최근 가짜 뉴스 탐지 문제는 데이터 공학에서 가장 시급한 문제 중 하나이다. 본 논문에서는 가짜 뉴스 탐지 문제 중 가장 본질적인 문제인 낚시성 기사 탐지 문제를 해결하기 위해 두 가지의 새로운 접근 방법을 제안한다. 먼저, RNN 기반의 Bi-LSTM 다중 계층들, max-pooling 계층들, 그리고 fully-connected 계층들로 구성된 딥러닝 모델을 제안한다. 또한, 딥러닝 모델의 정확도를 향상하기 위해 대용량, 고품질의 학습 데이터를 자동으로 생성하는 데이터 증강 알고리즘을 제안한다. 제안된 알고리즘으로 생성된 학습 데이터가 인간 평가자가 만든 데이터와 거의 일치함을 보인다. 제안된 딥러닝 모델은 기존 주요 방안에 비해 36% 정확도 향상시키며, 학습 데이터를 자동으로 생성하는 새로운 접근 방식은 딥러닝 모델의 정확도를 크게 높인다. 이러한 제안방안은 낚시성 기사 감지를 위해 현재까지 시도되지 않은 새로운 연구이다.

최근 PEGASUS 및 BART와 같은 사전학습된 시퀀스-투-시퀀스 모델이 추상적 요약에서 최첨단 성능을 보이고 있다. 이러한 모델에서 파인튜닝 동안 인코더는 문장을 잠재 공간의 문맥 벡터로 변환하고, 디코더는 문맥 벡터에 근거하여 요약 생성 과제를 학습한다. 본 접근법에서는 중요한(context salient) 문맥 벡터와 중요하지 않은(context non-salient) 문맥 벡터의 두 군집을 고려하며, 이를 통해 디코더가 요약 생성 시 중요한 문맥 벡터에 더 집중(attend)할 수 있도록 한다. 이를 위해 인코더와 디코더 사이에 새로운 군집 생성기 레이어(cluster generator layer)를 제안하는데, 이 레이어는 먼저 중요한 및 중요하지 않은 벡터의 두 군집을 생성한 뒤, 잠재 공간에서 군집들이 서로 분리되도록 정규화(normalizes)하고 군집의 규모를 축소(shrinks)한다. 실험 결과, 제안된 모델은 이러한 구별되는 군집 패턴을 학습함으로써 CNN/DailyMail 및 XSUM 데이터셋에서 BART와 PEGASUS와 같은 최첨단 모델보다 성능이 우수했으며, ROUGE는 최대 2~30%, BERTScore는 0.1~0.8%까지 향상되었다.

학생들은 에세이를 작성해보면서, 제4차 산업혁명에 꼭 필요한 창의성을 키울 수 있다. 그러나 현재 수작업에 의존하는 창의성 평가방식은 주관적이며, 많은 예산과 시간이 소요된다. 따라서 대량의 에세이에서 창의성을 정량적으로 평가할 수 있도록 인공지능 모델을 개발하는 것이 중요하다. 본 논문에서 에세이 창의성 점수 예측모델에 필요한 학습데이터를 구축하는 방안을 제안하고, 대용량 학습데이터를 효과적으로 구축할 수 있도록 웹기반 레이블링 시스템을 개발한다. 제안 시스템을 통해, 약 3,766개의 에세이에 대한 학습데이터를 구축하였고 심도 있는 분석을 통해, 3명의 평가자 간 Kendall 점수는 평균 82.7%로 평가자 간 강한 상관관계를 보였고, 가설검정을 통해 제안 시스템을 사용하는 것이 기존 수작업 방식보다 통계적으로 유의미한 것을 보였다.

4차 산업 혁명 시대에서 창의력은 중요하며, 글쓰기는 창의력 기르는 교육 방법 중 하나이다. 그러나 현재 학교에서 시행하는 글쓰기 평가 방식은 주관적으로 평가한다는 문제점이 있다. 에세이 자동 평가(AES)는 객관성을 확보할 수 있을 뿐만 아니라 평가자의 시간과 노력을 줄여주는 역할을 한다. 본 논문은 효과적인 AES작업을 위해 BERT 모델에 대조 학습을 활용한 모델을 제안한다. 제안 모델은 대조 학습 손실 함수를 추가하여 효과적인 에세이 임베딩 표현을 구현한다. 또한, 점수별 에세이의 평균 임베딩을 대조 학습에서의 샘플로 사용하는 방식으로 양성과 음성 샘플을 선택한다. ASAP 에세이 데이터셋을 사용하여 실험한 결과, 제안 모델인 CLES-BERT 모델이 기존 BERT 모델보다 최대 3% 정확도 향상을 보였다.

