Learned Regularization for Sparse-View CT: Accuracy, Lesion Detectability and Distribution Shift of a Plug-and-Play Prior against Tuned Total Variation
학습된 영상 사전분포는 희소 뷰 컴퓨터 단층촬영(CT)에서 수작업으로 설계한 정규화 항을 대체하기 위해 자주 제안되지만, 대개 학습 데이터와 유사한 데이터에서의 PSNR로 평가된다. 본 연구는 Plug-and-Play 사전분포로 사용하는 잡음 조건부 DnCNN 잡음 제거기 하나를 필터링 역투영(FBP), Tikhonov 및 총변동(TV) 정규화와 비교 평가하며, 모든 방법을 검증 데이터로 조정하고 모든 차이를 쌍체 방식으로 분석한다. 28x28 합성 숫자 영상에서 이 사전분포는 중간 수준의 잡음(sigma = 0.05, 20개 각도)에서 박스 제약 TV보다 약 3.4 dB 우수하지만, 낮은 잡음에서는 이점이 줄어들고 분포 변화 상황에서는 역전된다. MNIST로 학습한 사전분포는 TV보다 Fashion-MNIST에서 3.1 dB, Shepp-Logan 팬텀에서 4.3-4.6 dB 낮은 반면, Fashion-MNIST로 학습한 사전분포는 Fashion-MNIST에서 TV보다 2.2 dB 우수하며, 이는 PnP 자체의 실패가 아니라 사전분포 불일치와 부합한다. 병변 삽입 실험에서 이 사전분포는 PSNR이 더 높음에도 분포 내에서 TV보다 병변을 덜 잘 검출하며, 불일치 상황에서는 여덟 가지 병변 유형 중 일곱 가지에서 박스 제약 TV보다 병변처럼 보이는 거짓 덩어리를 더 많이 생성한다. 실제 LoDoPaB-CT 슬라이스(환자 비중복 분할, 30, 60, 120개 각도, 세 가지 선량 수준, 테스트 환자 40명)에서 이 사전분포는 잘 조정된 TV를 PSNR에서 일관되게 능가하지 못하며(-0.93~+0.33 dB), 아홉 가지 조건 중 여덟 가지에서 SSIM이 더 낮다. 병변 검출 AUC는 아홉 가지 조건 모두에서 이 TV보다 높지만(여섯 가지에서 유의함), Hann 필터 FBP보다 유의하게 높은 경우는 없다. PSNR로 조정한 TV는 검출 성능에서 아홉 가지 조건 모두에서 Hann 필터 FBP보다 낮다(일곱 가지에서 유의함). 비해부학적 팬텀에서는 여섯 가지 조건 모두에서 이 사전분포의 PSNR이 TV보다 낮다. 따라서 PSNR과 병변 검출능은 방법의 순위를 다르게 매긴다. 본 연구의 결론은 하나의 소형 잡음 제거기에 관한 것이며, CT 분석은 결과를 확인한 후에 개발되었고 사전에 지정된 주요 비교는 없었다.
