ptb.de

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.10919v1cs.DB

데이터 품질 메트릭을 위한 구현 가이드라인

Implementation Guidelines for Data Quality Metrics

수십 년간의 데이터 품질(DQ) 연구에도 불구하고, 문헌에서 텍스트 형태로 정의하는 정확도(accuracy)나 완전성(completeness)과 같은 DQ 차원과, 이러한 차원과 일치하지 않는 저수준 검사를 주로 수행하는 DQ 도구 사이에는 여전히 격차가 존재합니다. ISO/IEC 25024 및 ISO/IEC 5259는 각 차원에 대한 DQ 메트릭을 정의함으로써 이러한 격차를 해소하고자 시도합니다. 그러나 표준에서는 이를 구현하는 방법을 구체적으로 명시하지 않았기 때문에 이러한 DQ 메트릭은 거의 사용되지 않습니다. 예를 들어 구문적 정확도(syntactic accuracy) 메트릭은 구문적으로 정확한 값의 수를 세지만, 어떤 값이 구문적으로 정확한지 판단하는 방법은 명시하지 않습니다. 이는 문제를 해결하지 않고 다른 수준으로 옮겨 놓을 뿐입니다. 그 결과, 현재의 DQ 평가는 표준에 기반할 수 없는 상황입니다. 본 논문에서는 ISO DQ 메트릭을 실행 가능하도록 만듭니다. 두 표준의 모든 데이터 수준 메트릭을 (i) 데이터 외의 다른 입력이 필요 없는 일반화 가능한 메트릭, (ii) 깨끗한 참조 데이터로부터 매개변수를 학습하거나 전문가가 설정할 수 있는 매개변수화된 메트릭, (iii) 정성적 판단이 필요하여 자동화할 수 없는 일반화 불가능한 메트릭으로 분류합니다. 자동화할 수 있는 메트릭, 즉 (i)과 (ii) 범주에 대해 표준에서 미해결 상태로 남겨둔 부분을 해결하는 구현 가이드라인을 제안합니다. 우리는 수동으로 정의된 규칙에 의존하는 대신 참조 데이터로부터 이러한 매개변수를 학습하는 20개 메트릭의 오픈소스 라이브러리인 dqmeasure를 통해 가이드라인을 구현합니다. 실제 및 합성 데이터셋에 대한 실험에 따르면, 주입된 오류의 수가 증가함에 따라 메트릭 점수가 단조 감소하고, 다운스트림 머신러닝(ML) 성능과 함께 저하되며, 행 수에 따라 선형적으로 확장(스케일링)되어 표준 기반의 자동화된 DQ 모니터링이 가능함을 보여줍니다.

arXiv:2608.25127v1eess.IV

이미지 복원을 위한 공간적으로 변하는 저정칙성 정칙화 매개변수 학습

Learning spatially varying regularisation parameters of low regularity for image reconstruction

본 장에서는 변분법 이미지 복원에서 사용되는 공간적으로 적응적인 정칙화 가중치 함수의 정칙성(regularity) 성질을 검토하고 논의한다. 이러한 가중치를 전체 변분(TV), 전체 일반화 변분(TGV)과 같은 고전적 모델 기반 정칙화에 통합하면, 정칙화 강도가 이미지 전역에 걸쳐 달라지며 국소 이미지 내용에 적응할 수 있다. 적절히 추정되면 이러한 가중치는 복원 결과에서 에지와 세부 구조 보존을 크게 개선할 수 있다. 우리는 상수 함수, 연속 함수, 구간별 상수 함수 등 서로 다른 정칙성 클래스에 대해 이 주제의 기존 이론 문헌을 검토한다. 논의는 모델 기반 정칙화와 심층 신경망을 결합하여 고도로 적응적인 정칙화 가중치를 학습하는 최근의 하이브리드 이미지 복원 방법에서 출발한다. 특히 이러한 가중치의 구조적 성질이 이론적·실용적 관점에서 복원에 어떤 영향을 미치는지 논의한다. 이미지 노이즈 제거와 자기공명영상(MRI) 복원의 대표적 사례를 통해, 학습된 가중치가 종종 저정칙성을 띠며 이미지 구조뿐 아니라 특정 노이즈 실현(realisation)에도 적응할 수 있음을 보인다. 마지막으로 이 주제에 대한 향후 연구 방향을 몇 가지 짚는다.