산업 모니터링 모델은 대상별 데이터, 보정 및 자원 제약 조건을 만족하면서 운영상 유의미한 이상을 감지해야 합니다. 시계열 파운데이션 모델(TSFM)은 재사용 가능한 표현과 제로샷(zero-shot) 예측을 약속하지만, 작업 정의가 이질적이고 경량 베이스라인이 경쟁력 있는 상황에서는 실제 배포 가치에 대한 증거가 엇갈리고 있습니다. 본 연구는 C-MAPSS 열화 위험 대리 지표, MIMII 기반 이상 음향 감지를 위한 정상 데이터 전용 학습, 합성 타깃 섭동을 적용한 BDG2 예측 잔차 진단의 세 가지 환경에서 프로토콜을 고려한 실증적 평가를 제시합니다. 본 연구는 고전적인 일클래스(one-class) 기법, 소형 신경망 오토인코더, 잔차 예측기, MOMENT-small, Chronos-T5, TimesFM 2.5를 이상 순위화 성능, 위험 기간 민감도, 잔차 예측 및 섭동 민감도, 로컬 구현 비용 관점에서 평가합니다. 폴드 외(out-of-fold)로 평가된 100개의 C-MAPSS 엔진에서 TCN-AE는 폴드 가중치 적용 AUROC/AUPRC 0.9570/0.8960을 달성한 반면, MOMENT 재구성은 0.7310/0.3080에 그쳤으며, 대응 엔진 클러스터 부트스트랩 신뢰구간은 두 차이 모두에서 0을 배제했습니다. 5개의 일치된 MIMII 펌프 평가 전반에서도 OCSVM은 AUROC 및 AUPRC 모두에서 MOMENT 재구성을 능가했습니다. 고정된 12미터 BDG2 패널에서는 TimesFM 2.5가 가장 낮은 정렬 예측 오차와 가장 높은 합성 AUROC 점 추정치를 기록했으나, 합성 AUPRC는 TSFM과 적합된(fitted) 잔차 모델 간에 유사했습니다. 동일 기기 측정 결과, MOMENT는 TCN-AE에 비해 더 높은 지연 시간, 최대 할당 VRAM 및 직렬화된 상태 사전(state-dictionary) 크기를 유발했습니다. 평가된 동결(frozen) 및 제로샷 조건에서 TSFM은 적합된 경량 모델을 기본적으로 대체하기보다는 작업에 따라 선택적으로 배포해야 하는 옵션입니다.
사물인터넷(IoT) 엣지 디바이스에서의 실시간 인간 행동 인식은 엄격한 지연 시간, 메모리 및 전력 제약 내에서 풍부한 시공간적 단서를 포착하는 모델을 필요로 합니다. 현재의 3D CNN, 비디오 트랜스포머(video transformer), 시프트 기반 ViT는 높은 정확도를 제공하지만 계산 비용이 높아 엣지 IoT 배치가 어렵습니다. 본 논문에서는 기존의 멀티헤드 어텐션을 경량 이중 분기 모듈로 대체하는 협력적 이중 어텐션 트랜스포머인 CoDAT를 제안합니다. 이 모듈은 국소적 집계를 위한 공간 합성곱 어텐션(Spatial Convolutional Attention, SCA)과 전역적 문맥을 위한 스트라이드 단일 헤드 어텐션(Strided Single-Head Attention, SSHA)으로 구성됩니다. SSHA는 스트라이드 기반 희소 프로젝션을 통해 쿼리(query), 키(key), 밸류(value) 텐서의 공간 해상도와 채널 차원을 함께 압축한 뒤, 크게 절감된 비용으로 결과적인 전역 및 국소 특징을 융합합니다. 프레임 간의 시간적 통신을 가능하게 하기 위해 각 블록에는 매개변수가 없는(parameter-free) TShift 모듈이 임베딩됩니다. Jetson AGX Orin 및 Raspberry Pi 5에서의 광범위한 실험을 통해 CoDAT가 이미지 및 행동 인식 모두에서 에너지-정확도 균형을 달성함을 입증합니다. ImageNet-1K에서 CoDAT-M은 유사한 정확도를 유지하면서 EfficientViT384 및 FastViT-S12보다 2배 빠르게 실행되며, CoDAT-L은 3배 적은 매개변수로 ViT-S와 동등한 성능을 내면서 처리량은 2배 더 높습니다. Kinetics-400 및 MA-52에서 CoDAT는 최첨단 CNN, 트랜스포머, 하이브리드 베이스라인 대비 경쟁력 있는 Top-1 정확도를 달성하는 동시에 VSwin-T보다 최대 2.9배, ViT-Temporal-Shift 변형보다 2배, UniFormer-B보다 5배 더 빠르게 동작합니다. UCF-101에서 CoDAT-S384는 TokShift 및 LAPS와 대등한 성능을 보이면서 6배 더 빠르고 최대 13배 적은 FLOPs를 필요로 하여, 엣지 IoT 인식 시스템에서의 실시간 행동 인식을 위한 효율성-정확도 균형을 확립합니다. 코드는 https://github.com/novendrastywn/CoDAT 에서 확인할 수 있습니다.
gNB 매개변수 오구성은 무선 액세스 네트워크(RAN)에서 시스템 장애의 흔한 원인이며, 이를 진단하고 수정하는 작업은 복잡한 네트워크 로그에 대한 수동 분석에 의존하여 확장성이 좋지 않다. 본 논문은 gNB 매개변수를 자동으로 설정하기 위한 대규모 언어 모델(LLM) 보조 프레임워크를 제안한다. 이 프레임워크는 설정, 로그, 수정 워크플로우를 따르는 합성 데이터 생성 파이프라인을 채택한다. 동작 가능한 설정과 gNB 기술 참고자료에서 출발하여, 파이프라인은 상용 LLM을 사용해 수정된 설정을 생성하고 gNB 오류 로그로부터 구조화된 추론 trace를 도출한다. 합성 학습 데이터는 네트워크 상태를 시정 조치에 매핑하며, 설정 수정을 위해 LLM을 미세조정하는 데 사용된다. 추론 단계에서 미세조정된 LLM은 gNB 오류 로그로부터 유효하고 배포 가능한 gNB 매개변수 설정을 생성한다. 이 프레임워크는 480개의 미경험 오구성 시나리오가 있는 OpenAirInterface(OAI) gNB 테스트베드에서 검증되었으며, 미세조정은 수정 정확도를 13.8%(제로샷 기준선)에서 85.4%로 향상시키고, 검색-증강 생성(RAG)은 정확도를 92.7%까지 추가로 향상시킨다. 결과는 이 프레임워크가 수동 개입 없이 오구성으로부터 자동 복구를 가능하게 하고, 확장 가능하고 자율적인 RAN 운용을 지원할 수 있음을 보여준다.