비침입형 부하 모니터링(NILM)은 단일 스마트 미터의 합산 신호로부터 가정 내 각 가전이 언제 켜져(ON) 있고 꺼져(OFF) 있는지를 추론하며, 에너지 효율을 높일 상당한 잠재력을 지닌다. 고전적 기계학습 검출기는 0.53에서 0.98 사이의 F1 점수(정밀도와 재현율의 조화 평균)를 보고하지만, 이러한 편차의 원인이 분리되어 있지 않아 어떤 설계 선택이 중요한지 불분명하다. 그러나 실제 배치에는 학습 중 접하지 못한 가구에서도 동작하는 검출기가 필요한 반면, 대부분의 연구는 학습에 사용된 가구에서 시험한다. 이 문제를 해결하기 위해 본 연구는 다섯 가지 가전(270개 구성)에 걸쳐 분류기, 특징 집합, 클래스 불균형 전략의 효과를 분리하는 요인 분산분석 설계와, 가구 단위로 묶은 모델 선택을 포함한 leave-house-out 프로토콜을 제안한다. 한 번에 한 요인만 바꾸거나 가구를 합쳐 사용하는 연구와 달리, 이 접근법은 성능을 각 요인에 귀속시키고 미확인 가정에서 측정한다. 영국 20개 가구의 공개 데이터셋인 REFIT에 대한 폭넓은 실험에서, F1 분산의 38퍼센트는 가전이, 13퍼센트는 특징 집합이, 8퍼센트는 분류기가, 2퍼센트는 불균형 전략이 설명한다. 합산 시험은 지지도 가중 F1을 과대평가하며(미확인 가구에서 0.548 대 0.447), 클래스 가중치의 이득은 32퍼센트에서 69퍼센트로 커지고, 특징 공학은 두 프로토콜 모두에서 동일하게 52퍼센트의 이득을 준다. 가구 단위 선택은 다섯 가전 중 세 가전에서 F1을 최대 0.110까지 높이며, 합성곱 신경망은 고전적 모델의 0.447에 비해 0.450(보정 시 0.496)을 기록한다. 이러한 결과는 스마트 계량 및 에너지 관리 시스템에서의 가전 단위 모니터링에 지침을 제공한다.
텐서 분리 알고리즘은 선형 인자 행렬과 일변량 내부 비선형성을 결합하여 다변량 함수의 간결한 표현을 복원한다. 우리는 최근 방법들의 두 가지 한계를 확인하였다. 첫째, 이들의 성능은 출력 또는 기울기 크기의 불일치에 대해 불변이 아니며, 둘째, 스플라인 내부 구조는 자유도를 수동으로 조정해야 한다. 우리는 두 가지 경량 개선책을 제안한다. 첫째는 입력 야코비안 텐서의 크기를 재조정하는 전처리 단계로, 더 큰 크기의 출력에 대한 편향과 이러한 불일치로 인해 발생하는 특정 인자 갱신의 악조건성을 모두 제거한다. 둘째는 B-스플라인 내부 구조를 일반화 교차 검증과 결합된 벌점 스플라인으로 대체하여, 사용자가 적절한 제어점 개수를 선택하는 데 대한 방법의 의존도를 낮춘다. 마지막으로 우리는 알고리즘의 효율적인 오픈소스 JAX 구현을 공개한다.
무선 전파 모델링은 현대 통신 시스템의 평가와 설계에 있어 기초가 된다. 최근의 학습 기반 방법들은 송수신기 위치와 보지 못한 장면에 걸쳐 유망한 일반화 성능을 보였지만, 배열 크기, 수신기 방향, 송신 빔의 고정된 구성에 크게 국한되어 있다. 본 연구에서는 장면, 송수신기 위치, 송수신기 구성에 걸쳐 무선 전파를 예측하는 통합 순전파 모델인 RFWeave를 소개한다. 핵심 혁신은 송신기와 수신기 요소 간의 공간적 관계를 포착하면서 다양한 배열 구조를 수용하는 유연한 안테나 표현이다. 우리의 조건화 메커니즘은 모델이 다양한 송수신기 구성에 걸쳐 공유 Transformer 백본을 사용할 수 있게 하여, 수신 전력과 도래각 공간 스펙트럼의 결합 예측을 가능하게 한다. 10,000개의 실내 장면과 500만 개 이상의 채널 기록에 걸친 대규모 시뮬레이션 데이터셋으로 학습한 RFWeave는 다양한 일반화 설정에서 최고 수준의 성능을 달성하였으며, 보지 못한 장면에서 가장 강력한 기준 모델 대비 공간 스펙트럼 구조적 유사도를 최대 15.6% 향상시키고 수신 전력 평균 절대 오차를 최대 35.4% 감소시켰다. 실측 DICHASUS 데이터와 빔 관리에 대한 추가 실험은 RFWeave가 실제 채널과 후속 무선 과제에도 폭넓게 적용될 수 있음을 further 보여 준다.
