토지이용 및 토지피복(Land Use and Land Cover, LULC) 분류는 자원의 소모를 관리하고 인구 증가의 영향을 완화하기 위한 지난 10년간의 핵심 역할을 한다. 이는 급속한 도시화, 농업, 기후 변화, 해안 지역, 재난 복구 등 여러 분야에서 활용된다. 전통적인 원격탐사(RS) 기법은 해안 지역 및 LULC와 같은 동적이고 복잡한 항공 영상(이하 Ariel Scenes)을 정확하게 분류하는 데 한계를 겪는다. 본 논문은 원격탐사 영상을 이용하여 LULC 및 해안 지역을 분류하기 위한 새로운 Squeeze-Excitation Multi-Scale Fusion Network(SEMSF-Net)를 제안한다. 제안된 모델은 인셉션(inception) 블록과 덴스(dense) 블록을 각각 별도로 삽입한 후, 초기 단계에서 squeeze-excitation 블록을 기반으로 구성된다. 이러한 블록은 다중 규모(multi-scale)를 바탕으로 더 중요하고 유의미한 특징 정보를 생성하도록 설계되어, 이후 정확한 분류를 수행할 수 있게 한다. 다음 단계에서는 이들 블록을 네트워크 수준에서 융합하며, 병목(bottleneck) 및 역잔차(inverted residual) 블록을 연결하여 학습 가능한 매개변수를 감소시키고 특징의 강도를 향상시킨다. 이 네트워크의 하이퍼파라미터는 제안 모델의 학습에 활용된 여러 실험을 바탕으로 선정하였다. 학습된 SEMSF-Net 아키텍처는 테스트 단계에서도 사용되며, 분류가 수행된다. 또한 GradCAM을 사용하여 학습된 모델의 시각적 예측을 해석한다. 실험 과정에는 Coastal 데이터셋, MLRSNet, NWPU의 세 가지 데이터셋이 활용되었다. 해당 데이터셋들에서 각각 94.94%, 93.7%, 95.70%의 향상된 정확도를 얻었다. 추가로 거시적 재현율(macro recall rate)은 각각 79.0, 93.0, 96%였다. 여러 최근 기법과의 비교 결과, 제안 모델은 선택된 데이터셋들에서 더 우수한 성능을 보였다.

위성 영상(원격탐사)을 이용한 토지피복(Land use land cover) 분류는 생태 감시, 급속한 도시화, 법 집행, 기후 변화, 농업 가뭄 및 재난 복구와 같은 분야에서 지난 10년간 많은 노력이 이루어져 왔다. 저해상도 원격탐사 영상은 정확한 예측에 영향을 미치므로, 고해상도 딥러닝 아키텍처가 널리 요구된다. 본 연구는 계산 비용을 줄이면서 모델 성능을 향상시키기 위해, 4-encoder 기반 경량 ViT와 적층 잔차 자기주목 CNN(SRAN3)을 결합하는 새로운 딥 네트워크 레벨 퓨전(deep network-level fusion) 접근법을 제안한다. SRAN3 모델은 정교한 두드러진 특징을 추출하기 위해 제안되었으며, 4-encoder 기반 ViT는 계산 시간을 줄이면서도 효과적인 학습을 가능하게 한다. 두 네트워크는 심도(depth) 연결(concatenation) 방식으로 융합되며, 이는 두 아키텍처의 장점을 효과적으로 통합한다. 융합 모델의 하이퍼파라미터는 베이지안 최적화를 통해 선택되어 학습 과정을 유의하게 개선한다. 이후 훈련된 모델은 테스트 단계에서 사용되어 심도-연결 레이어로부터 특징을 추출한다. 추출된 특징은 신경망 분류기에 입력되어 최종 예측을 수행한다. 공개 데이터셋 2종인 EuroSAT와 NWPU_RESIS45를 사용하여 향상된 테스트 및 검증 정확도를 도출하였다. 제안한 SRAN3 + WNN(Wide Neural Network)과 4-encoder ViT + WNN은 각각 96.9%와 92.6%의 정확도를 보였으나, 제안한 융합 네트워크 + WNN은 EuroSAT에서 98.4%, NWPU_RESIS45 데이터셋에서 94.7%의 최고 정확도를 달성하였다. 또한 제안된 융합 모델의 해석 가능성은 설명 가능한 인공지능(explainable artificial technique, XAI)을 사용하여 수행되었으며, 토지 이용 및 토지피복 분류에서 향상된 결과가 나타났다.