지금까지 자동화된 창의적 에세이 채점(Automated Creative Essay Scoring, ACES)에 관해 탐구한 연구는 많지 않다. ACES에서는 사전 학습된 모델이 에세이를 창의적 또는 비(非)창의적으로 자동 라벨링한다. 에세이의 창의성 평가는 매우 주관적이기 때문에, 각 평가자는 창의성에 대한 자기만의 기준을 갖는 경우가 흔하다. 이와 같은 이유로 에세이에서 창의성을 정량화하는 일은 매우 어렵다. 본 연구는 ACES를 위한 새로운 모델 개발을 위한 예비 연구의 하나로서, 창의적 에세이와 표현성(expressiveness) 간의 상관관계를 심층적으로 조사한다. 구체적으로, 드문(dra re) 토큰이 에세이의 창의성 평가에 어떤 영향을 미치는지 탐색한다. 이를 위해 드문 토큰을 추출하기 위한 다섯 가지의 서로 다른 방법을 제시하고, BERT를 사용하여 드문 토큰과 창의적 에세이 평가 결과 간의 상관관계에 대한 비교 연구를 수행한다. 실험 결과, 드문 토큰과 창의적 에세이 간에 뚜렷한 상관관계가 있음을 확인하였다. 모든 테스트 세트에서, 드문 토큰 마스킹 기반 BERT(rare token masking-based BERT, ramBERT) 모델의 정확도는 기존 BERT 모델에 비해 최대 14%까지 향상되었다.

빠르게 발전하는 강화학습(Reinforcement Learning, RL) 분야에서, 다중 에이전트 강화학습(Multi-Agent Reinforcement Learning, MARL)은 복잡한 현실 문제를 해결하는 핵심 분야로 부상해 왔다. 이 영역에서의 중요한 발전 중 하나는 혼합 네트워크(mixing network)의 도입으로, 다중 에이전트 시스템의 역량을 크게 향상시키는 전환점이 되었다. COMA 및 VDN 방법론에서 영감을 받아, 혼합 네트워크는 공동 상태-행동 상호작용으로부터 결합된 Q값을 추출하는 데 있어 기존 기법들의 한계를 극복한다. COMA와 VDN과 같은 선행 접근법은 학습 과정에서 상태로 제공되는 정보를 충분히 활용하지 못한다는 제약을 지녔으며, 이로 인해 효과성이 제한되었다. QMIX와 QVMinMax는 중앙집중형 상태를 두 번째 신경망을 위한 가중치로 변환하기 위해 신경망을 사용함으로써(하이퍼 네트워크와 유사) 이러한 문제를 해결하고자 했다. 그러나 이러한 해결책들은 계산적으로 부담이 크고 국소 최솟값(local minima)에 취약하다는 어려움을 동반하였다. 이러한 난관을 극복하기 위해, 본 연구에서 제안하는 방법론은 세 가지 핵심 기여를 도입한다. 첫째, 전통적인 혼합 방식의 혁신적 대안으로 자기-어텐션(self-attention) 메커니즘을 갖는 상태-융합 네트워크(state- fusion network)를 제안한다. 둘째, MARL 알고리즘에서의 국소 최적(local optima) 문제를 해결하기 위해, 가중치와 바이어스 선택에 Grey Wolf Optimizer를 활용하여 최적화 성능을 개선하기 위한 확률적 요소를 추가한다. 마지막으로, QMIX와의 성능을 두 가지 최적화 방법(Gradient Descent 및 Stochastic Optimizer) 하에서 종합적으로 비교한다. 실험 플랫폼으로 StarCraft II Learning Environment(SC2LE)를 사용한 결과, 본 방법론은 절대 성능에서 QMIX, QVMinMax, QSOD에 비해 우수함을 보였으며, 특히 자원 제약이 있는 환경에서 그 우월성이 두드러졌다. 본 연구의 방법론은 어텐션 메커니즘과 최적화 전략의 발전을 통해 다중 에이전트 시스템의 역량을 향상시키며, MARL 기법의 지속적인 진화에 기여한다.