딥러닝(DL) 기반 채널 추정은 지상 5G NR에서 높은 정확도와 낮은 지연 시간을 보였으나, 저궤도(LEO) 비지상 네트워크(NTN)는 도플러 및 동기화 손상을 유발하여 NTN 특화 아키텍처가 필요할 수 있다. 우리는 원래 지상 채널용으로 설계된 이중 어텐션 신경망 채널 추정기 HELENA가 NTN 재학습 후에도 효과적인지, 그리고 고성능 및 저전력 제약 추론 플랫폼 전반에 적합한지를 조사한다. 아키텍처를 변경하지 않은 HELENA를 수신기 보상 데이터셋과 잔여 손상 데이터셋의 쌍으로 학습하고, 지상 기원 추정기, NTN 특화 추정기, 고전적 추정기와 함께 평가한다. 선형 스케일에서 산술 평균으로 계산한 HELENA의 SNR 평균 정규화 평균제곱오차(NMSE)는 두 조건에서 각각 가장 정확한 학습 기반 추정기인 AttRNet과 0.29 dB 및 0.72 dB 이내이다. HELENA는 보상 조건에서 전역 선형 최소평균제곱오차(LMMSE)를, 잔여 손상 조건에서는 평가된 모든 LMMSE 변형을 능가하지만, 보상 조건에서는 프로파일 인식 필터링이 더 낮은 오차를 달성한다. RTX PRO 4500에서 FP16 TensorRT 추론은 99번째 백분위수(P99) 지연 시간 0.0573 ms에 도달하여 채택한 추정기 예산 0.5 ms보다 낮다. 10 W Jetson Orin NX에서 HELENA는 AttRNet보다 샘플당 에너지를 66.0% 적게 소비하지만 P99 0.9620 ms로 예산을 초과하며, 정확도가 더 낮은 LSiDNN-48만이 이를 충족한다. 따라서 HELENA는 평가된 과제에서 NTN 특화 재설계 없이도 효과적이지만, 정확한 임베디드 추론은 여전히 지연 시간 측면의 과제로 남는다.
다중경로 전파와 위상 잡음(PN)의 결합은 서브테라헤르츠(sub-THz) 순환 전치(cyclic-prefix) OFDM 시스템에서 채널과 PN을 결합하여 추정하는 데 어려움을 초래한다. 본 논문은 빗살형(comb-type) 파일럿만을 사용하는 단일 입력 단일 출력 시스템을 위한 복소수 값 잔차 FFT 합성곱 어텐션 네트워크인 CRFCAN을 제안한다. 공유 백본은 복소수 값 잔차 채널 어텐션과 PN에서 착안한 곱셈 갱신을 통해 시간 영역 및 주파수 영역 특징을 번갈아 정제하며, 각 영역에서 채널 추정값과 PN 추정값을 산출한다. 전개형(unfolded) PN 정제 단계는 최소제곱 갱신과 특징 기반 복소수 값 CNN 보정을 결합한다. 모의실험 결과, CRFCAN은 TDL-A/B/E + 3GPP RAN4 학습 설정과 TDL-C/D + 3GPP RAN1 일반화 설정 모두에서 평가된 기준 기법보다 낮은 채널 추정 오차와 비트 오류율을 달성하였으며, 중간에서 높은 신호 대 잡음비에서는 더 낮은 PN 추정 오차도 보였다. 미세 조정 없이 수행한 추가 실험은 서로 다른 데이터 변조 방식, OFDM 파라미터, 채널 모델, PN 스펙트럼에 걸친 적용 가능성을 보여 준다.
