ku.edu.kw

이 이메일 도메인이 관측된 논문 2건

arXiv:2606.22108v2eess.SY

IoT 기반 교차로를 위한 강화학습 기반 교통 신호 제어

Reinforcement Learning-Based Traffic Signal Control for IoT-Enabled Intersections

도시 교통 혼잡은 자동차 의존도가 높은 도시에서 지속적인 과제로 남아 있으며, 상당한 경제적 및 사회적 비용을 초래합니다. 교통 신호 시스템은 스마트 시티 인프라 내에서 네트워크화된 사이버-물리적 구성요소로 점차 더 많이 배치되고 있으며, 여기서는 분산 센싱과 엣지 인텔리전스를 통해 적응형 교통 관리가 가능해집니다. 본 논문에서는 쿠웨이트의 신호화된 도시 교차로에서 적응형 교통 신호 운영을 위한 엣지 지능형 접근법으로서 강화학습(RL)을 연구합니다. 미래 수요 정보나 중앙 집중식 조율에 의존하지 않고, 국소적으로 관측된 교통 상태를 활용하여 녹색 신호 주기 시간을 동적으로 할당하는 근접 정책 최적화(PPO) 기반 제어기를 개발합니다. 이 제어기는 쿠웨이트의 실제 시간별 교통량 데이터를 바탕으로 구축된 현실적인 시뮬레이션 환경(environment)에서 평가되며, 평균 차량 지연, 대기 행렬 길이, 배출량을 성능 지표로 사용하여 기존의 고정 시간 제어 및 현재 실무 수준을 대표하는 차량 감응식 제어기와 비교됩니다. 기준 조건에서 제안된 제어기는 고정 시간 제어 대비 평균 차량 지연을 46%, 감응식 제어 대비 34% 감소시키는 동시에 차량당 CO2 배출량도 약 23% 저감합니다. 이러한 성능 향상은 ±15%의 수요 변동 하에서도 유지되고 주중에서 주말 교통 패턴으로 일반화되며, 보상(reward) 함수 어블레이션을 통해 입증됩니다. 또한 5개의 무작위 시드에 걸친 낮은 분산은 통계적 신뢰성을 확인해 줍니다. 이러한 결과는 IoT 지원 스마트 시티 교통 시스템의 구성 요소이자 완전 연결형 차량 인터넷(IoV) 기반 도시 이동성으로 나아가는 배치 가능한 선행 기술로서, 학습 기반 엣지 교통 신호 제어의 실용성을 입증합니다.

arXiv:2607.25814v1cs.CL

아랍어 언어 모델의 적대적 강건성 평가

Evaluation of Adversarial Robustness in Arabic Language Models

최근 아랍어 언어 모델(Arabic Language Models)의 뛰어난 성능이 부각되면서 취약점 노출 가능성 또한 열리게 되었습니다. 이러한 자연어 처리(NLP) 모델과 관련된 주요 보안 위험 중 하나는 적대적 공격(adversarial attack)입니다. 이러한 공격은 모델을 속여 잘못된 예측을 유도함으로써 모델의 보안 및 안전성(safety)에 중대한 문제를 제기합니다. 본 연구는 다양한 세분성 수준과 서로 다른 예제 생성 전략을 적용한 일련의 고유한 아랍어 적대적 공격 하에서 다섯 가지 최첨단 아랍어 언어 모델의 강건성을 평가하는 것을 목표로 합니다. 또한 모델 강건성을 향상하기 위해 적대적 학습(adversarial training) 기반의 방어 기법을 탐색합니다. 실험 결과, 모음 부호(diacritics) 삽입은 낮은 섭동(perturbation) 거리를 유지하면서도 일부 모델의 정확도를 92%까지 감소시킬 수 있음을 보여줍니다. 단어 수준 공격의 경우, 아랍어 접속사를 조작하면 높은 의미론적 유사도 점수와 낮은 섭동 거리를 유지하면서 최대 58%의 정확도 저하를 초래합니다. 문장 수준 공격에서는 패러프레이징(paraphrasing)이 공격 대상 모델의 성능을 평균 76% 감소시키며 효과적인 것으로 입증되었습니다. 적대적 학습은 전반적인 복원력을 향상하여 MARBERT가 가장 강건하고 AraBERT가 가장 큰 상대적 개선을 보였으나, 특히 문자 수준 노이즈에 대해서는 여전히 어려움이 남아 있습니다. 이러한 발견은 아랍어와 같은 형태학적으로 풍부한 언어에서 현재 방어 전략의 잠재력과 한계를 모두 강조합니다.