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.
파노라마 방사선 영상에서의 자동 치아 분할과 FDI 번호 부여는 컴퓨터 보조 치과 진단의 기반이 되지만, 성능을 좌우하는 요인은 여전히 불분명하다. 30명의 치과 의료인이 주석을 달고 2명이 독립적으로 검토한, 32-class FDI 분류 체계 전반에 걸친 42,142개의 전문가 윤곽 delineation 치아 다각형을 포함하는 1,422장의 파노라마 방사선 영상 코퍼스를 구축하고, 단일 평가 프로토콜 하에서 입력 해상도, 아키텍처, 해부학적 사전 지식을 분리하여 검증한다. 첫째, 해상도가 지배적이다. 통제된 640/1024/1280 ablation에서 mask mAP50-95는 0.656 → 0.710 → 0.717로 상승하는 반면 mAP50은 ~0.982에서 거의 변하지 않는다. 두 mAP50-95 증가분은 영상 단위 paired bootstrap에서 모두 유의하다(p < 0.001, p = 0.024). mAP50 변화는 어느 쪽도 0과 구별되지 않는다. 해상도를 높이면 검출이 아니라 경계 정밀도를 얻는다. 둘째, 아키텍처는 in-domain에서 거의 무관하다. 파라미터가 2.1배인 query-based 트랜스포머는 one-stage detector와 통계적으로 동등하다(95% CI [-0.0064, +0.0064]), domain shift 하에서만 미미하게 더 나으며 CPU에서 5.5배 느리고 표준 ONNX runtimes에서는 실행할 수 없다. 셋째, 세 가지 targeted intervention은 실패한다. LoRA로 적응한 self-supervised encoder는 저조한 성능을 보이고, promptable foundation segmenter는 mask를 39% 악화시키며, globally optimal 해부학적 label assignment는 out-of-domain 예측의 40%에서 위반된 constraint를 교정함에도 +0.0007에 그친다. overlap-free로 검증된 독립 multi-centre cohort에 대한 zero-shot transfer는 mask mAP50-95의 62%를 잃지만 mAP50은 18%만 잃어, 이 분리(dissociation)를 재현한다. mask를 치아 축을 따라 분해하면 잔여 오류가 apical third에 국한됨을 보여준다. 따라서 경계 정밀도가 binding constraint이며, 노력은 아키텍처적 참신함보다 해상도와 acquisition diversity에 더 잘 쏠려야 한다.
신경망 구조 탐색(NAS)은 심층 신경망을 자동으로 설계하는 강력한 패러다임으로 부상했으나, 실무 도입은 종종 상당한 계산 비용에 의해 제한된다. 값비싼 전체 학습 평가를 완화하기 위해 대리(surrogate) 기반 방법이 도입되어 네트워크 성능을 효율적으로 추정해 왔다. 그럼에도 기존 접근—특히 모델 기반 대리 모델—은 많은 후보 구조를 학습해야 하며 추가 최적화 부담을 수반한다. 본 연구에서는 합성곱 신경망 구조를 진화시키기 위한 Model-Free Surrogate PSO Network(MFSPNet)를 제안한다. 제안 방법은 입자 군집 최적화(PSO) 프레임워크 안에 경량의 모델-프리 대리 예측기를 통합하여, 사전 학습된 대리 모델이 필요 없도록 한다. 구체적으로 MFSPNet은 두 가지 핵심 기여를 제시한다: (1) 초기 일반화 거동을 포착하여 신뢰할 수 있는 구조 순위를 제공하는 검증 손실 기반 지수 이동 평균 추정기(VLE-EMA); (2) 진화된 블록의 효과적 적층을 가능하게 하면서 소실 그래디언트 문제를 완화하는 블록 기반 dense 연결 전략. 이 설계는 또한 학습된 블록의 데이터셋 간 전이 가능성을 높인다. 광범위한 실험은 MFSPNet이 계산 비용을 줄이면서 경쟁력 있는 성능을 달성함을 보여준다. 열 번의 독립 실행으로 일관된 학습 프로토콜 하에서, 제안 방법은 CIFAR-10, CIFAR-100, SVHN에서 각각 3.91%, 17.68%, 1.91%의 오류율을, ImageNet에서는 top-1/top-5 오류율 28.29%/12.82%를 달성하며, 구조 탐색에는 GPU 3일 미만이 필요하다. 계산 제약으로 ImageNet 결과는 단일 실행에 기반하므로 확장성에 대한 시사점으로 해석해야 한다. 종합하면 MFSPNet은 비용을 고려한 신경망 구조 탐색을 위한 효율적이고 신뢰할 수 있는 프레임워크를 제공한다.
