심전도(ECG) 파형을 전송하면 의도한 진단 과제 이상의 인구통계 정보가 노출될 수 있다. 우리는 병원 12유도 기록에서 추출한 개별 리드에 대해 구조적 시간적 정보 병목인 TIBECG를 평가한다. 2,302,337개 매개변수의 처리기는 동일한 9점수 일관성 목적을 유지하면서 잠재 길이를 변화시키며, 보호기 적합에는 연령이나 성별 라벨을 사용하지 않는다. 6,386개 기록, 10개 폴드, 12개 리드, 21개 길이에 걸쳐, 소급적으로 선택된 설정은 각 리드의 원본 macro-F1의 최소 95%를 유지했다. 이들의 더 약한 연령/성별 구간 이득은 모든 리드에서 적격한 최선의 기존 변환을 상회했으며, 중앙값 기준 22.08 퍼센트포인트 차이였다. 구현된 샘플링률 비교는 직접 다운샘플링이 대체로 인구통계 추론을 더 강하게 억제하지만 진단 효용 손실이 더 크며, TIBECG는 효용 보존에 유리함을 보여준다. 선택 안정성 또한 리드에 따라 다르다. 더 낮은 잠재 쿨백-라이블러(KL) 발산은 고정된 길이에서 잔존 성별 누출의 순위를 신뢰성 있게 매기지 못한다. 이러한 결과는 파형 처리에 대한 리드별 평가를 뒷받침하며, 검증된 소비자 배포나 전문가가 읽을 수 있는 복원을 뒷받침하지는 않는다. 파형 입력 진단 분류기가 기기에 배포되지 않고 독점 클라우드 서비스의 일부로 호스팅될 때는 그 점수를 얻기 위해 파형 전송이 필요하다.
원뿔 함수를 기반으로 한 분류 헤드는 각 클래스에 특징 공간의 유계 영역을 부여하며, 이러한 영역은 보지 못한 클래스의 샘플을 거부하는 데 사용된다. 본 연구는 헤드를 소프트맥스 교차 엔트로피로 학습할 때 이러한 영역이 특징 또한 유계로 유지하는지를 묻는다. 클래스 점수가 선형항과 유클리드 노름을 결합하는 헤드에 대해, 먼저 각 클래스의 영역이 회전 이차곡면으로 유계화되며 그 이심률이 하나의 학습된 비율의 역수임을 보인다. 이어서 각 클래스에 점근적 마진을 부여한다. 이 마진은 해당 클래스 점수의 증가율을 나머지 모든 점수의 증가율과 비교하며, 2차 원뿔 계획법으로 계산할 수 있다. 한 클래스의 손실은 마진이 양수일 때에 한하여 하한(infimum)이 0이며, 이 경우 발산하는 특징을 따라서만 0에 접근한다. 마진이 음수이면 손실은 강제적(coercive)이며 그 최소화 지점은 명시적인 공 안에 놓인다. 소프트맥스는 점수 간 차이에만 의존하므로, 유계 영역을 가진 클래스도 양의 마진을 가질 수 있으며, 따라서 유계 영역이 특징을 제한하지는 않는다. 이 결과는 다면체 원뿔 함수를 포함한 다른 노름으로도 확장된다. CIFAR-10과 CIFAR-100에서 학습된 67개 원뿔 헤드의 1210개 셀 모두가 양의 마진을 가지는 반면, 프로토타입 헤드는 이론이 예측하는 대로 열 개 셀 중 아홉 개를 유계로 유지한다.
초고해상도(UHR) 원격탐사 영상은 풍부한 공간적 세부 정보를 제공하지만 정확하고 효율적인 멀티모달 이해에는 어려움이 있다. 기존의 증거 획득 방법은 관련 영상 영역을 선택적으로 탐색하지만, 중간 탐색 제어를 대체로 생성형 멀티모달 대규모 언어 모델(MLLM)에 의존한다. 그러나 인간 피드백 기반 강화학습(RLHF)은 이러한 모델을 영역 수준의 관련성 판단을 명시적으로 최적화하기보다는 주로 사람이 선호하는 응답에 정렬하며, 반복적인 자기회귀 디코딩은 추가적인 계산 부담을 초래한다. 이러한 한계를 해결하기 위해 본 논문은 증거 획득을 공간 확률 기반 의사결정으로 정식화하는 학습 불필요 방법 GeoJeV를 제안한다. 평가되는 각 영역에서 고정된 JeV 모델은 후보 영역에 대한 확률 분포를 산출한다. 구체적으로 Region Rank는 후보 영역의 우선순위를 정하고, Sparse Branch는 희소 확률 지지를 통해 분기 폭을 적응적으로 결정하며, Depth Gate는 분기 희소성과 분포 집중도에 기반하여 정제 깊이를 제어한다. 공유된 분포를 통해 탐색 우선순위, 분기 폭, 정제 깊이를 조율함으로써 GeoJeV는 RLHF로 정렬된 생성에 대한 의존을 줄이고 중간 디코딩을 제거한다. LRS-GRO, MME-RealWorld-RS, LRS-VQA 실험에서 각각 60.59%, 52.79%, 34.32%의 정확도를 달성한다. 세 벤치마크 전반에서 GeoJeV는 질문당 추가 1.12초만으로 Qwen3-VL-8B의 평균 정확도를 +5.32pp 향상시키며, 최근 방법 대비 7.8배의 추론 속도 향상을 달성한다.
