽 모델(conditional functional graphical model)과 같은 다양한 모델들이 제안되었다. 이러한 모델들은 무작위 함수(random functions)에 대한 분포의 어떤 매개변수적 형태에 의존하거나, 확률적 조건부 독립성과는 다른 기준인 가법적 조건부 독립(additive conditional independence)에 기반한다. 본 논문에서는 기능적 충분 차원 축소(functional sufficient dimension reduction)에 기초한 비모수 기능적 그래픽 모델을 도입한다. 제안 방법은 가우시안 또는 코퓰라 가우시안 가정을 완화할 뿐만 아니라, ``차원의 저주(curse of dimensionality)''를 회피함으로써 추정 정확도를 향상시킨다. 또한 간선(edge)의 부재를 결정하는 기준으로 확률적 조건부 독립성을 그대로 유지한다. 시뮬레이션 연구와 f-MRI 데이터셋 분석을 통해 본 방법의 장점을 보인다.

기능 그래프 모델(functional graphical models)은 최근 몇 년간 광범위하게 발전해 왔으며, 그 결과 기능 가우시안 그래프 모델(functional Gaussian graphical model), 기능 코퓰라 가우시안 그래프 모델(functional copula Gaussian graphical model), 기능 베이지안 그래프 모델(functional Bayesian graphical model), 비모수 기능 가법 그래프 모델(nonparametric functional additive graphical model), 조건부 기능 그래프 모델(conditional functional graphical model) 등 다양한 모델들이 제안되었다. 이러한 모델들은 무작위 함수(random functions)에 대한 어떤 모수적 분포 형태에 의존하거나, 확률적 조건부 독립성과는 다른 기준인 부가적 조건부 독립성(additive conditional independence)에 기반한다. 본 논문에서는 기능 충분 차원 축소(functional sufficient dimension reduction)에 기초한 비모수 기능 그래프 모델을 제안한다. 우리의 방법은 가우시안 또는 코퓰라 가우시안 가정만을 완화할 뿐 아니라, ``차원의 저주(curse of dimensionality)''를 피함으로써 추정 정확도 또한 향상시킨다. 또한 간선의 부재를 판단하는 기준으로서 확률적 조건부 독립성을 그대로 유지한다. 시뮬레이션 연구와 f-MRI 데이터셋에 대한 분석을 통해, 본 방법의 장점을 입증한다.

dr 패키지는 선형 충분 차원축소(sufficient dimension reduction; SDR)를 구현하기 위해 널리 사용되는 도구로, 고차원 데이터로부터 핵심 정보를 추출하는 데 활용되는 유용한 통계 방법이다. 그러나 빅데이터의 복잡성이 증가함에 따라, 특히 비선형 구조를 포함하는 경우에는 선형 SDR 방법만으로는 데이터의 일부 중요한 특성이 충분히 설명되지 못할 수 있다. 이러한 경우 비선형 SDR 방법은 선형 방법이 포착하지 못하는 더 유연하고 복잡한 관계를 반영함으로써 이 문제를 효과적으로 해결하는 대안이 될 수 있다. 그럼에도 불구하고 비선형 SDR의 이론적 정식화는 힐베르트 공간의 선형 연산자에 의존하므로, 많은 사용자가 이러한 비선형 방법을 실제 데이터 분석에 적용하는 데 제약을 받는다. 이 어려움을 해결하기 위해 최근 개발된 nsdr 패키지는 R에서 비선형 충분 차원축소 기법을 접근 가능하고 사용자 친화적인 방식으로 구현할 수 있도록 제공한다. 본 논문에서는 널리 사용되는 dr 패키지와 새로 도입된 nsdr 패키지를 사용하여 선형 및 비선형 SDR 방법 간의 이론적 배경과 수치 결과를 비교한다. 또한 와인 품종(wine cultivar) 데이터셋을 이용한 분류 과제를 통해 비선형 SDR 방법의 장점을 시연하고, 이 방법들이 분류 성능을 향상시키며 복잡한 데이터에 대한 더 깊은 통찰을 제공할 수 있음을 보여준다.