마이크로컨트롤러(MCU)에 배포되는 비전 모델은 정수 전용 연산으로 양자화되며, 추론 전용 런타임에서 실행됩니다. 이러한 런타임에는 현장에서 마주하는 분포 변화(센서 노이즈, 블러, 조명)에 모델을 적응시키는 표준 도구인 역전파에 필요한 기능이 갖춰져 있지 않습니다. 기존의 순전파 전용 테스트 시점 적응(TTA) 방법은 서버급 또는 엣지 GPU급 모델에서만 실행되거나(실제 마이크로컨트롤러의 정수 실행이 아님), 정수 배포 과정에서 융합되어 사라지는 배치 정규화(BN) 레이어를 필요로 합니다. 본 논문은 배포된, BN이 합성곱에 융합(folding)된 정수 전용 합성곱 신경망에서 동작하는 순전파 전용 TTA 방법을 제안합니다. 핵심 관찰은 정수 추론에 필수적인 단계인 BN을 앞선 합성곱에 융합하는 과정이, 정규화 기반 적응이 의존하는 통계량을 파괴한다는 점입니다. 본 방법은 순전파 과정에서 얻은 추정치만을 사용하여, 융합된 각 합성곱의 채널별 출력을 원래의 깨끗한(clean) 학습 통계량으로 다시 정규화함으로써 적응 기능을 복원합니다. 본 방법은 (i) 그래디언트 기반 TENT의 정확도 향상 폭 대부분을 회복하고(+20.9점 대 +24.9점) 순전파 전용 BN 적응과 동등한 성능을 보이면서도, 융합된 정수 전용 모델에서 실행되는 유일한 방법이고, (ii) 테스트 시 손상(corruption)을 보지 않고 선택한 21개 레이어 중 3개만 적응시켜도 이득의 93%를 회복하며, (iii) 배치 크기에 따라 조정되는 모멘텀을 사용하여 단일 샘플 스트리밍 환경에서도 동작하고, (iv) 3개의 데이터셋(최대 200개 클래스)과 2개의 아키텍처에서 일반화됩니다. 또한 비트 단위로 정확한(bit-exact) int8 합성곱 실행을 검증하고 ESP32-S3에 배포하였으며, Nordic PPK2 전력 프로파일러로 측정한 결과, 순전파 전용 적응(int8 합성곱 주변의 경량 fp32 재보정)은 SIMD 최적화가 적용된 배포 모델에서 8.3 mJ(추론 에너지의 6.8%)와 21.9 ms만을 소모합니다. 즉, 순전파 전용 적응은 실제 마이크로컨트롤러에서 저렴한 비용으로 수행할 수 있습니다.
버그 위치 추정(Bug localization)은 특히 대규모 소프트웨어 시스템에서 많은 노동력이 소요되는 작업입니다. 비정상적인 동작이 발생하면 개발자는 오류가 있는 파일을 식별하기 위해 반복적이고 시간 소모적인 단계를 거쳐야 합니다. 선행 연구들은 주로 단일 목적 위치 추정 방법에 집중해 왔으며, 이들 중 다수는 특정 프로그래밍 언어에 국한되어 있습니다. 또한 버그 설명의 자연어적 특성으로 인해 소스 코드와 버그 리포트 간의 어휘 유사도에만 의존하는 것은 불충분한 경우가 많습니다. 본 연구에서는 버그 리포트로부터 버그가 발생했을 가능성이 있는 클래스를 식별하고 순위를 매기는 클래스 수준의 자동화된 다목적 탐색 기반 시스템을 제안합니다. 주요 목적은 제안되는 결함 파일 수를 최소화하면서 유사도를 극대화하는 것입니다. 22,000개 이상의 버그 리포트로 구성된 6개의 오픈소스 Java 프로젝트에 진화 최적화(evolutionary optimization) 알고리즘인 SPEA-2를 적용했습니다. 제안된 접근법은 널리 사용되는 두 알고리즘인 NSGA-II 및 MOEA/D와 비교 평가되었습니다. 결과에 따르면 SPEA-2는 다목적 및 단일 목적 기준선(baseline) 방법 모두보다 높은 정밀도(precision)와 재현율(recall)을 달성했습니다. 제안된 추천 시스템은 상위 10개 추천 내에서 버그 리포트의 88.5%, 상위 20개 내에서 94%에 대해 버그가 있는 클래스 또는 파일을 성공적으로 식별했습니다. 이 모델(model)의 효과성은 Kotlin으로 작성된 산업용 Android 프로젝트에서 추가로 검증되어 프로그래밍 언어 전반에 걸친 적응성을 입증했습니다.