비침습적 뇌-텍스트 인터페이스는 의사소통 장애가 있는 사람들에게 대안적인 의사소통 경로를 제공한다. 그러나 뇌전도(EEG)로부터의 문장 수준 디코딩은 여전히 어렵다. 본 연구는 거친 수준의 의미 정보와 세밀한 수준의 문장 표현을 점진적으로 디코딩하여 이전에 보지 못한 문장을 검색하는 계층적 EEG-텍스트 정렬 프레임워크를 제안한다. 우리는 개별 문장보다 더 넓은 의미적 맥락이 EEG로부터 더 안정적으로 포착될 수 있다고 가정한다. 이에 따라 EEG 표현을 먼저 관련 문장들의 묶음으로 정의된 의미 클래스로 분류한 뒤, 예측된 클래스 내에서 문장을 검색한다. 2,000개가 넘는 고유 텍스트 샘플에서, 본 접근법은 보지 못한 문장에 대해 평균 top-5 및 top-10 검색 정확도 62.6\% $\pm$ 1.0\%와 83.5\% $\pm$ 1.0\%를 각각 달성하였으며, 이는 의미 분류 없이 EEG와 문장을 직접 정렬한 경우의 0.3\% $\pm$ 0.3\%와 0.5\% $\pm$ 0.2\%에 비해 높다. 정성적 분석은 디코딩 성능이 텍스트 맥락에 크게 의존함을 추가로 보여 준다. 이러한 결과는 계층적 의미 정렬이 문장 수준 EEG-텍스트 디코딩을 발전시킬 잠재력이 있음을 보여 준다.
웨어러블 심전도(ECG) 기록은 자동 판독에 이르기 전에 여러 네트워크와 시스템을 거치므로 환자 메타데이터가 유실되기 쉽다. 디지털 워터마킹은 이 메타데이터를 신호에 삽입할 수 있으나, 기존 방법은 시간 이동에 취약하며 파형 유사도가 높다고 해서 하류 진단이 동일하게 유지되는 것은 아니다. 본 논문은 단일 리드 ECG를 위한 딥러닝 워터마킹 프레임워크인 \rev{ECGGuard}를 제안한다. 완전 합성곱 생성기는 신호 양자화 없이 페이로드를 삽입하고, 검출기는 프레임 단위로 메시지를 복호화하며 워터마크의 존재 여부를 확인한다. 학습 중에는 고정된 부정맥 분류기가 자신의 예측을 바꾸는 변화를 억제하도록 페널티를 부과한다. 높은 비트 정확도가 전체 메시지의 복원을 보장하지 않으므로, 페이로드는 확장 해밍 부호, \rev{검증 데이터로 선택한 채널 순서}, 그리고 소프트 결정 복호화로 보호된다. MIT-BIH 부정맥 데이터베이스에서 \rev{세 번의 학습 실행을 평균했을 때 ECGGuard}는 10~50 샘플의 시간 이동에서도 비트 정확도를 \rev{98\%} 이상으로 유지하는 반면, 변환 영역 기반 기준 방법은 무작위 수준으로 떨어진다. 부호화된 16비트 페이로드는 깨끗한 구간의 \rev{99.95\%}에서 정확히 복원되며\rev{, 시간 이동, 10\% 샘플 삭제 또는 10\% 패킷 손실 조건에서도 96\% 이상}, \rev{처음 보는 피험자에 대해서는 99.1\%}에서 복원된다. \rev{가이드 역할을 하는 분류기에 대해, 진단 손실은 테스트 기록에서 심실 박동 민감도의 하락을 1.6 퍼센트포인트로 제한하고(이를 사용하지 않으면 35.0), 처음 보는 피험자에서는 12.2 포인트로 제한한다(사용하지 않으면 67.0). 독립적으로 학습된 분류기에서는 하락이 10.3 포인트로 커지며, 이 보호 효과는 외부 데이터베이스로는 전이되지 않는다.} \rev{ECGGuard}는 0.56백만 개의 파라미터를 가지며 데스크톱 CPU에서 구간당 약 \rev{19}~ms가 소요된다.