육상 원격탐사 영상 분류는 진행 중인 지리적 및 환경적 변화를 이해하는 데 핵심적이다. 이는 토지 이용 및 토지 피복 분류, 작물 및 식생 분류, 변화 탐지, 그리고 연안 및 항공 지역의 분류에 도움을 준다. 많은 고급 기법들이 모델에 대한 일부 실질적인 수정에 기반하여 도입되었으나, 그 결과 적응하기 어려운 복잡한 프레임워크가 초래되었다. 본 연구에서는 원격탐사 영상을 이용하여 항공 및 연안 지역 분류를 위한 경량 경량 밀집 혼합전문가(Lightweight Dense Mixture of Experts; LiteDenseMoe) 모델을 새롭게 제안한다. 제안된 모델은 초기 단계에서 경량 밀집 레이어를 포함하는 경량의 밀집 블록과, 채널 및 공간 주의(attention) 메커니즘을 통합한다. 그 다음, 결과 모델은 복잡한 항공 장면에 대한 정확한 예측을 위해 더 관련성 있고 본질적인 특징을 추출한 Mixture of Experts 블록과 추가로 결합된다. 제안된 모델의 학습 과정에서는 수동 선택 대신 하이퍼파라미터 초기화를 위해 Hyperband Optimization 기법을 사용한다. 제안된 모델을 학습한 후에는 분류를 수행하고, 출력 해석을 함께 수행한다. 제안된 LiteDenseMoe 아키텍처는 세 가지 데이터셋에서 평가되었으며, 0.3백만 개의 파라미터만으로 MLRSNet에서 93.25%, NWPU-RESISC45에서 92.56%, EuroSAT 데이터셋에서 96.54%의 정확도를 달성하였다. Moe 결과를 해석하기 위해 전문가 할당 및 클래스별 전문가 신뢰도, Expert disagreement Network, t-SNE 시각화 또한 관찰한다. 상세한 절제(Ablation) 연구와 사전학습(pre-trained) 및 SOTA 모델과의 비교 분석은 항공 및 연안 지역 분류를 위한 제안 아키텍처의 영향과 효율성을 확인한다.

무선 체역 네트워크(WBANs)는 생체 신호와 활동을 지속적으로 모니터링할 수 있게 함으로써 의료 및 여러 기타 분야에서 핵심적인 역할을 한다. 그러나 저전력 센서, 불안정한 링크, 라우팅 관련 문제와 같은 과제는 이들의 효율성과 신뢰성을 저해한다. 본 논문에서는 이러한 과제를 해결하기 위해 Thermal Aware High Throughput(TAHT) 라우팅 프로토콜을 제안한다. TAHT는 멀티홉 토폴로지를 활용하며, 에너지, 링크 품질, 온도와 같은 매개변수를 고려하여 효율적인 라우팅을 위해 안정적인 링크를 우선순위로 한다. 실험적 평가를 통해 TAHT는 벤치마크 프로토콜에 비해 처리량이 10%~20% 향상되고, 온도 오버헤드가 15% 감소하였으며, 전반적인 성능이 향상됨을 보여준다. 에너지 소비를 효과적으로 관리하고, 중복 데이터 전송을 최소화하며, 라우팅 경로를 최적화함으로써 TAHT는 WBAN의 신뢰성과 지속가능성을 개선하기 위한 새로운 해결책을 제공하고, 따라서 문헌에서의 기존 노력들을 넘어 해당 분야를 발전시키는 데 기여한다.