신경망 텍스트 음성 변환(text-to-speech, TTS) 시스템의 최근 발전은 여러 언어에 걸쳐 음성의 자연스러움과 명료도를 크게 향상시켰다. 그러나 특히 저자원 및 소외 언어에 대해 다양한 음성 도메인 전반에서 인지적 품질, 화자 유사도, 음향적 충실도를 종합적으로 평가하는 포괄적인 평가 방법론은 여전히 제한적이다. 본 논문은 도메인별 분석을 통해 현대 TTS 시스템을 체계적으로 평가하기 위한 재현 가능한 다중 지표 벤치마킹 프레임워크를 제시한다. 제안된 프레임워크는 상호보완적인 주관적 및 객관적 평가 프로토콜을 통합하며, 격식체(Formal), 대화체(Conversational), 문학/스토리텔링(Literary/Storytelling), 감정 표현(Emotional)의 4개 음성 도메인에 걸친 대표적 저자원 언어에 대한 포괄적인 사례 연구를 통해 검증된다. 4개의 최첨단 TTS 시스템(Indic-Parler-TTS, MMS-TTS, Microsoft Edge TTS, Google Gemini TTS)을 대상으로 960개의 오디오 쌍에 걸쳐 MUSHRA 청취 테스트, ABX 식별 테스트, Resemblyzer를 활용한 화자 유사도 점수 산출, 멜 켑스트럼 왜곡(mel-cepstral distortion, MCD) 및 F0 RMSE 기반 음향 분석을 수행하여 평가한다. 실험 결과 음성 도메인에 따라 TTS 성능에 상당한 차이가 있음이 드러났으며, 감정 표현 음성이 일관되게 가장 큰 합성 난이도(평균 MCD 12.03 dB, 평균 F0 RMSE 889 cents)를 보인 반면, 대화체 음성은 전반적으로 가장 높은 음향적 충실도를 달성했다. 실증적 발견을 넘어, 본 연구는 저자원 언어를 위한 표준화된 벤치마킹 및 향후 TTS 평가 연구를 지원하기 위해 평가 스크립트, 결과 표, 실행 가능한 Colab 노트북을 공개하여 재현 가능한 평가 프레임워크를 제공한다.
고대 동전의 주조 시기와 발행처를 올바르게 분류(classification)할 때, '레전드(legend)'라고도 알려진 동전의 텍스트 명문은 무엇보다 중요합니다. 이러한 명문은 오늘날 영어에서도 사용되는 알파벳 또는 문자로 구성되어 있습니다. 본 논문은 심층 학습(deep learning) 기반 객체 검출(object detection) 전략을 통해 고대 로마 공화정 동전의 이미지 기반 문자 인식을 다룹니다. 그러나 이 동전들의 명문은 불균일한 배치, 원시적인 각인 기술, 마모 및 손상으로 인해 변동성이 매우 큽니다. 조명, 방향, 크기(scale)와 같은 일관되지 않은 촬영 조건 역시 추가적인 난제입니다. 이를 해결하기 위해, 본 연구에서는 21개 문자 라벨로 수작업 주석을 달아 총 38,808개의 어노테이션을 포함하는 5,654장의 로마 공화정 동전 이미지로 구성된 새로운 대규모 데이터셋(dataset)을 구축했습니다. 인식을 위해 YOLO(You Only Look Once) 계열 모델인 YOLOv3, v4, v5, v7, v8을 사용합니다. 실험 결과, YOLOv7-Large가 90.4%의 가장 높은 mAP50을 달성했으며, YOLOv7-Extended와 YOLOv7-xl이 각각 90.2%와 90.1%로 그 뒤를 이었습니다.