기침 음향은 비침습적 결핵(TB) 선별에 유망하지만, 기계학습(ML) 모델이 질병 관련 음향을 포착하는지 아니면 데이터 수집 과정의 인공물을 포착하는지는 아직 해결되지 않았다. 본 연구는 세 개의 독립적인 데이터셋에 걸쳐 고전적 ML 및 딥러닝(DL) 기반 기침 TB 분류기의 데이터셋 간 일반화 성능을 평가하였다. 데이터셋 내부 성능은 중간 수준(ROC-AUC 최대 $0.76 \pm 0.06$)이었음에도 두 파이프라인 모두 일반화에 실패했으며, 외부 성능은 자주 0.6 미만이었고 이는 데이터 자체의 한계 가능성을 시사한다. 또한 오디오 표현이 TB 여부가 아니라 녹음 장치와 데이터셋에 따라 구조화되어 있고, 예측된 TB 확률이 CODA에서 국가 수준의 유병률을 따라가며, 장치 불일치는 전이 성능을 저하시키는 반면 장치가 다양한 학습은 이를 개선함을 관찰하였다. 아울러 임상 변수 기반 기준 모델은 더 일관되게 일반화되었으며(ROC-AUC $0.65-0.71$), 이는 음향의 수집 환경별 변동성이 낮은 일반화의 더 강력한 요인임을 나타낸다. 높은 데이터셋 내부 성능만으로는 충분하지 않다. 기침 기반 TB 모델이 임상적으로 준비되기 위해서는 외부 검증이 필수적이다.
연속적인 뇌파(EEG, electroencephalography) 기록에서 의미 있는 사건을 찾아내는 일은 신경과학과 임상 모니터링 모두에서 매우 중요한 과제이며, 특히 실제 환경에서는 사건의 시작 시점이 미리 알려지지 않는 경우가 많다는 점에서 기존의 윈도우 분류 방식만으로는 한계가 분명합니다. DANCE(Detect and Classify Events in EEG)는 이러한 문제를 정면으로 다루기 위해, EEG 디코딩을 사전에 정렬된 구간을 분류하는 문제가 아니라 입력 신호 안에 존재하는 사건들의 집합을 예측하는 문제로 다시 정의합니다. 이를 통해 원시(raw)이고 비정렬(un-aligned)된 신호를 그대로 입력받아, 사건의 존재 여부와 종류, 그리고 시간 경계를 동시에 추정하는 종단간(end-to-end) 파이프라인을 구성합니다.
핵심 방법론은 집합 예측(set prediction) 관점에 기반하며, 하나의 연속 구간 안에 들어 있는 여러 사건을 객체처럼 다루도록 설계되었다는 점에서 기존 EEG 분류와 뚜렷이 구분됩니다. 저자들은 낮은 신호 대 잡음비(SNR, signal-to-noise ratio), 짧은 사건부터 분 단위 사건까지 크게 다른 지속 시간, 그리고 데이터셋마다 상이한 라벨 구조가 존재하는 현실적 제약을 고려해, 범용적으로 적용 가능한 하나의 아키텍처를 제안합니다. 특히 Perceiver 계열의 잠재 재샘플링(latent resampling) 구조를 활용해 긴 시계열을 고정 크기의 잠재 표현으로 압축한 뒤, 디코더가 사건의 시작과 끝, 클래스 정보를 직접 예측하도록 설계한 점이 인상적입니다.
평가 측면에서도 이 연구는 단순한 샘플 단위 정확도에 머물지 않고, 사건 기반 지표를 중심으로 성능을 검증합니다. 사건 기반 F1 점수(F1_event)는 예측 구간과 정답 구간의 교집합 대비 합집합(IoU, Intersection over Union)이 0.5를 넘고 클래스가 일치하는 경우에만 참양성으로 인정하므로, 잘게 쪼개진 예측이나 중복 탐지를 강하게 벌합니다. 이러한 평가는 실제로 하나의 사건을 하나의 사건답게 찾았는지를 직접 반영한다는 점에서, 기존의 샘플 기반 F1 점수보다 훨씬 엄격하고 의미 있는 기준을 제공합니다.
이 접근의 의의는 연속 모니터링 환경에서 필요한 비동기적 신경 디코딩을 처음부터 끝까지 하나의 모델로 처리할 수 있는 가능성을 보여 주었다는 데 있습니다. 문헌에서 선별한 10개 데이터셋, 1,154명 참가자, 약 235만 개 이벤트를 대상으로 한 비교에서 DANCE는 다양한 인지, 임상, 뇌-컴퓨터 인터페이스(BCI, brain-computer interface) 과제 전반에서 기존 방법을 넓은 범위로 능가했습니다. 특히 발작 모니터링처럼 경쟁이 치열한 임상 과제에서는 새로운 최고 성능(state of the art)을 달성했으며, BCI 과제에서는 onset 정보를 사용하지 않았음에도 onset-informed 모델에 필적하는 정확도를 보여 주었습니다. 결국 DANCE는 EEG 분석을 정렬된 구간 분류의 틀에서 벗어나, 실제 환경의 비정렬 연속 신호에서 사건을 탐지하고 분류하는 보다 일반적이고 실용적인 방향으로 확장한 중요한 방법론적 진전으로 볼 수 있습니다.
