열전달 디지털 트윈은 다양한 공학 시스템에서 열 성능을 모니터링, 시뮬레이션, 최적화하는 데 필수적이다. 그러나 이들의 효과는 센서 데이터의 품질, 센서 배치의 효율, 그리고 환경 잡음에 대한 견고성에 크게 좌우된다. PCA 기반 SVD-QRP 및 POD-DEIM과 같은 전통적 최적 센서 배치(Optimal Sensor Placement, OSP) 방법은 비선형 동역학과 높은 잡음 수준이 존재할 때 종종 성능이 저하된다. 이러한 한계를 해결하기 위해 본 연구는 Denoising Autoencoder(DAE)와 이산 최적화를 통합한 고도화된 OSP 프레임워크를 제안한다. DAE는 잡음이 포함된 센서 데이터로부터 정제된 온도장을 재구성하는 데 활용되어 배치의 신뢰성과 잡음에 대한 내성을 향상시킨다. 투영 연산자와 결합된 이산 최적화 절차는 재구성 오차를 최소화하면서 비용 효율적인 센서 구성을 식별한다. 제안된 접근법은 열판, 배터리 모듈, 브러시리스 DC 모터( BLDC) 등 다양한 열적 시나리오에서, 측정 잡음의 수준을 변화시키며 검증한다. 비교 평가를 통해 본 방법이 재구성 정확도, 잡음에 대한 견고성, 센서 효율 측면에서 우수함이 확인된다. 결과는 훨씬 적은 수의 센서로도 고충실도 시뮬레이션을 달성할 수 있는 능력을 보여주며, 실제 디지털 트윈 응용에서의 확장 가능한 배치 가능성을 시사한다. • Denoising Autoencoder를 이용한 잡음-강건(sensor) 센서 배치 프레임워크를 제안한다. • 예산 제약 하에서 센서를 선택하기 위해 투영된 경사하강법을 사용한다. • 열판, 배터리 모듈, BLDC 모터 열 데이터셋에서 검증한다. • 잡음이 있는 환경 및 센서가 희소한 환경에서 SVD-QRP와 POD-DEIM보다 우수하다. • 훨씬 적은 수의 센서로 고충실도 재구성을 달성한다.

열전달 디지털 트윈은 다양한 공학 시스템에서 열 성능을 모니터링, 시뮬레이션, 최적화하는 데 필수적이다. 그러나 이들의 효과는 센서 데이터의 품질, 센서 배치의 효율, 그리고 환경 잡음에 대한 견고성에 크게 좌우된다. PCA 기반 SVD-QRP 및 POD-DEIM과 같은 전통적 최적 센서 배치(Optimal Sensor Placement, OSP) 방법은 비선형 동역학과 높은 잡음 수준이 존재할 때 종종 성능이 저하된다. 이러한 한계를 해결하기 위해 본 연구는 Denoising Autoencoder(DAE)와 이산 최적화를 통합한 고도화된 OSP 프레임워크를 제안한다. DAE는 잡음이 포함된 센서 데이터로부터 정제된 온도장을 재구성하는 데 활용되어 배치의 신뢰성과 잡음에 대한 내성을 향상시킨다. 투영 연산자와 결합된 이산 최적화 절차는 재구성 오차를 최소화하면서 비용 효율적인 센서 구성을 식별한다. 제안된 접근법은 열판, 배터리 모듈, 브러시리스 DC 모터( BLDC) 등 다양한 열적 시나리오에서, 측정 잡음의 수준을 변화시키며 검증한다. 비교 평가를 통해 본 방법이 재구성 정확도, 잡음에 대한 견고성, 센서 효율 측면에서 우수함이 확인된다. 결과는 훨씬 적은 수의 센서로도 고충실도 시뮬레이션을 달성할 수 있는 능력을 보여주며, 실제 디지털 트윈 응용에서의 확장 가능한 배치 가능성을 시사한다. • Denoising Autoencoder를 이용한 잡음-강건(sensor) 센서 배치 프레임워크를 제안한다. • 예산 제약 하에서 센서를 선택하기 위해 투영된 경사하강법을 사용한다. • 열판, 배터리 모듈, BLDC 모터 열 데이터셋에서 검증한다. • 잡음이 있는 환경 및 센서가 희소한 환경에서 SVD-QRP와 POD-DEIM보다 우수하다. • 훨씬 적은 수의 센서로 고충실도 재구성을 달성한다.