특성 수준 주석(annotations)이 포함된 에세이 피드백 데이터셋의 제한된 가용성으로 인해, 에세이 평가 연구는 주로 자동화 에세이 채점(AES) 또는 피드백 생성에 초점을 맞춰 왔다. 본 논문에서는 Learner’s Essay and Feedback (LEAF) 데이터셋의 확장인 LEAF++를 제안하며, 원래의 피드백과 함께 특성 수준 점수(trait-level scores)를 추가로 풍부하게 포함한다. 이러한 특성 점수는 에세이의 세부 요소를 정밀하게 분석할 수 있게 하며, 피드백과의 관계를 검증할 수 있는 근거를 제공한다. 데이터셋을 평가하기 위해, 우리는 LLM 기반의 4가지 검증 접근법을 제안한다. Score2Feedback은 특성 점수가 LLM이 참조(reference) 피드백과 유사한 피드백을 생성하도록 안내하는지 여부를 검토한다. Feedback2Score는 참조 피드백을 사용하여 에세이를 수정(revise)할 경우 특성 점수가 향상되는지를 평가한다. FeedbackviaReference는 특성 점수에 의해 안내되면서, 피드백이 참조와의 최소 유사도 기준을 만족할 때까지 참조를 바탕으로 피드백을 반복적으로 정교화한다. FeedbackviaScore는 수정된 에세이가 원래 에세이보다 더 높은 점수를 얻을 때까지, 점수에 기반하여 피드백을 반복적으로 수정한다. 이러한 전략을 통해 우리는 피드백 생성 및 에세이 수정에 대한 영향도를 측정함으로써 특성 점수를 검증하고, 특성 수준 점수와 이에 대응하는 피드백 간의 관계를 부각한다. 프롬프팅(LLaMA-3, Mistral, Falcon-3, Phi-3)과 파인튜닝(LLaMA-3, Mistral, GPT-OSS)을 사용한 실험 결과, 특성 점수는 LLM이 의미 있는 피드백을 생성하도록 효과적으로 안내하는 것으로 나타났다. 또한 결과는 주석된 특성 점수가 해당 에세이 피드백과 유의미하게 관련됨을 보여준다. LEAF++ Dataset: https://github.com/misgna/LEAF-plusplus.

오늘날 AI 발전함에 따라 사람들의 노동력을 보완해 주는 자율주행로봇이 개발되었다. 하지만 험지 환경의 경우 복잡한 환경과 변인 요소로 인해 단일 시뮬레이션으로 자율주행로봇의 학습에 한계가 있다. 이를 보완하기 위해 이 논문에서는 sA2C 알고리즘을 사용하여 다중환경에서 하나의 모델을 학습시키는 강화학습 방법을 제안하며, 다중 험지 환경을 구축하여 다양한 변인 요소의 학습을 자율주행로봇에 적용하는 실험을 진행하였다. 추가로 기존 A3C 알고리즘과 제안한 sA2C 알고리즘의 성능 비교를 진행하였으며, 실험 결과 sA2C 알고리즘이 A3C 알고리즘보다 actor loss 값이 48.28%, critic Loss는 44.63%로 더 낮았으며, 평균 보상 값은 43.09%로 더 높았다.

이 논문에서는 RFID와 LiDAR 센서를 이용한 자율주행로봇의 ROS 기반 경로 이동 시스템을 제안한다. 인력난이 심화되고 있는 농업 현장에서 작물 운반 업무는 작업자에게 물리적인 피로도 증가와 신체 부담으로 부상을 유발한다. 이에 자동화 기계의 필요성이 대두되고 있는 가운데, 기존의 레일 기반 운반 로봇 시스템은 고정된 경로로 인한 제한된 경로 이동과 장애물 대처 능력 부족 등의 한계가 존재한다. 따라서 이 논문에서는 이러한 한계를 개선하고 효율적인 경로 이동을 위해 RFID와 LiDAR 센서를 사용한 자율주행 시스템을 제안한다. 실험 결과에서, 제안 시스템은 RFID 태그를 사용한 유동적인 목적지 설정과 LiDAR 센서를 이용한 장애물 감지로 유연한 경로 이동이 가능함을 보였다.