매개변수 공간의 직선이나 평면을 따라 손실을 잘라 보는 방식은 심층 신경망을 시각화하는 데 널리 쓰인다. 단면에는 벽이 거의 직선인 분지 하나가 흔히 나타난다. 이 손실의 모양이 꼭짓점이 둥근 원뿔인지, 여러 원뿔이 꺾인 선을 따라 만나 이루는 하부 포락면인지가 문제다. 본 연구는 분류기의 두 수준에서 소프트맥스 교차 엔트로피에 대해 이 질문에 답한다. 마지막 아핀 층의 가중치를 바꾸면 손실은 다면체 원뿔에 보정항을 더한 값이다. 보정항은 모든 반직선을 따라 단조롭게 지수 감소하며 닫힌 형태로 계산할 수 있는 극한에 도달한다. 점근적 벽이 시작점과 같은 높이에 이르는 거리를 핵심 반경이라고 한다. 이는 그 방향에서 유리한 클래스의 평균 정보량을 벽의 기울기로 나눈 값이다. 정류 함수 백본의 매개변수에서는 임의의 직선을 따라 표본의 활성화 패턴이 바뀌는 곳마다 손실의 기울기가 꺾인다. 준대수적 집합의 차원 이론을 이용해 거의 모든 직선에서 같은 점에서 전환하는 표본들의 활성화 전 다항식이 기약인수를 공유함을 보인다. 서로소 조건에서는 각 꺾임이 표본 $n$개 중 한 개의 비중만큼만 기여하므로, 손실 기울기에 견줄 정도로 두드러진 접힘이 생기지 않는다. CIFAR-10으로 학습한 ResNet-18과 ResNet-56에서 두 결과를 확인했다. 또한 표본으로 확인한 손실값에 가려져 있을 수 있는 접힘의 크기에 상한을 두는 검정도 제시한다.
두피 뇌파(EEG)는 임상에서 뇌 상태를 관찰하는 핵심 수단이므로, 후속 과제와 모델에 신호 품질이 중요하다. 그러나 신경 활동과 무관한 간섭이 많이 섞이고 체적 전도로 인해 신호가 흐려진다. 기존 방법 대부분은 두피 뇌파만 처리하므로, 제거하려는 간섭을 그대로 안고 시작한다. 두개강 내 뇌파(iEEG)는 신경 활동을 훨씬 높은 충실도로 관측할 수 있지만, 침습적이어서 자료가 적다. 두 모달리티를 대규모로 짝지어 기록하는 일은 드물고 공통 채널 공간도 없다. 두 신호의 매핑에 직접 지도 신호로 쓸 깨끗한 참값도 없다. 본 연구는 두 모달리티가 공유하는 신경 동기화 메커니즘에 착안해, iEEG만으로 신호-신호 모델을 학습시킨 뒤 가중치를 고정하여 교차 모달리티 사전 정보로 쓰는 재프로그래밍 방식을 제안한다. ReBrain은 iEEG에서 학습한 사전 정보를 두피 뇌파로 옮긴다. 두피 신호를 이 사전 정보로 다시 표현하며, 짝지은 데이터나 미세조정 없이 임의의 후속 모델 앞에 추가할 수 있다. 여러 병원에서 기록한 데이터와 여러 아키텍처 계열에서 후속 모델의 성능을 일관되게 높였다. 분석 결과 이득은 아키텍처 자체보다 iEEG에 담긴 실제 신경 구조에서 비롯됐다. 자료가 적지만 깨끗한 모달리티를 풍부하지만 잡음이 많은 모달리티로 옮겨 쓰는 사전 정보로 활용할 수 있음을 보여 준다. 생체 신호 사이의 교차 모달리티 전이를 위한 일반적인 접근법을 제시한다. 코드는 https://github.com/Xianglong-Bao/ReBrain 에서 제공한다.