토지이용 및 토지피복(Land Use and Land Cover, LULC) 분류는 자원의 소모를 관리하고 인구 증가의 영향을 완화하기 위한 지난 10년간의 핵심 역할을 한다. 이는 급속한 도시화, 농업, 기후 변화, 해안 지역, 재난 복구 등 여러 분야에서 활용된다. 전통적인 원격탐사(RS) 기법은 해안 지역 및 LULC와 같은 동적이고 복잡한 항공 영상(이하 Ariel Scenes)을 정확하게 분류하는 데 한계를 겪는다. 본 논문은 원격탐사 영상을 이용하여 LULC 및 해안 지역을 분류하기 위한 새로운 Squeeze-Excitation Multi-Scale Fusion Network(SEMSF-Net)를 제안한다. 제안된 모델은 인셉션(inception) 블록과 덴스(dense) 블록을 각각 별도로 삽입한 후, 초기 단계에서 squeeze-excitation 블록을 기반으로 구성된다. 이러한 블록은 다중 규모(multi-scale)를 바탕으로 더 중요하고 유의미한 특징 정보를 생성하도록 설계되어, 이후 정확한 분류를 수행할 수 있게 한다. 다음 단계에서는 이들 블록을 네트워크 수준에서 융합하며, 병목(bottleneck) 및 역잔차(inverted residual) 블록을 연결하여 학습 가능한 매개변수를 감소시키고 특징의 강도를 향상시킨다. 이 네트워크의 하이퍼파라미터는 제안 모델의 학습에 활용된 여러 실험을 바탕으로 선정하였다. 학습된 SEMSF-Net 아키텍처는 테스트 단계에서도 사용되며, 분류가 수행된다. 또한 GradCAM을 사용하여 학습된 모델의 시각적 예측을 해석한다. 실험 과정에는 Coastal 데이터셋, MLRSNet, NWPU의 세 가지 데이터셋이 활용되었다. 해당 데이터셋들에서 각각 94.94%, 93.7%, 95.70%의 향상된 정확도를 얻었다. 추가로 거시적 재현율(macro recall rate)은 각각 79.0, 93.0, 96%였다. 여러 최근 기법과의 비교 결과, 제안 모델은 선택된 데이터셋들에서 더 우수한 성능을 보였다.

위성 영상(원격탐사)을 이용한 토지피복(Land use land cover) 분류는 생태 감시, 급속한 도시화, 법 집행, 기후 변화, 농업 가뭄 및 재난 복구와 같은 분야에서 지난 10년간 많은 노력이 이루어져 왔다. 저해상도 원격탐사 영상은 정확한 예측에 영향을 미치므로, 고해상도 딥러닝 아키텍처가 널리 요구된다. 본 연구는 계산 비용을 줄이면서 모델 성능을 향상시키기 위해, 4-encoder 기반 경량 ViT와 적층 잔차 자기주목 CNN(SRAN3)을 결합하는 새로운 딥 네트워크 레벨 퓨전(deep network-level fusion) 접근법을 제안한다. SRAN3 모델은 정교한 두드러진 특징을 추출하기 위해 제안되었으며, 4-encoder 기반 ViT는 계산 시간을 줄이면서도 효과적인 학습을 가능하게 한다. 두 네트워크는 심도(depth) 연결(concatenation) 방식으로 융합되며, 이는 두 아키텍처의 장점을 효과적으로 통합한다. 융합 모델의 하이퍼파라미터는 베이지안 최적화를 통해 선택되어 학습 과정을 유의하게 개선한다. 이후 훈련된 모델은 테스트 단계에서 사용되어 심도-연결 레이어로부터 특징을 추출한다. 추출된 특징은 신경망 분류기에 입력되어 최종 예측을 수행한다. 공개 데이터셋 2종인 EuroSAT와 NWPU_RESIS45를 사용하여 향상된 테스트 및 검증 정확도를 도출하였다. 제안한 SRAN3 + WNN(Wide Neural Network)과 4-encoder ViT + WNN은 각각 96.9%와 92.6%의 정확도를 보였으나, 제안한 융합 네트워크 + WNN은 EuroSAT에서 98.4%, NWPU_RESIS45 데이터셋에서 94.7%의 최고 정확도를 달성하였다. 또한 제안된 융합 모델의 해석 가능성은 설명 가능한 인공지능(explainable artificial technique, XAI)을 사용하여 수행되었으며, 토지 이용 및 토지피복 분류에서 향상된 결과가 나타났다.