최근 가짜 뉴스 탐지 문제는 데이터 공학에서 가장 시급한 문제 중 하나이다. 본 논문에서는 가짜 뉴스 탐지 문제 중 가장 본질적인 문제인 낚시성 기사 탐지 문제를 해결하기 위해 두 가지의 새로운 접근 방법을 제안한다. 먼저, RNN 기반의 Bi-LSTM 다중 계층들, max-pooling 계층들, 그리고 fully-connected 계층들로 구성된 딥러닝 모델을 제안한다. 또한, 딥러닝 모델의 정확도를 향상하기 위해 대용량, 고품질의 학습 데이터를 자동으로 생성하는 데이터 증강 알고리즘을 제안한다. 제안된 알고리즘으로 생성된 학습 데이터가 인간 평가자가 만든 데이터와 거의 일치함을 보인다. 제안된 딥러닝 모델은 기존 주요 방안에 비해 36% 정확도 향상시키며, 학습 데이터를 자동으로 생성하는 새로운 접근 방식은 딥러닝 모델의 정확도를 크게 높인다. 이러한 제안방안은 낚시성 기사 감지를 위해 현재까지 시도되지 않은 새로운 연구이다.

최근 PEGASUS 및 BART와 같은 사전학습된 시퀀스-투-시퀀스 모델이 추상적 요약에서 최첨단 성능을 보이고 있다. 이러한 모델에서 파인튜닝 동안 인코더는 문장을 잠재 공간의 문맥 벡터로 변환하고, 디코더는 문맥 벡터에 근거하여 요약 생성 과제를 학습한다. 본 접근법에서는 중요한(context salient) 문맥 벡터와 중요하지 않은(context non-salient) 문맥 벡터의 두 군집을 고려하며, 이를 통해 디코더가 요약 생성 시 중요한 문맥 벡터에 더 집중(attend)할 수 있도록 한다. 이를 위해 인코더와 디코더 사이에 새로운 군집 생성기 레이어(cluster generator layer)를 제안하는데, 이 레이어는 먼저 중요한 및 중요하지 않은 벡터의 두 군집을 생성한 뒤, 잠재 공간에서 군집들이 서로 분리되도록 정규화(normalizes)하고 군집의 규모를 축소(shrinks)한다. 실험 결과, 제안된 모델은 이러한 구별되는 군집 패턴을 학습함으로써 CNN/DailyMail 및 XSUM 데이터셋에서 BART와 PEGASUS와 같은 최첨단 모델보다 성능이 우수했으며, ROUGE는 최대 2~30%, BERTScore는 0.1~0.8%까지 향상되었다.

학생들은 에세이를 작성해보면서, 제4차 산업혁명에 꼭 필요한 창의성을 키울 수 있다. 그러나 현재 수작업에 의존하는 창의성 평가방식은 주관적이며, 많은 예산과 시간이 소요된다. 따라서 대량의 에세이에서 창의성을 정량적으로 평가할 수 있도록 인공지능 모델을 개발하는 것이 중요하다. 본 논문에서 에세이 창의성 점수 예측모델에 필요한 학습데이터를 구축하는 방안을 제안하고, 대용량 학습데이터를 효과적으로 구축할 수 있도록 웹기반 레이블링 시스템을 개발한다. 제안 시스템을 통해, 약 3,766개의 에세이에 대한 학습데이터를 구축하였고 심도 있는 분석을 통해, 3명의 평가자 간 Kendall 점수는 평균 82.7%로 평가자 간 강한 상관관계를 보였고, 가설검정을 통해 제안 시스템을 사용하는 것이 기존 수작업 방식보다 통계적으로 유의미한 것을 보였다.

4차 산업 혁명 시대에서 창의력은 중요하며, 글쓰기는 창의력 기르는 교육 방법 중 하나이다. 그러나 현재 학교에서 시행하는 글쓰기 평가 방식은 주관적으로 평가한다는 문제점이 있다. 에세이 자동 평가(AES)는 객관성을 확보할 수 있을 뿐만 아니라 평가자의 시간과 노력을 줄여주는 역할을 한다. 본 논문은 효과적인 AES작업을 위해 BERT 모델에 대조 학습을 활용한 모델을 제안한다. 제안 모델은 대조 학습 손실 함수를 추가하여 효과적인 에세이 임베딩 표현을 구현한다. 또한, 점수별 에세이의 평균 임베딩을 대조 학습에서의 샘플로 사용하는 방식으로 양성과 음성 샘플을 선택한다. ASAP 에세이 데이터셋을 사용하여 실험한 결과, 제안 모델인 CLES-BERT 모델이 기존 BERT 모델보다 최대 3% 정확도 향상을 보였다.