이 보고서는 IEEE BigData Cup 2026의 UrbanTwin Sim2Real LiDAR Challenge V2X-Real 트랙에 arnav007 팀이 제출한 작업을 요약한다(제출 ID 1054222). 주요 목표는 도로변 라이다 합성 데이터만으로 차량, 보행자, 트럭을 찾는 3D 검출기를 학습시키고, 실제 스캔과 구분하기 어려운 합성 스캔을 생성하는 것이다. CARLA 기반 파이프라인을 개발해 센서가 고정된 위치에 맞게 보정했다. 레이블 없는 실제 개발용 스캔을 바탕으로 반사 신호가 돌아오지 않은 빔까지 포함해 거리 영상을 모델링했다. 합성 데이터로만 학습한 VoxelNeXt, PV-RCNN, SECOND를 함께 사용하는 추론 방식도 제안한다. 각 스캔을 합성 지면 평면에 정렬한 뒤 여러 지면 높이에서 검출기를 적용한다. 생성된 경계 상자는 조감도(BEV) 군집화로 합친다. 클래스별 후처리로 방향과 상자 크기를 다듬고 확신도가 낮은 검출을 제외한다. 최종 제출의 종합 점수는 0.8947이었다. 구성 요소 비교 실험에서 스캔마다 지면을 수평으로 맞추면 실제 스캔의 mAP가 두 배 넘게 높아졌다. 여러 높이와 모델에서 얻은 상자를 융합하면 성능이 더 높아졌다.
차세대 고처리량 위성은 점점 더 위성 내에서 복조와 디코딩을 수행한다. 따라서 수신기의 심볼당 비용이 탑재체의 전력과 처리량을 제약한다. 비선형 위성 링크의 연판정 디매퍼는 낮은 비용으로 정확한 비트 로그 가능도비(LLR)를 산출해야 한다. 본 연구는 2개 층의 콜모고로프-아르놀드 신경망(KAN)인 KAN-LUT 디매퍼를 제안한다. 학습한 에지별 일변수 함수를 항목 128개의 룩업 테이블(LUT)에 저장해 추론에는 테이블 조회, 선형 보간, 덧셈만 필요하다. 테이블로 인해 발생하는 LLR 오차의 상한을 구하고, 저밀도 패리티 검사(LDPC) 부호화와 비선형 진행파관 증폭기를 사용하는 진폭·위상 편이 변조(APSK) 링크에서 평가한다. 16-, 32-, 64-APSK에서 KAN-LUT는 군집별 가우스 로그 MAP 디매퍼(LogMAP-CG)와의 성능 차이가 0.2dB 이내였다. 변조 차수가 커질수록 LogMAP-CG 대비 비용은 87%에서 27%로 낮아졌다. 다층 퍼셉트론(MLP) 비용의 약 5분의 1로 그와 비슷하거나 약간 더 좋은 성능을 보였다. 동작점이 일치하지 않는 경우에도 경쟁력 있는 성능을 유지했으며, 테이블에 필요한 용량은 수십 킬로바이트에 불과했다. 따라서 KAN-LUT는 재생형 위성 탑재체에 적용할 수 있는 저비용 디매퍼 후보다.
본 연구는 다중 입력 다중 출력 직교 주파수 분할 다중화(MIMO-OFDM) 시스템을 위한, 윈도우 기반 축 어텐션을 사용한 확장형 신경망 수신기 SWAN-Rx를 제시한다. 이 수신기는 수신 정확도를 높이고 순전파 계산량을 줄이면서, 서로 다른 대역폭 할당과 채널 조건에서 고정된 가중치를 재사용할 수 있다. 수신 신호와 파일럿 문맥을 공통 자원 요소 표현으로 구성하고, 시간축 어텐션과 주파수축의 국소 어텐션을 번갈아 적용한다. 공유 매개변수와 상대 위치 정보를 사용해 추론 시 매개변수를 갱신하지 않고도 할당 길이가 다른 경우에 연판정 탐지를 수행할 수 있다. 부반송파 간격, 모델 구성, 심볼 수가 고정돼 있으면 주파수 이웃의 범위에 상한을 두어 순전파 계산량이 대역폭에 비례해 증가한다. 5G New Radio 물리 계층과 호환되는 평가에서는 물리 자원 블록(PRB) 4개로 학습한 가중치를 최대 273개 PRB와 학습에서 보지 못한 채널에서 재사용했다. 학습 대역폭에서 SWAN-Rx는 비교를 위해 구현한 3단계 신경망 수신기(NRX) 및 DeepRx-MIMO 기준선보다 디코딩 전후 비트 오류율이 낮았다. 두 기준선 대비 매개변수는 각각 16.9%, 39.7%, 순전파 연산량은 각각 56.3%, 35.7% 적었다. 같은 가중치는 평가한 모든 대역폭 외삽 및 16-PRB 채널 전이 시험에서 이 기준선들보다 낮은 디코딩 전 오류율을 달성했다. 16-PRB 시험에서 디코딩 전 오류율 $10^{-2}$을 달성하는 데 필요한 신호 대 잡음비는 NRX보다 0.4~0.9dB 낮은 것으로 추정됐다.