육상 원격탐사 영상 분류는 진행 중인 지리적 및 환경적 변화를 이해하는 데 핵심적이다. 이는 토지 이용 및 토지 피복 분류, 작물 및 식생 분류, 변화 탐지, 그리고 연안 및 항공 지역의 분류에 도움을 준다. 많은 고급 기법들이 모델에 대한 일부 실질적인 수정에 기반하여 도입되었으나, 그 결과 적응하기 어려운 복잡한 프레임워크가 초래되었다. 본 연구에서는 원격탐사 영상을 이용하여 항공 및 연안 지역 분류를 위한 경량 경량 밀집 혼합전문가(Lightweight Dense Mixture of Experts; LiteDenseMoe) 모델을 새롭게 제안한다. 제안된 모델은 초기 단계에서 경량 밀집 레이어를 포함하는 경량의 밀집 블록과, 채널 및 공간 주의(attention) 메커니즘을 통합한다. 그 다음, 결과 모델은 복잡한 항공 장면에 대한 정확한 예측을 위해 더 관련성 있고 본질적인 특징을 추출한 Mixture of Experts 블록과 추가로 결합된다. 제안된 모델의 학습 과정에서는 수동 선택 대신 하이퍼파라미터 초기화를 위해 Hyperband Optimization 기법을 사용한다. 제안된 모델을 학습한 후에는 분류를 수행하고, 출력 해석을 함께 수행한다. 제안된 LiteDenseMoe 아키텍처는 세 가지 데이터셋에서 평가되었으며, 0.3백만 개의 파라미터만으로 MLRSNet에서 93.25%, NWPU-RESISC45에서 92.56%, EuroSAT 데이터셋에서 96.54%의 정확도를 달성하였다. Moe 결과를 해석하기 위해 전문가 할당 및 클래스별 전문가 신뢰도, Expert disagreement Network, t-SNE 시각화 또한 관찰한다. 상세한 절제(Ablation) 연구와 사전학습(pre-trained) 및 SOTA 모델과의 비교 분석은 항공 및 연안 지역 분류를 위한 제안 아키텍처의 영향과 효율성을 확인한다.

무선 체역 네트워크(WBANs)는 생체 신호와 활동을 지속적으로 모니터링할 수 있게 함으로써 의료 및 여러 기타 분야에서 핵심적인 역할을 한다. 그러나 저전력 센서, 불안정한 링크, 라우팅 관련 문제와 같은 과제는 이들의 효율성과 신뢰성을 저해한다. 본 논문에서는 이러한 과제를 해결하기 위해 Thermal Aware High Throughput(TAHT) 라우팅 프로토콜을 제안한다. TAHT는 멀티홉 토폴로지를 활용하며, 에너지, 링크 품질, 온도와 같은 매개변수를 고려하여 효율적인 라우팅을 위해 안정적인 링크를 우선순위로 한다. 실험적 평가를 통해 TAHT는 벤치마크 프로토콜에 비해 처리량이 10%~20% 향상되고, 온도 오버헤드가 15% 감소하였으며, 전반적인 성능이 향상됨을 보여준다. 에너지 소비를 효과적으로 관리하고, 중복 데이터 전송을 최소화하며, 라우팅 경로를 최적화함으로써 TAHT는 WBAN의 신뢰성과 지속가능성을 개선하기 위한 새로운 해결책을 제공하고, 따라서 문헌에서의 기존 노력들을 넘어 해당 분야를 발전시키는 데 기여한다.

제6세대 네트워크(6G)는 차량 대자율 주행을 지원할 수 있으며, 연결된 자율주행 차량을 위한 분산 컴퓨팅 아키텍처인 Vehicular Edge Computing(VEC)과 같은 다양한 차량 응용을 포함한다. 차량 환경에서 컴퓨팅 오프로딩과 자원 관리를 위한 연합 학습(Federated Learning) 효율적 학습 모델을 제안함으로써, Vehicular Edge Computing의 컴퓨팅 오프로딩 및 자원 관리가 높은 통신 비용, 개인정보 보호, 과도하게 긴 학습 과정 등 일부 문제를 해결하는 데 도움이 될 수 있다. 본 논문에서는 두 가지 연구 이슈를 강조한다. 하나의 문제는 현재 오프로딩 시스템과 관련되며, 스마트 구조 및 운영체제에 관한 것이다. 설치된 운영체제나 사용된 하드웨어와 무관하게 클라우드 컴퓨팅 서비스에 일관되게 접근하는 것은 여전히 어렵다. 다른 이슈는 보안과 개인정보 보호와 관련된다. 보안과 개인정보 보호는 오프로딩 및 자원 관리 과정에서 클라우드 데이터 센터의 데이터와 데이터 전송 동안 유지되어야 하는 두 가지 중요한 특성이다. 본 총설 논문에서는 이러한 문제에 대한 부분적 해법을 제공하는 시스템이 제안될 것이다. 본 고찰을 수행하는 과정에서 도출된 제안된 해법은 모델을 학습할 수 있고 엣지 장치의 정보를 업데이트하는 데 도움이 되는 시스템을 제공한다. 전체 엣지-클라우드 시스템은 엣지 장치에 대해 업데이트된 정보를 제공할 수 있으며, 모델 관련 최적화에 필요한 일부 핵심 정보의 확보에 따르는 어려움을 해결할 수 있다. 또한 이는 6G-V2X 네트워크의 통신을 위한 프레임워크의 효율성을 향상시킬 수 있다.

