연결 및 자율 차량의 증가는 지능형 교통 시스템의 한 시대를 의미하며, 여기에서는 중요 애플리케이션을 위한 견고하고 지속적인 네트워크 연결성과 차량 내 Consumer Electronics (CE) 경험의 향상이 필수적이다. 네트워크의 엣지에서 수행하는 네트워크 슬라이싱은 Advanced Driver Assistance Systems (ADAS) 및 차량 내 인포테인먼트를 포함하여, 다양한 저지연 차량 요구에 맞춘 전용 논리 네트워크를 제공한다. 그러나 차량이 서로 다른 네트워크 사업자의 커버리지 영역을 이동하는 동안 네트워크 슬라이스를 원활하게 마이그레이션하는 일은, 안전에 직결되는 시스템과 소비자 지향 서비스 모두에 대해 연속적인 연결성과 중단 없는 서비스를 보장해야 한다는 점에서 상당히 어려운 과제를 야기한다. 본 논문에서는 고도로 역동적이고 이동성이 큰 환경에서 Open Radio Access Network (O-RAN) 프레임워크를 활용하여, 연결 차량 및 탑재 CE의 지속적 연결성을 위한 동적 네트워크 슬라이싱을 제안하였다. 우리는 O-RAN 내에 xAPP을 구현하여, 네트워크와의 상호작용을 통해 Deep Reinforcement Learning (DRL) 에이전트가 최적 정책을 학습하도록 하고, 슬라이스 마이그레이션, 자원 할당, 핸드오버 최적화에 관한 지능적 의사결정을 유도한다. 또한 제안된 xAPP이 최적의 Quality of Service (QoS)를 유지하는 효과, 효율적인 RAN 자원 활용, 서비스 중단의 최소화, 그리고 안전에 직결되는 슬라이스의 우선순위 보장 측면에서의 유효성을 입증하기 위해 시뮬레이션과 평가를 수행하였으며, 이동 중 차량 내에서 CE의 원활한 동작을 지원하는 동시에 이를 달성하였다.

당뇨망막병증(DR)은 실명의 주요 원인이며, 전 세계 시력 건강에 있어 중요한 과제이다. 비가역적인 안구 손상을 예방하기 위해서는 조기 발견이 필수적이다. 자동화된 의료 영상 분석은 시의적절한 진단을 가능하게 하는 데 중추적인 역할을 한다. 그러나 강건한 진단 모델의 개발은 라벨이 부착된 데이터의 부족과 불균형 및 비라벨 데이터셋의 만연으로 인해 어려움을 겪는다. 준지도 학습은 비라벨 데이터를 활용하여 모델 성능을 향상시키는 잠재적 해결책을 제공한다. 다만 준지도 학습은 흔히 신뢰할 수 없는 의사 라벨링, 낮은 신뢰도의 데이터 배제, 불균형 데이터셋으로부터 유발되는 편향과 같은 문제들로 인해 제한된다. 이러한 한계를 해결하기 위해, 우리는 유사도 학습과 대조 학습을 결합한 DR 검출을 위한 새로운 준지도 학습 프레임워크를 제안한다. 우리의 접근법은 클래스 프로토타입과 분류기 앙상블을 활용하여 비라벨 데이터에 대한 신뢰할 수 있는 의사 라벨을 생성한다. 기존 방법과 달리, 신뢰할 수 없는 샘플을 버리는 대신 대조 학습을 통해 학습 과정에 통합한다. 이를 통해 유용한 특징을 추출하고 전체 성능을 향상시킬 수 있다. 또한 특정 영상에 대한 모델의 예측에 대한 통찰을 제공하는 설명가능한 AI 기법 GradCAM을 도입하여 모델의 투명성과 해석가능성을 향상시킨다. 제안한 방법은 당뇨망막병증 분류를 위한 공개된 Kaggle DR 데이터셋에서 평가하였다. 실험 결과, 우리의 접근법은 기존의 준지도 학습 방법에 비해 향상된 성능을 달성함을 보여주었다. 또한 신뢰할 수 없는 샘플을 효과적으로 활용할 수 있으며, 이는 DR 진단을 발전시키는 데의 잠재력을 시사한다.