무인 항공기(UAV)를 사용하는 무선 전력 기반 지하 센서 네트워크(WPUSN)에서는 지하 장치(UD)가 무선 에너지 전송(WET)을 통해 UAV가 보내는 무선 주파수 에너지를 수확할 수 있다. 이를 통해 지하 사물인터넷(IoUT)을 지속적으로 운용할 수 있다. 본 논문은 전송률 분할 다중 접속(RSMA)을 활용한 무선 정보·전력 동시 전송(SWIPT)을 UAV 기반 WPUSN에 통합해 지하 장치에 정보와 에너지를 전달한다. 이 프레임워크에서 최소 처리량을 최대화하는 공정성 문제를 다룬다. UAV의 송신 전력, 전력 할당과 메시지 분할, 전력 분할 비율, 시간 할당을 함께 최적화한다. 장치별 하향링크 처리량 요건과 UAV 에너지 소비 제약을 충족하면서 지하 장치 중 가장 낮은 상향링크 처리량을 최대화하는 것이 목표다. 변동하는 지하 환경에서 이 비볼록 문제를 풀기 위해 주-쌍대 절단 분위수 크리틱(PD-TQC)에 기반한 오프-정책 심층 강화학습 방법을 개발했다. TQC 기반 보상 크리틱은 공정성 목적을 평가하며, 비용 크리틱은 제약의 비용을 추정한다. 액터는 쌍대 변수를 적응적으로 갱신하면서 자원 제어 정책을 학습한다. 중앙 회전식 관개 농장에서 현장 측정한 토양 체적 수분 함량으로 시뮬레이션한 결과, PD-TQC는 네 기준선보다 높은 연평균 최소 상향링크 처리량을 달성했다. 평가 프레임의 96% 넘게 프레임별 제약을 충족했으며, 라이시안 계수, 지하 장치 수, 하향링크 처리량 임계값이 달라져도 처리량 우위를 유지했다.
행렬 정보 기하(MIG) 검출기는 에르미트 양의 정부호(HPD) 행렬의 리만 기하를 이용해 비균질 클러터에서 물체를 안정적으로 검출한다. 행렬 기반 일정 오경보율(matrix-CFAR) 방법은 특정 거리 척도의 기하 구조에 의존하는 대표적인 MIG 검출기다. 대표 HPD 공분산 행렬을 계산할 때는 대부분 수치 기법이 필요하며, 일반적으로 계산량이 큰 반복 최적화 알고리즘을 사용한다. 로그 유클리드(LE) 평균 등 일부에는 명시적 공식이 있지만, 다른 많은 행렬 평균과 중앙값에는 공식이 없다. 이를 해결하기 위해 행렬 CFAR 프레임워크에 에르미트 양의 정부호 신경망(HPDNet)을 통합하는 방법을 제안한다. 기존 수치 최적화 대신, 기하 구조를 보존하면서 데이터에서 대표 HPD 공분산 행렬을 직접 추정하는 사상을 학습한다. 시뮬레이션에서는 아핀 불변 리만 거리, LE 거리, 뷰레스-바서슈타인 거리 각각에 대한 평균과 중앙값을 사용하는 MIG 검출기를 평가했다. 모의 복합 가우스 클러터와 실제 IPIX 해면 클러터를 모두 사용했다. 두 경우 모두 HPDNet을 모의 데이터만으로 학습해 실제 데이터 분석에 적용할 수 있는지 살펴봤다. 평가 결과, 검출 성능과 강건성을 유지하면서 테스트 시 계산 비용을 크게 줄였다.
밀리미터파(mmWave) 레이더 점군을 사용하는 사람 행동 인식(HAR) 모델을 통제된 빈 공간에서 학습시키면, 가구가 놓인 방에 배포할 때 성능이 떨어지는 경우가 많다. 본 연구는 사람과 가구의 상대 위치를 입력에 추가해 여러 환경에서의 성능을 높이는 평면도 문맥 활용(FCA) HAR 개선 방법을 제안한다. 기존 밀리미터파 점군 데이터셋에는 점군에 맞춰 정합한 평면도가 없다. 따라서 가구를 나타내는 의사 기준점을 만들어 FCA 모델 학습에 사용하는 데이터 증강 전략을 도입한다. mm-ADL-Home의 교차 환경 평가에서 FCA는 정확도 77.70%와 매크로 F1 65.49%를 달성했다. 점군만 사용하는 직접 전이 기준선보다 각각 10.73%포인트와 10.05%포인트, 평가한 적응 기준선 중 성능이 가장 좋은 방법보다 각각 7.37%포인트와 6.27%포인트 높았다. 실제 배포 시에는 가구 기준점을 한 번 정합하면 된다. 대상 도메인의 행동 주석이나 모델 가중치 갱신은 필요 없다.