≥ .60)인 경우, 모든 시선 특성에 대해 강한 양측 상관관계가 관찰되었으며(Spearman ρ = 0.84–0.99), 각도 오차가 1.11°에서 1.36° 범위에 있어 집단 간 공간 정확도는 안정적으로 유지되었다.

원격탐사는 전 세계적으로 수행되는 인위적(anthropogenic) 연구 분야이다. 이는 기후 모니터링, 재난 예측, 토지 이용 계획과 같은 중요 응용에서 상당한 성과를 거두었다. 그러나 스케일의 다양성, 클래스 내부 유사성, 복잡한 장면으로 인해 정확한 인식 과정은 여전히 어려운 과제로 남아 있다. 변환기(Transformers)의 전역적 주의(global attention) 메커니즘은 CNN의 국소 수용장(local receptive fields) 한계를 극복하는 데 도움이 되지만, 계산 복잡도가 증가한다는 단점이 있다. 이러한 도전 과제를 극복하기 위해 본 연구는 원격탐사 이미지 분류 성능 향상을 위한 적응적 스케일-공간 피라미드 네트워크(Adaptive Scale-Space Pyramid Network, ASSPN)를 제안한다. ASSPN의 아키텍처는 다중 스케일 특징 표현을 위한 학습 가능한 가우시안 피라미드 모듈, 특징의 관련성을 동적으로 가중하는 스케일 선택 주의(scale selection attention) 메커니즘, 불확실성에 의해 유도된 융합을 위한 교차-특징 전파(cross-feature propagation) 모듈, 의미적으로 구별적인 특징을 보존하기 위한 복잡도 인지 적응 풀링(complexity-aware adaptive pooling) 모듈로 구성된다. 실험은 EuroSAT, NWPU-RESISC-45, MLRSNet의 세 가지 벤치마크 데이터셋에서 수행되었다. 이들 데이터셋에서 ASSPN은 각각 96.14%, 94.73%, 95.42%의 정확도를 달성하며 최첨단의 성능을 보였다. 또한 획득한 정확도는 이전의 CNN 및 변환기 기반 시스템보다 유의미한 격차로 우수함을 나타낸다. 더불어 ASSPN은 잡음 교란(noise perturbation)에 강건하며, 다양한 토지피복 범주 전반에 걸친 일반화 능력도 보여준다. 절제(ablation) 연구는 핵심 모듈들의 상보적 이점을 입증하였고, LIME 기반 설명 가능성 분석은 모델의 예측 신뢰성을 확인하였다.

