전 세계 22억 명 이상이 시각장애를 겪고 있으나, 기존 흰 지팡이는 높이 있는 위험 요소를 감지하거나 의미론적 환경 맥락을 제공할 수 없다. 기존 AI 보조 내비게이션 시스템은 일반적으로 고가의 하드웨어 또는 클라우드 연결에 의존하여, 자원이 제한된 환경에서의 접근성을 제한한다. 본 논문은 초저전력 Raspberry Pi Zero 2W에서 다중모달 이동 보조를 위해 설계된 저렴한(88 USD) 완전 오프라인 AI 통합 스마트 지팡이를 제안한다. 시스템은 RGB 비전 감지와 Time-of-Flight(ToF) 거리 추정을 융합하고, INT8 양자화 SSD MobileNet V1 모델을 거리 인식 진동 촉각 피드백 및 실시간 오디오 알림과 결합한다. 제한된 하드웨어에서의 운영 견고성을 위해, 멀티프로세싱 아키텍처가 센서 획득, 신경망 추론, 햅틱 피드백을 장애 안전 센싱 지원과 함께 독립 프로세스로 분리한다. 실내 이동 시나리오에 걸친 실험 평가는 macro-averaged F1-score 0.82(정밀도: 0.85, 재현율: 0.81), 평균 end-to-end 지연 330 ms, 최대 전력 소모 2.8 W를 보여준다. 12명 참가자(SUS: 78.5, NASA-TLX)를 대상으로 한 예비 사용성 연구는 긍정적인 사용자 인식과 향상된 장애물 인식을 보여주었다. 제안된 프로토타입은 비용에 민감한 이동 보조를 위한 프라이버시 보존형 엣지 네이티브 보조 지능 배포의 타당성을 검증한다.
허위 구인 공고 탐지는 가짜 콘텐츠, 오해의 소지가 있는 정보, 또는 부정적인 의도로 변질되어 구직자와 고용주의 온라인 생태계를 교란하는 구인 광고를 식별하는 것을 목표로 합니다. 이 분야의 기존 연구들은 높은 정확도와 함께 가짜 공고 간의 미묘한 차이를 포착하는 잠재 공간(latent-space) 표현의 유의미한 구조를 동시에 달성하는 효과적인 방법이 부족합니다. 이를 위해, 본 논문에서는 중심점 기반(centroid-driven) top-$k$ 푸시-앤-풀(push-and-pull) 메커니즘을 통해 잠재 공간을 일관되게 재구성함으로써 분류(classification)와 조밀하게 공식화된 군집화를 결합하는 손실(loss) 함수인 중심점 유도 대조 손실(Centroid-Guided Contrastive Loss, CGCL)을 제안합니다. CGCL의 상호보완적인 특성은 모델(model)이 정확한 결정 경계를 강제하고 높은 군집 응집도를 유지할 수 있도록 하여, 클래스 분리 가능성과 잠재 구조를 모두 효과적으로 포착합니다. 광범위한 실험을 통해 공개 벤치마크 데이터셋(dataset)인 EMSCAD에서 본 방법의 최고 수준(SOTA) 성능을 입증합니다. 본 연구와 관련된 코드는 https://github.com/ali-ahmed925/CGCL_code 에서 확인할 수 있습니다.
동기: ESM-2와 같은 사전학습 단백질 언어 모델(PLM)은 생물학적 서열 과제의 기본 표현이 되었지만, 계산 비용이 크고 임베딩과 미세조정 모두 GPU가 필요하다. 구조 예측과 달리 서열 분류에 실제로 필요한지는 강력하고 원칙적인 경량 대안과 거의 비교 검증되지 않았다. 이 문제는 대규모 게놈 감시처럼 상용 하드웨어에서 수백만 서열 임베딩이 반복적으로 병목이 되는 경우에 직접적인 실용적 함의를 갖는다.
결과: Murmur2Vec을 제안한다. 이는 정렬 불필요·학습 불필요 임베딩으로, 결정적 MurmurHash 함수를 통해 $k$-mer 빈도를 작은 해시 테이블에 집계하며, 고전적 $k$-mer spectrum 커널의 무작위 스케이치로 본다. 내적의 폐형 바이어스/분산, Johnson–Lindenstrauss형 농도 bound를 갖는 편향 없는 signed 변형, 해시 테이블 크기에서 바이어스–분산 trade-off를 명시하는 하류 선형 분류기의 excess-risk bound, 충돌이 빈번한 비판별 $k$-mer보다 희귀한 계통 정의 $k$-mer를 더 손상시키는 암묵적 정규화 메커니즘까지 이론을 완전히 다룬다. 네 가지 분류 과제—SARS-CoV-2 spike 계통(22 클래스), HIV-1 Env 아형(8 클래스), 단백질 패밀리 벤치마크 두 개(8·6 클래스)—에서 Murmur2Vec은 LoRA 미세조정된 6.5억 매개변수 ESM-2 모델과, LoRA 미세조정을 수렴까지 수행한 두 과제(SARS-CoV-2, HIV-1)에서는 동등하고, 단백질 패밀리 두 과제에서는 고정 ESM-2와 동률이며, 가장 어려운 과제(SARS-CoV-2 계통: 정확도 $0.854$ vs. $0.807$; macro-F1 $0.684$ vs. $0.401$)에서는 미세조정 모델을 능가한다.