의미 통신은 과제 중심의 정보 교환을 가능하게 한다. 그러나 송신기와 수신기가 서로 다른 머신러닝 모델을 사용하면 잠재 공간이 어긋난다. 기존 의미 정렬 방법은 디지털 처리에 의존해 계산 비용과 지연이 늘어난다. 본 논문은 의미 정렬을 전적으로 파동 영역에서 수행하는 이중 적층 지능형 메타표면(dual-SIM) 아키텍처를 제안한다. 링크 양 끝의 프로그래밍 가능한 메타표면과 무선 채널을 함께 활용해 서로 다른 잠재 공간 사이의 종단 간 선형 변환을 구현한다. 위상만 조절하는 다층 SIM으로 지도학습 기반 선형 정렬기와 제로샷 파르세발 프레임 등화기를 모두 근사할 수 있음을 보인다. 채널 등화와 채널의 유리한 특성 활용을 고려해 단일 SIM, 분리 설계한 비대칭 및 대칭 이중 SIM, 공동 최적화한 이중 SIM을 조사한다. 공동 설계에는 1차 정지점으로의 수렴을 보장하는 교대 사영 그래디언트 알고리즘을 개발했다. 또한 그래디언트 기반 반복을 층으로 펼친 심층 신경망을 도입해, 채널이 변할 때 SIM을 재구성하는 계산 비용을 줄인다. 서로 다른 비전 트랜스포머 인코더를 사용한 수치 실험에서 중간부터 높은 신호 대 잡음비까지 의미 정렬이 정확했다. 채널 규모가 작은 설정에서는 공동 최적화한 이중 SIM과 분리 설계한 대칭 이중 SIM의 정확도가 가장 높았다. 적층 깊이가 얕을 때는 공동 설계가 가장 좋았으며, 깊이를 같게 맞추면 단일 SIM 대비 이점이 작아졌다.
Continuous Lower-Limb Joint-Angle Estimation from sEMG and IMU: The Conditional Value of Cross-Activity and Cross-Subject Data under Update-Matched Controls
착용자의 의도에 맞춰 외골격을 제어하려면 미래 정보를 쓰지 않고 관절 운동학을 연속적으로 추정해야 한다. 새 사용자를 위한 추정기를 누구의 데이터로 학습할지도 결정해야 한다. 같은 사용자의 다른 활동 기록이나 다른 사용자의 같은 활동 기록을 가져오는 효과는 흔히 데이터 양이 많은 경우와 적은 경우를 비교해 평가한다. 그러면 데이터의 정보와 데이터 추가로 늘어난 옵티마이저 갱신을 구분할 수 없고, 부정적 전이도 평균 뒤에 가려진다. 본 연구는 공개 데이터셋의 참가자 열 명 전체를 대상으로 여섯 가지 이동 활동에서 고밀도 표면 근전도(sEMG)와 관성 측정 장치(IMU)로 엉덩관절, 무릎, 발목 각도를 추정하며 이 효과를 분리한다. 소형 잔차 인과 TCN-GRU 디코더를 고정하고, 각 데이터 출처를 추가했을 때의 효과를 사용자 자신의 데이터로 같은 횟수만큼 갱신한 리플레이 대조군과 비교한다. 같은 사용자의 다른 활동 데이터는 $R^2$를 0.722에서 0.788로 높였다. 그중 +0.048은 리플레이를 넘어 데이터 정보 자체가 기여한 효과였다. 계단 내려가기 데이터는 일관되게 성능을 떨어뜨렸고, 앉았다 일어나 걷는 활동은 일관되게 개선했다. 사용자에게 대상 활동 데이터만 있을 때 다른 사용자의 같은 활동 데이터는 도움이 됐다($G_\mathrm{T} = +0.053$). 사용자 자신의 다른 활동 데이터도 있으면 이점은 절반 정도였다($G_\mathrm{W} = +0.028$). 보정 수준이 충분할 때에는 대상 활동 기록을 한두 개 얻은 뒤 다른 사용자 데이터의 가치가 급격히 낮아졌다. 두 출처의 대상별 개선 폭은 서로 상관을 보였다. 참가자를 한 명씩 제외해 학습하는 선택 게이트는 보정 데이터가 적을 때에만 다른 사용자 데이터가 주는 이점의 대부분을 회복했다. 데이터의 가치는 계층적이며, 현재 보정 상태와 전이 방향에 따라 달라진다. 핵심 병목은 테스트 레이블 없이 언제 전이할지 결정하는 데 있다.