효율적인 진단, 치료 계획 수립 및 환자 관리를 위해서는 MRI 영상에서 뇌종양을 정확히 분할(segmentation)하고 분류(classification)해야 한다. 이러한 작업을 수행하기 위해 많은 딥러닝 기법이 사용되고 있다. 그러나 계층적 특징 추출의 부족, 종양의 생물학적 경계에 대한 덜 알려진 세분화, 불확실성(uncertainty) 모델링의 제한과 같은 뚜렷한 성능 격차가 존재한다. 이러한 격차는 다중 모달(multi-modal) MRI 데이터와 이질적인 종양 형태를 다룰 때 특히 발생한다. 본 연구는 베이지안 기반 DeepLabV3+ 아키텍처를 도입함으로써 이러한 문제를 해결한다. 이는 분할 결과의 우도적(aleatoric) 불확실성과 인식적(epistemic) 불확실성을 정량화한다. 따라서 임상적 의사결정에 대한 신뢰성이 향상된다. 아키텍처의 선택은 베이지안 추론의 유망한 성능과 뇌종양의 복잡한 형태에 적합한 다중 스케일 공간 맥락의 보존 능력에 의해 뒷받침된다. 본 아키텍처는 종양의 하위 영역에 대한 다중 모달 주석을 제공하며 각각 여러 종양 인식을 포함하는 BraTS23 및 Figshare 뇌종양 데이터셋에서 시험되었다. 다양한 종양 형태와 크기를 적절히 처리하는 데 있어 Dice 점수 95.86%(BraTS23) 및 92.80%(Figshare)로 매우 우수한 성능을 보였으며, 여러 번의 교차검증 실험을 통해 통계적 유의성이 입증되었다(p < 0.05) . 또한 최근 문헌에서 보고된 주요 접근법들에 비해 성능이 뛰어났다. 더 나아가, 계층적 특징 추출과 저수준(coarse) 수준의 특징 추출을 듀얼 브랜치 처리 및 self-attention을 통해 결합하는 고유한 Hybrid-Depth 분류 프레임워크가 개발되었다. 이 설계는 서로 다른 모달 간 상호 의존성을 명시적으로 특성화하고 특징의 중복을 완화해야 한다는 요구에 의해 정당화된다. 본 프레임워크는 뇌종양 MRI 양식(Flair, T1, T2 및 T1ce)과 종양 유형 클래스(예: gliomas, meningiomas 및 pituitary)를 분류하는 데 효과적으로 수행되었다. 분류 과제에 대한 계층적 및 더 거친 수준의 특징 추출은 원활하게 수행되었다. 제안된 아키텍처는 BraTS23 및 Figshare 뇌종양 데이터셋에서 각각 98.80%와 95.40%의 정확도를 달성하였다. 본 연구는 Hybrid-Depth 메커니즘을 정의하고 판별적 표현 학습을 향상시키는 데에서의 역할을 상세히 제시함으로써 독창성과 실용성을 입증한다. 프레임워크의 성능은 자동화된 뇌종양 진단에서의 실용적 활용 가능성과 더불어 현재의 접근법들에 대한 우수성을 모두 보여준다. 제안된 프레임워크는 진단 효율성과 정확성을 높이고 의료진이 최선의 환자 관리를 제공하는 데 도움을 주기 위한 주요한 진전을 제공한다. 요약하면, 제안된 Bayesian-DeepLabV3+ 및 Hybrid-Depth 프레임워크는 불확실성 정량화, 데이터셋 기반 아키텍처 선택, 그리고 다중 모달 특징 학습에서의 방법론적 공백을 연결함으로써 분야를 함께 강화한다. 따라서 본 접근법은 자동화된 뇌종양 진단을 위한 견고한 AI 파이프라인을 제공한다.

피부경피(dermoscopic) 이미지로부터의 정확하고 신뢰할 수 있는 피부암 검출은 큰 시각적 변이, 병변의 외관이 겹치는 현상, 그리고 내재된 임상적 불확실성으로 인해 여전히 어렵다. 이러한 문제를 해결하기 위해 본 연구는 설명가능성과 불확실성 인식(uncertainty-aware)을 갖춘 피부 병변 분류를 위한 형태학적(morphology-guided) 주의(attention) 기반 프레임워크를 제안한다. 이 시스템은 임상적으로 의미 있는 형태학적 구조를 보존하기 위해 병변 분할을 통합한 뒤, 진단적으로 관련된 영역에 주의를 집중하면서 배경 인공물(artifact)을 억제하는 주의 기반 분류 네트워크를 적용한다. 시각적 주의 및 귀속(attribution) 맵을 생성하여 확립된 피부경피 기준(dermoscopic criteria)에 부합하는 투명한 설명을 제공한다. 또한 예측의 신뢰도를 정량화하고 애매하거나 분포 밖(out-of-distribution) 사례를 식별하여 안전한 임상적 분류(triage)를 돕기 위해 불확실성 추정 모듈을 추가로 포함한다. 제안된 접근법은 공개된 피부경피 데이터셋에서 평가되었으며, 악성 병변에 대해 재현율(recall rate) 99% 이상을 달성하면서 분류 정확도 99.12%를 나타내 조기 암 검출에 대한 높은 민감도를 입증하였다. 실험 결과, 형태학적 주의는 기존의 일반적인 딥러닝 모델에 비해 분류 성능과 해석가능성을 모두 향상시키는 것으로 나타났다. 더 나아가 불확실성 인식 예측은 어려운 사례에서 과도하게 확신하는 오류를 줄임으로써 모델의 신뢰성을 향상시킨다. 이러한 결과는 제안된 프레임워크가 실제 환경에서 이루어지는 자동화된 피부암 선별을 위한 견고하고 설명가능하며 임상적으로 관련성 있는 해결책을 제공함을 시사한다.