종양의 미세위성(microsatellite) 상태를 확인하는 것은 임상적으로 중요한데, 미세위성 불안정성-고(microsatellite instability-high, MSI-H) 또는 불일치 복구 결핍(dismatch repair deficient, dMMR) 종양은 면역 관문 억제제(immune checkpoint inhibitors, ICIs)에 잘 반응하며, 흔히 화학요법에는 반응하지 않기 때문이다. 본 연구에서는 위와 대장암에서 미세위성 상태를 예측하기 위해, H&E 전장 슬라이드 영상을 약지도 학습(weakly-supervised-learning)으로 분석하는 딥 가우시안 과정 기반 베이지안 모델인 MSI-SEER를 제안한다. 우리는 다양한 인종적 배경의 환자를 포함한 여러 대규모 데이터셋을 활용하여 광범위한 검증을 수행하였다. MSI-SEER는 불확실성 예측을 통합하여 MSI 예측에서 최첨단 성능을 달성하였다. 또한, 종양의 MSI 상태와 기질-종양 비율(stroma-to-tumor ratio)을 결합함으로써 ICI 반응성 예측에서 높은 정확도를 달성하였다. 마지막으로, MSI-SEER의 타일(tile) 수준 예측은 종양 미세환경에서 MSI-H 영역의 공간적 분포가 종양 미세환경 및 ICI 반응에 미치는 역할에 대한 새로운 통찰을 보여주었다.

산업 장비의 수명주기 가치를 극대화하기 위해서는 언제, 무엇을 재제조(remanufacture)해야 하는지를 정확히 결정하는 것이 필수적이다. 그러나 기존 접근법은 세 가지 중대한 한계를 지닌다: (1) 미리 정의된 수치에 대한 의존... | Tech Science Press에서 필요한 모든 연구를 찾아 읽고 인용하시오

우리는 고차원 정칙화된 Huber 회귀를 위한 정확한 좌표 하강(코디네이트 디센트) 알고리즘을 개발한다. 복합 그래디언트 하강(composite gradient descent) 방법과 달리, 본 알고리즘은 기본 모형이 희소(sparse)할 때 좌표 하강이 갖는 장점을 충분히 활용한다. 또한 기존 문헌에서 제안된 기존의 2차 근사 기법과 달리, 공변량이 중거포(heavy-tailed) 분포에서 추출되어 상관관계가 높아짐으로써 Hessian이 조건수(ill-conditioned)를 악화시키더라도 그 효과는 유지된다. 핵심 아이디어는 각 좌표에 대해 한계 증분(marginal increments)이 오직 이상치가 아닌(inlier) 관측에서만 발생하는 반면, 도함수는 부분 잔차(partial residuals)로부터 구성된 격자(grid) 위에서 단조 증가한다는 점에 있다. 통상적인 좌표 하강 전략을 바탕으로, 우리는 각 반복에서 어떤 변수를 업데이트할지를 선택적으로 결정하는 변수 선별(variable screening) 규칙을 추가로 제안하여 수렴을 가속한다. 우리가 아는 한, 이는 벌점화된 Huber 손실 최적화를 위한 1차 좌표 하강 알고리즘을 개발한 최초의 연구이다. 우리는 Lasso에 대해 개발된 논증을 확장함으로써 제안된 알고리즘의 비점근적(nonasymptotic) 수렴률을 상계(upper bound)로 제시하고, 제안된 선별 규칙의 작동을 형식적으로 특성화한다. 중거포 및 고도로 상관된 예측변수에 대한 광범위한 시뮬레이션 연구와 실제 데이터 적용 결과는, 본 방법의 실용적 효율성과 계산적 향상의 이점을 모두 보여준다.