인공지능을 중앙 집중형 클라우드 인프라에서 자원이 제한된 사물인터넷(IoT) 기기로 옮기면 통신 지연이 줄고 데이터를 현장에서 처리하기 쉬워진다. 그러나 같은 물리 노드 안에서 감지 품질, 추론 동작, 마이크로아키텍처 활동, 하드웨어 신뢰성, 보안, 에너지 관리가 밀접하게 연결된다. 기존 엣지 AI 해법은 이런 측면을 대개 따로 다룬다. 따라서 관측한 성능 저하가 센서 오작동, 데이터 분포 변화, 악의적 실행, 하드웨어 장애, 자원 부족 또는 열 스트레스 가운데 어디에서 비롯됐는지 가리기 어렵다. 본 논문은 시간 동기화한 원격 측정값을 지속적으로 관찰하는, 계층 간 인과적 자가 복구 엣지 AI 프레임워크를 제시한다. 센서 상태, 추론 불확실성, 프로세서의 하드웨어 성능 카운터, 가속기 및 메모리 활동, 전력 및 온도 상태, 통신 조건을 포괄한다. 시간 정보를 사용하는 인과 추론 엔진은 교란이 여러 개 동시에 발생하는 상황을 포함해, 비정상 동작의 가장 가능성 높은 원인을 추정하고 진단의 불확실성을 정량화한다.
웨어러블 센싱을 위한 자기지도 학습은 보통 단일 데이터셋이나 단일 기기군에 국한되어, 표현이 이종 센서 구성 간에 전이되는지, 그리고 성능 향상이 아키텍처나 더 풍부한 센서 입력이 아니라 사전학습에서 비롯되는지가 미해결로 남아 있다. 우리는 신체 부위, 기기, 샘플링 속도에 걸친 관성 및 생리 신호를 포함하는 8개 데이터셋 웨어러블 코퍼스(피험자 173명, 윈도우 358,261개)로 사전학습한 센서 인식 자기지도 프레임워크 HeteroWear를 제시한다. HeteroWear는 센서 문맥 임베딩, 시간 및 교차 센서 트랜스포머, 잠재 교차 어텐션 융합을 사용하여 센서 내 시간적 모델링과 센서 간 관계 모델링을 분리한다. 학습은 구조화된 센서 드롭아웃, 교차 구성 일관성, 축별 마스크 센서 모델링을 결합하며, 누락된 센서는 복원하지 않고 생략한다. PAMAP2, WISDM, HHAR, HARTH, UCI-HAR에 대한 하나의 데이터셋 제외(leave-one-dataset-out) 사전학습과 피험자 분리 평가에서, HeteroWear는 동일한 아키텍처를 처음부터 학습한 경우보다 평균 macro-F1을 0.688에서 0.724로 향상시키며, HHAR에서 가장 큰 향상(0.823 대 0.741)을 보이고, 단일 가속도계 지도 학습 기준선과 비교하여 5개 벤치마크 중 4개에서 가장 높은 macro-F1을 달성한다. 보류된 기기 평가에서는 평균 macro-F1이 +0.066 향상된다. 테스트 시점에 채널의 50%를 제거했을 때, HeteroWear는 전체 채널 성능의 73.8%를 유지하는 반면, 센서 드롭아웃 없이 처음부터 학습한 동일 아키텍처는 64.1%를 유지한다. 절제 연구는 구조화된 센서 드롭아웃이 주로 강건성을 이끌며, 교차 구성 일관성과 센서 문맥 인코딩은 전이에 기여함을 보여 준다.
기존 디지털 변조를 통한 토큰 전송은 채널 손상에 취약하여, 수신된 토큰이 문맥상 일관되지 않게 되는 비트 오류를 유발한다. 본 논문은 마스크 언어 모델(MLM) 기반 토큰 복원을 위한 수신단 측 이중 단계 채널 사후확률 통합 프레임워크를 제안한다. 제안한 프레임워크에서 수신단은 채널 신뢰도로부터 신뢰할 수 없는 토큰 위치를 검출하고 어휘 수준의 채널 사후확률을 구성한다. 특히 수신단 내부에서, 사후확률 가중 입력 임베딩(PWE)은 이 사후확률을 MLM 입력에 주입하고, 적응형 출력 로짓 융합(AOF)은 채널 적응형 가중치로 이를 출력단에서 다시 활용한다. 그 결과, 재전송, 송신단 측 인코딩, 또는 추가적인 MLM 학습 없이도 단일 양방향 MLM 추론으로 여러 개의 신뢰할 수 없는 토큰을 복원할 수 있다. 잡음이 있는 채널에서의 실험 결과, 문맥만 사용하는 MLM 복원 대비 코사인 유사도가 최대 $67.2$\% 향상되었으며, 서로 다른 MLM 아키텍처와 기존 언어 모델 지원 방법 전반에서 일관된 이득을 보였다.