시계열 분류는 시간이 흐르며 변화하는 순차 데이터를 분석하여 결과를 예측한다. 시계열 데이터의 복잡성이 증가할수록, 특히 동적 관계가 수반되는 시나리오에서는 기존 모델이 한계에 직면한다. 본 논문은 이러한 문제를 해결하기 위해 지식 증강을 활용한 인코더 기반 트랜스포머 분류 모델을 제안한다. 제안된 모델은 시계열 데이터를 그래프 구조로 전처리하여 복잡한 관계를 효과적으로 학습할 수 있도록 한다. 관계형 어텐션과 시간형 어텐션은 각각 중요한 관계와 시간 지점에 대한 집중도를 높인다. 또한 지식 증강을 통한 상징적 추론은 모델이 복잡하고 암묵적인 정보를 포착할 수 있게 한다. 실험 결과, 제안된 모델은 SC2EGSet과 같은 복잡한 데이터셋에서 기존의 SOTA 모델들보다 우수한 성능을 보였다.

ChatGPT가 공개된 이후, 대규모 언어 모델(Large Language Model, LLM)에 관한 많은 연구가 진행되고 있다. 이는 LLM이 기존 모델에 비해 더 우수한 성능과 여러 장점을 갖기 때문이다. 본 논문에서는 국방 분야에서 전장 상황 인식(battlefield situation awareness) 과제를 위한 적응형 LLM인 Military GPT(MGPT)를 제안한다. MGPT는 한국어에 특화된 모델인 Pretrained Generative LLM을 기반으로 설계되었으며, 한국어 국방 데이터를 통해 학습되었다.

새로 도입되는 차량에는 다양한 부가 기능이 탑재되며, 각 기능은 서로 다른 센서로부터 데이터를 활용한다. 이러한 관련 기능 중 두드러진 예가 자율주행이며, 이는 복수의 센서와의 협력 하에 수행된다. 해당 센서들은 주로 영상 센서, 깊이 센서, 그리고 야간용 적외선 감지 기술을 포함하며, 대부분 영상 처리 방법을 기반으로 데이터를 생성한다. 본 논문에서는 계단식(stairway)으로 입력 데이터의 크기를 점진적으로 축소하는 방식에 착안하여, 병렬 트랜스포머(parallel transformer) 설계를 활용하는 모델을 제안한다. 이를 통해 이러한 데이터의 효과적인 활용과 효율적인 학습이 가능하다. 기존의 DETR과 비교할 때, 본 모델은 더 작은 데이터셋으로도 효과적으로 학습될 수 있음을 보여주며, 빠른 수렴 성능을 달성한다. 분류(classification) 측면에서는 ViT-Base 대비 약 6.75배의 연산 요구량을 감소시키면서도 정확도 오차 범위 ±3% 내를 유지하여 계산 부담을 현저히 줄인다. 또한 물체 검출(object detection)을 위한 데이터 입력의 변동으로 인해 센서 위치가 소폭 어긋날 수 있는 경우에도, 시야(field of view)를 고려한 차이에 영향을 받지 않고 일관된 결과를 산출한다. 제안하는 모델은 Stairwave로 명명되며, 계단과 같은 형태를 유지하는 병렬 구조를 특징으로 한다.

시계열 분류는 시간이 흐르며 변화하는 순차 데이터를 분석하여 결과를 예측한다. 시계열 데이터의 복잡성이 증가할수록, 특히 동적 관계가 수반되는 시나리오에서는 기존 모델이 한계에 직면한다. 본 논문은 이러한 문제를 해결하기 위해 지식 증강을 활용한 인코더 기반 트랜스포머 분류 모델을 제안한다. 제안된 모델은 시계열 데이터를 그래프 구조로 전처리하여 복잡한 관계를 효과적으로 학습할 수 있도록 한다. 관계형 어텐션과 시간형 어텐션은 각각 중요한 관계와 시간 지점에 대한 집중도를 높인다. 또한 지식 증강을 통한 상징적 추론은 모델이 복잡하고 암묵적인 정보를 포착할 수 있게 한다. 실험 결과, 제안된 모델은 SC2EGSet과 같은 복잡한 데이터셋에서 기존의 SOTA 모델들보다 우수한 성능을 보였다.

ChatGPT가 공개된 이후, 대규모 언어 모델(Large Language Model, LLM)에 관한 많은 연구가 진행되고 있다. 이는 LLM이 기존 모델에 비해 더 우수한 성능과 여러 장점을 갖기 때문이다. 본 논문에서는 국방 분야에서 전장 상황 인식(battlefield situation awareness) 과제를 위한 적응형 LLM인 Military GPT(MGPT)를 제안한다. MGPT는 한국어에 특화된 모델인 Pretrained Generative LLM을 기반으로 설계되었으며, 한국어 국방 데이터를 통해 학습되었다.