문서 수준 관계 추출( RE )은 문서로부터 두 주어진 개체 간의 관계 사실을 예측하는 것을 목표로 한다. 영어에서의 문서 수준 RE에 대한 광범위한 연구와 달리, 한국어 문서 수준 RE 연구는 데이터셋의 부재로 인해 아직 초기 단계에 있다. 연구를 가속하기 위해, 우리는 해당 분야 전문가가 작성한 한국어 백과사전 문서로부터 구성한 ( T oward Document-Level R elation E xtraction in K orean ) 데이터셋을 제시한다. 우리는 대규모 데이터셋에 대한 상세한 통계 분석을 제공하며, 사람 평가 결과는 . 의 보장된 품질을 시사한다. 또한 한국어의 특성을 고려하는 동시에 명명된 개체 유형을 반영하는 문서 수준 RE 모델을 도입한다. 실험에서, 제안한 모델이 기존 기준 모델보다 성능이 우수함을 보이고 정성적 분석을 수행한다.

반도체 공정 제어 분야에서, 과거 장비 유지보수 이미지로부터 문제를 신속하고 정확하게 식별하는 것은 적절한 시정 조치를 위해 매우 중요하다. 그러나 이 영역에서 이미지 분류를 수행하기 위한 합성곱 신경망(Convolutional Neural Networks, CNNs)의 적용은 반도체 제조 공정의 고도로 전문화되고 복잡한 특성으로 인해 라벨이 부착된 데이터가 부족하다는 점에서 저해를 받는다. 본 논문은 최소 라벨링의 어려움을 완화하기 위해 신뢰도 기반 자동 라벨러(confidence-based auto-labeler)를 구현하는 새로운 접근법을 제안한다. 도메인 특화 지식과 최소 13장의 라벨링된 이미지만을 활용하여, 충분히 크고 신뢰할 수 있는 라벨 데이터셋을 성공적으로 생성하였다. 해당 데이터셋은 CNN 기반 모델을 학습하기 위한 토대로 활용되었으며, 반도체 공정 제어에서 의사결정 효율을 유의미하게 향상시킬 가능성을 입증한다. 우리의 방법론은 라벨링 병목을 해결할 뿐만 아니라, 반도체 제조 및 유지보수 관행의 견고성을 강화하기 위해 기계학습과 AI를 활용하는 선례를 제시한다.

뇌성마비(Cerebral palsy, CP)는 일상생활에서의 신체 움직임을 심각하게 제한하는 신경학적 질환이다. CP를 가진 개인에게는 신체 능력을 향상시키기 위해 정밀한 움직임 양상이 필수적이다. 그러나 소요되는 시간과 비용 때문에 자격을 갖춘 재활 전문가로부터 피드백을 얻는 것이 어려울 수 있다. 이러한 문제를 해결하기 위해, 본 연구는 CP를 가진 개인의 상지 운동을 대상으로 골격의 시계열 데이터와 각도 데이터를 통합하는 다중모달 인간 행위 인식(HAR) 프레임워크를 제안한다. 선행 연구에서는 일반적으로 골격 데이터를 HAR의 입력으로 사용하였다. 하지만 반복적인 동작 시퀀스에서는 각도 또한 중요한 요소이다. 본 연구에서는 상지 운동의 비디오 데이터를 생성하고, 이를 바탕으로 인간 자세 추정(HPE) 알고리즘인 BlazePose를 이용해 골격을 추정한 뒤, 추정된 골격으로부터 핵심 각도를 계산한다. 제안하는 프레임워크는 골격에 대해서는 그래프 기반 모델을, 각도에 대해서는 주의(attention) 메커니즘을 갖춘 순환 기반 모델을 포함하여 중요한 시간적 정보를 식별할 수 있도록 한다. 그 결과, 본 프레임워크는 단일모달 HAR 모델보다 더 우수한 성능을 보이는 것으로 나타났다. 운동 피드백과 관련된 비용을 낮춤으로써, 궁극적으로 CP를 가진 개인의 신체 건강을 개선할 수 있을 것으로 기대한다.