라벨 조건부 소스 분리는 입력 심볼로 지정된 목표 소스를 입력 혼합 트랙으로부터 추출한다. 최근 제안된 라벨 조건부 소스 분리 모델인 Latent Source Attentive Frequency Transformation (LaSAFT)-Gated Point-Wise Convolutional Modulation (GPoCM)-Net은 LaSAFT라는 잠재 소스 분석을 위한 블록을 도입하였다. LaSAFT 블록을 활용하여, 이 모델은 MUSDB18 벤치마크의 여러 과제에서 최첨단 성능을 달성하였다. 본 논문은 자기 조건화(self-conditioning) 방법을 활용하여 LaSAFT 블록을 향상시킨다. 기존 방법은 목표 소스 심볼과 잠재 소스 사이의 상징적 관계만 고려하고 오디오 콘텐츠를 무시하는 반면, 새로운 접근법은 오디오 콘텐츠 또한 고려한다. 향상된 블록은 라벨과 입력 오디오 특징 맵에 대해 주의(attention) 마스크 조건화를 수행한다. 여기에서는, 향상된 LaSAFT 블록을 사용하는 조건부 U-Net이 기존 모델보다 우수한 성능을 보임을 입증한다. 또한, 본 모델이 약간의 수정으로 오디오-쿼리 기반 분리를 수행할 수 있음을 보인다.

본 논문에서는 3차원 최대 범위 합(3D Maximum Range-Sum, 3D MaxRS) 문제와 최대 시공간 범위 합 변화(Maximum Spatiotemporal Range-Sum Change, MaxStRSC) 문제를 소개한다. 3D MaxRS 문제는 모든 객체 내부에 포함된 가중치의 합이 최대가 되는 3차원 범위를 찾는 것을 목표로 하며, MaxStRSC 문제는 모든 객체 내부에 포함된 가중치의 합이 최대의 증가를 보이는 시공간 범위를 찾는 것을 목표로 한다. 본 논문의 목적은 두 가지 문제를 해결함으로써 대규모 역사적 시공간 데이터셋에서 데이터 분석가가 흥미로운 시공간 영역을 찾을 수 있도록 효율적인 방법을 제공하는 데 있다. 각 문제에 대해 수학적 설명을 제시하고, 이에 대한 몇 가지 알고리즘을 제안한다. 기존 방법들은 주로 2차원 데이터셋에서 최적 영역을 찾거나 2차원 데이터 스트림에서 버스트 영역을 모니터링하려고 시도해 왔다. 그러나 그 대부분은 우리의 문제를 직접적으로 해결할 수 없다. 일부 기존 방법을 3D MaxRS 문제에 적용하거나 수정하여 해결할 수는 있더라도, 이들은 제한적인 확장성을 가진다. 또한, 어느 방법도 MaxStRS-RC 문제(일종의 MaxStRSC 문제)를 해결하는 데 사용할 수 없다. 마지막으로, 제안된 알고리즘들의 성능을 실험적으로 연구한다. 실험 결과는 제안된 알고리즘이 확장 가능하며 기존 방법보다 훨씬 더 효율적임을 보여준다.

다기준 의사결정 시 활용할 수 있는 스카이라인 질의는 다수의 선택지 중에서 사용자가 '선호하지 않을 만한'(uninteresting) 선택지를 제거함으로써 사용자가 검토해야 하는 선택지의 수를 대폭 감소시키기 때문에 대용량 데이터 분석 시 매우 유용하게 활용될 수 있다. 이러한 배경에서 대용량 데이터에 대한 스카이라인 질의를 분산 병렬 처리하는 기법이 각광을 받고 있으며, 특히 맵리듀스(MapReduce) 기반의 분산 병렬 처리 기법 연구가 활발히 진행되어 왔다. 맵리듀스 기반 알고리즘의 병렬성 제고를 위해서는 부하 불균등 문제, 중복 계산 문제, 과다한 네트워크 비용 발생 문제를 해소해야 한다. 본 논문에서는 부하 불균등 문제와 중복 계산 문제를 해소하면서도 데이터 샘플링 기반 프루닝을 통해 네트워크 비용을 절감할 수 있는 맵리듀스 기반 병렬 스카이라인 질의 처리 기법인 MR-SEAP(MapReduce sample Skyline object Equality Angular Partitioning)을 소개한다. 또한 다양한 관점에서의 실험 평가를 수행함으로써 제안 기법의 효용성을 다방면으로 검증했다. 다차원 튜플 데이터셋이 주어졌을 때, 스카이라인 질의는 어떤 다른 튜플에 의해서도 '지배(dominated)'되지 않는 튜플들의 부분집합을 반환한다. 스카이라인 질의는 빅데이터 분석에서 매우 유용한데, 이는 흥미롭지 않은 항목을 필터링하기 때문이다. 대규모 분산 환경에서 스카이라인 질의를 맵리듀스(MapReduce) 기반 병렬 처리로 수행하는 것에 대한 관심이 크다. 맵리듀스 기반 알고리즘에서 병렬성을 향상시키기 위한 요구사항은 세 가지이다. (1) 작업량이 잘 균형을 이루어야 한다. (2) 중복 계산을 피해야 한다. (3) 네트워크 통신 비용을 최적화해야 한다. 본 논문에서는 위의 요구사항을 만족하는, 샘플링 기반 프루닝을 이용한 효율적인 각도 공간 분할 기반 스카이라인 질의 처리 기법인 MR-SEAP(MR-SEAP; MapReduce sample Skyline object Equality Angular Partitioning)를 제안한다. 또한 MR-SEAP을 평가하기 위해 포괄적인 실험을 수행한다.

본 논문은 RESTful 웹 서비스를 활용한 조선 산업용 애플리케이션 프로토타입에 대한 사례 연구를 제시한다. 전통적인 기업을 위한 대부분의 데이터베이스 응용은 단순한 클라이언트-서버 형태의 2계층 또는 추가 RPC 미들웨어가 포함된 3계층에 기반한다. 그러나 구식의 기존 구성은 확장 가능하지 않으므로, 데이터베이스를 웹 또는 모바일 플랫폼과 연동하기 위한 대안이 필요하다. 이러한 레거시 시스템의 변경은 수정된 아키텍처가 레거시 시스템의 다른 구성요소에 영향을 줄 수 있어 유지보수 비용을 크게 증가시킨다. 이러한 문제의식에 동기부여되어, 본 논문은 오픈 소스 프레임워크와 RESTful 웹 서비스를 활용한 단순하고 유연한 애플리케이션 프로토타입을 제안한다. 제안된 프로토타입은 Java 플랫폼에서의 오픈 소스 웹 애플리케이션 프레임워크인 Groovy 및 Grails 프레임워크를 사용한다. 제안된 프로토타입의 주요 이점은 모바일과 .NET과 같은 이질적인 클라이언트 플랫폼으로의 손쉬운 확장 가능성에 있으며, 생산성이 높은 웹 애플리케이션 프레임워크를 사용하여 유지보수가 가능하다는 점이다. 사례 연구로서, 제안된 프로토타입은 조선의 BOMs(Bill of materials) 관리 업무에 적용되었다.