IoT 및 IoMT(Internet of Medical Things) 기기의 급격한 확산은 자원 제약 환경에서 엄격한 지연(latency) 및 데이터 프라이버시 규제 하에 운영되는 의료·산업 환경에 치명적인 사이버보안 취약점을 야기한다. 본 논문은 Advantage Actor-Critic을 결합한 연합 시간 그래프 합성곱 신경망(Federated TGCN-A2C)을 제안하며, 이는 프라이버시를 보존하는 방어 아키텍처로 네 가지 메커니즘을 통합한다: GCNConv 층과 전역 평균 풀링, 학습된 이상(anomaly) 게이트를 사용하는 PyG 기반 Temporal GCN을 통한 플로우 수준 위협 분류; 기기별 이상 점수를 생성하고 학습된 시그모이드 결합을 통해 분류기를 게이팅하는 LSTM 기반 디지털 트윈; 신뢰도, 엔트로피, 이상 크기, 트래픽 구성을 포착하는 7차원 상태에 기반하여 ALLOW, ISOLATE, HONEYPOT-REDIRECT 행동 중 하나를 선택하는 연합 A2C 에이전트; 의심스러운 트래픽을 적응형 임계값으로 위협 인텔리전스로 전환하는 강화된 허니팟(honeypot) 층. 연합 집계는 EMA로 평활화된 클라이언트별 검증 손실을 FedAvg 계수의 역가중치로 사용하여 비-IID(non-IID) 분포 하에서 전역 모델 업데이트를 안정화하며, 라운드당 코사인 어닐링(cosine-annealed) 학습률을 적용한다. CICDDoS 2019 및 TON-IoT 벤치마크에서 평가한 결과, 본 프레임워크는 각각 99.48% 및 99.61%의 테스트 정확도와 0.9948 및 0.9961의 가중 F1 점수를 달성하며, 25 및 10회의 연합 라운드 내에 수렴하고 Fed-Inforce-Fusion 대비 0.21%p 우수한 성능을 보이면서 세 가지 추가 공격 카테고리를 포괄한다. CICDDoS 2019의 16개 클래스 모두 F1이 0.9237 이상이며, TON-IoT의 10개 클래스 모두 F1이 0.9488 이상으로, 심각하게 불균형한 MITM 카테고리를 포함한다. SHAP, LIME, Grad-CAM 및 반사실(counterfactual) 분석을 통한 사후 설명 가능성(explainability)은 의사결정이 의미론적으로 유의미한 플로우 특징에 기반함을 확인하며, 임상 배포에서의 규제 책임성(regulatory accountability)을 뒷받침한다.
의료 사물인터넷(IoMT) 기기의 급속한 확산은, 자원이 제한된 의료 기기가 엄격한 지연 요구사항과 엄격한 데이터 프라이버시 규제 하에서 운영되는 의료 환경에 중대한 사이버보안 취약점을 야기한다. 이러한 과제를 해결하기 위해 본 논문은 경량 디지털 트윈과 연합 강화학습(LDT-FRL) 프레임워크를 제시한다. 이는 프라이버시를 보존하는 방어 아키텍처로, 네 가지 상호 보완적 메커니즘을 통합한다: 플로우 수준 위협 분류를 위해 GRU 백본 위에 구축되고 학습된 시간적 셀프 어텐션(temporal self-attention)을 갖춘 시간적 어텐션 인코더(TAE); 정상 클래스 트래픽으로 학습된 경량 LSTM 기반 디지털 트윈이 디바이스별 이상 점수를 생성하고, 학습된 시그모이드 결합을 통해 TAE 분류기를 게이팅(gating)하는 메커니즘; 7차원 상태에 기반하여 ALLOW, ISOLATE, HONEYPOT_REDIRECT 행동 중 하나를 선택하는 연합 근위 정책 최적화(Federated Proximal Policy Optimization, PPO) 에이전트; 그리고 리디렉션된 의심 트래픽을 실행 가능한 위협 인텔리전스로 변환하는 지능형 허니팟 층. 비동일 분포(non-IID) 클라이언트 분포 하에서 글로벌 모델 업데이트를 안정화하기 위해, EMA 평활화된 클라이언트별 검증 손실을 역가중 FedAvg 계수로 사용하는 연합 집계 전략을 적용한다. CICDDoS 2019 및 TON-IoT 벤치마크에서 평가한 결과, LDT-FRL은 각각 99.66% 및 99.95%의 테스트 정확도와 0.9913 및 0.9995의 macro-F1 점수를 달성하며, DTFL-CD 기준선 대비 81% 더 빠르게 수렴하고 심각하게 불균형한 MITM 클래스에서 완벽한 F1=1.000을 달성한다. SHAP, LIME, Grad-CAM 및 반사실적(counterfactual) 방법을 통한 설명 가능성 분석은 TAE가 의미론적으로 중요한 플로우 특징에 집중함을 확인하여, 각 방어 결정에 대한 해석 가능한 근거를 제공한다.