새로 도입되는 차량에는 다양한 부가 기능이 탑재되며, 각 기능은 서로 다른 센서로부터 데이터를 활용한다. 이러한 관련 기능 중 두드러진 예가 자율주행이며, 이는 복수의 센서와의 협력 하에 수행된다. 해당 센서들은 주로 영상 센서, 깊이 센서, 그리고 야간용 적외선 감지 기술을 포함하며, 대부분 영상 처리 방법을 기반으로 데이터를 생성한다. 본 논문에서는 계단식(stairway)으로 입력 데이터의 크기를 점진적으로 축소하는 방식에 착안하여, 병렬 트랜스포머(parallel transformer) 설계를 활용하는 모델을 제안한다. 이를 통해 이러한 데이터의 효과적인 활용과 효율적인 학습이 가능하다. 기존의 DETR과 비교할 때, 본 모델은 더 작은 데이터셋으로도 효과적으로 학습될 수 있음을 보여주며, 빠른 수렴 성능을 달성한다. 분류(classification) 측면에서는 ViT-Base 대비 약 6.75배의 연산 요구량을 감소시키면서도 정확도 오차 범위 ±3% 내를 유지하여 계산 부담을 현저히 줄인다. 또한 물체 검출(object detection)을 위한 데이터 입력의 변동으로 인해 센서 위치가 소폭 어긋날 수 있는 경우에도, 시야(field of view)를 고려한 차이에 영향을 받지 않고 일관된 결과를 산출한다. 제안하는 모델은 Stairwave로 명명되며, 계단과 같은 형태를 유지하는 병렬 구조를 특징으로 한다.

인공지능(AI) 기술이 발전함에 따라 이를 여러 분야에 적용하는 연구들이 활발하게 진행되고 있다. 그중 게임 분야에서는 게임 상황을 분석하여 전략 추천 및 승부 예측 연구가 진행되고 있다. 기존의 연구에서는 주로 수집된 게임 로그 데이터를 AI 분류 모델을 기반으로 학습하고, 이를 바탕으로 승부를 예측하거나 전략을 추천하 는 방식을 사용하고 있다. 그러나 대용량의 시계열 게임 데이터를 분류 모델을 기반으로 학습하는 기존 방식의 경 우 게임 초기 예측에서 낮은 성능을 보이고 있다. 이에 본 연구에서는 이러한 단점을 개선하기 위해 자연어 등의 시퀀스 데이터 분석에 사용되는 Transformer 모델을 개선한 LLM 모델 기반의 게임 승부 예측 시스템을 제안한 다. 또한 성능 향상을 위하여 입력된 데이터를 기반으로 전략 등의 추가 정보를 추론하여 프롬프트에 같이 활용하 는 knowledge augmentation 기법을 적용한다. 제안하는 시스템을 실시간 전략게임인 Starcraft2에 적용한 실험 을 통해 게임의 승부 예측 성능이 향상됨을 확인하였고 게임의 특징을 잘 반영되는 것을 확인하였다.

제안된 아키텍처는 협업 신경-에이전트로부터 개별 처리된 멀티모달 지식 정보를 융합하여 의사결정을 지원하는 실시간 전장(battlefield) 인식 기술로 구성된다. 본 연구에서는 핵심 네트워크 훈련을 위한 아키텍처를 설계하고 데이터셋을 생성한다. 이 기술은 협업 지능 기반의 실시간 전장 상황 인식 기술을 제공하며, 실제 전장 환경 또는 전투 훈련 시뮬레이터에 적용 가능할 것으로 기대된다. 또한 시뮬레이션 결과를 제시하여 전장 상황 인식을 위한 다중 에이전트 기반 협업 에이전트 아키텍처의 성능을 입증한다.

본 논문은 신경망 모델의 특성을 모두 활용하는 모델을 사용하여 전장 상황 인식을 위한 머신러닝 모델을 구현한다. 제안하는 신경망 모델은 공간 특성을 추출하는 합성곱 신경망(Convolutional Neural Network, CNN)[1] 모델과, 시계열 데이터를 예측하는 순환 신경망(Recurrent Neural Network, RNN)의 한 종류인 장단기 기억(Long Short-Term Memory, LSTM)[2] 모델에 기반한다. 이 두 가지를 함께 사용함으로써 데이터의 시간적 및 공간적 특성을 모두 학습하여 전장의 상황을 예측한다.

최근 인공지능 기술이 발전하면서 다양한 분야에서 이 기술을 적용하기 위한 연구가 활발히 진행되고 있 다. 이 중 이미지 생성 분야에서는 GAN, Diffusion Model 등을 주로 사용한다. 이 모델들을 활용하여 원하는 형 태를 가진 이미지를 생성하기 위한 연구는 많이 진행되고 있지만 그것을 3D 모델로 생성하는 데에는 어려움이 있 다. 이에 본 연구에서는 얼굴 랜드마크를 이용하여 원하는 얼굴 형태를 가진 3D 모델을 생성하는 L-GAN 3D를 제안한다. L-GAN 3D는 사람의 랜드마크 이미지를 기반으로 각도와 형태를 유지하며 가짜 2D 이미지를 생성하 는 L-GAN 모델을 변형하고 2차원 이미지를 3차원으로 만들어주기 위한 3D-Optimizer를 추가하여 원하는 얼굴 구조를 가진 3D 모델을 생성하는 모델이다. 기존의 모델은 원하는 얼굴 형태를 가진 3D 모델을 만들지 못하지만 L-GAN 3D는 2D 사람 얼굴의 랜드마크를 수정하여 입력함으로써 원하는 특징을 가진 3D 사람 얼굴 모델을 생 성할 수 있다.