배경 및 목적: 자동 뇌전도(EEG) 발작 검출기는 깨끗한 연구용 기록에서 검증되지만, 임상 기록은 전극 문제, 장비 설정, 인공물로 인해 변형된다. 발작 치료는 시간이 중요하므로, 이러한 조건에서도 검출기가 신뢰성과 적시성을 유지하는지 검증하였다. 방법: 우리는 학습된 어떤 검출기든 수정하지 않고 감사하는 오픈소스 프레임워크 RobustSeiz를 개발하였다. 이 프레임워크의 새로움은 새로운 검출기가 아니라 평가 파이프라인에 있다. 즉, 통제되고 시드가 지정된 변화(기록 환경, 잡음과 인공물, 최악 사례의 적대적 변화)를 적용하는 모델 비종속 프로토콜, 이벤트 기반 정확도에 발작 개시 시점과 모델 불확실성을 더한 채점, 그리고 깨끗한 기록에 대한 쌍체 통계로 구성된다. 우리는 학습에 사용되지 않은 세 개의 공개 데이터셋에서 네 가지 딥러닝 검출기를 감사하였다. 결과: 강건성은 크게 달랐으며 깨끗한 데이터에서의 정확도와는 무관하였다. 신호 진폭의 5~10%에 해당하는 적대적 변화는 F1 점수를 최대 0.57까지 감소시켰고, 전극 접촉 잡음은 민감도를 0.57에서 0.06으로 조용히 떨어뜨렸다. 변화는 여전히 검출되는 발작을 최대 62초까지 지연시켰다. 정확도와 함께 해석하면, 드롭아웃 확실성은 필터링 변화에서는 떨어졌지만 잡음이 검출을 침묵시키면서 오히려 상승하였으며, 실패의 4분의 1만이 이를 낮추었다. 결론: 깨끗한 데이터에서의 정확도만으로는 신뢰성이나 적시성을 입증할 수 없다. RobustSeiz는 배포 전 강건성 감사를 재현 가능하게 한다.
파리협정에 따라 산림 탄소를 보고하려면 정확한 지상부 바이오매스(AGB) 추정이 필요하지만, 열대 건조림(TDF)은 여전히 가장 연구가 부족한 열대 생태계 가운데 하나이다. 본 연구는 초기부터 후기 천이 단계를 아우르는 코스타리카 산타로사 국립공원의 영구 조사구 10곳에서, AGB 추정을 위한 항공(ALS), 무인기(ULS), 모의 우주 탑재 전파형 전체 기록(SLS, GEDI 시뮬레이터) 레이저 스캐닝을 조사구 수준에서 상호 비교하여 제시한다. 기준 AGB(22–220 Mg/ha)는 직경 시계열을 선별하고 측정 오차, 목재 밀도 오차, 상대생장식 오차를 전파하는 문서화된 절차를 사용하여 2021년 센서스로부터 산출하였다(조사구 불확실성 3.5–14.5%). 우리는 최소제곱법(OLS), 사전에 고정한 평균 수관 높이의 로그-로그 모형, 데이터에서 선택한 단일 지표 모형을 서포트 벡터 머신 회귀(SVM)와 비교하였다. 예측변수 선택, 스케일링, 하이퍼파라미터 튜닝은 한 조사구씩 제외하는 검증(leave-one-plot-out) 내부에 중첩하여 수행하였다. ALS가 가장 낮은 오차를 보였다. 사전 설정 OLS 모형은 RMSE 32.3 Mg/ha(29%, R2_LOO = 0.77)에 도달했고 SVM은 35.8 Mg/ha(32%)였다. SVM은 어떤 플랫폼에서도 OLS보다 개선되지 않았으며 ULS에서는 유의하게 더 나빴다(p = 0.01). 최상의 ULS 및 SLS 모형은 각각 33%와 37%에 도달했으며, 조사구가 10곳이어서 플랫폼 간 차이는 유의하지 않았다. 교차 검증 이전에 모든 조사구에서 예측변수를 선택하면 겉보기 SVM 오차가 최대 23%포인트 낮아졌고, GEDI 시뮬레이터의 발자국 좌표, ALS 점 밀도, 지형 고도는 허위 성능을 만들어 냈다. 이러한 효과는 본 연구의 이전 버전에서 보고된 더 높은 정확도를 설명해 준다. 모형 오차는 현장 AGB 불확실성보다 여전히 최소 2.5배 컸다. 조사구 네트워크가 작을 때는 ALS를 이용한 높이 기반 OLS 모형이 가장 견고한 선택이며, 비선형 모형이 TDF에서 가치를 더함을 보이려면 더 많고 더 큰 조사구가 필요하다.
보행 동결(FoG)은 파킨슨병(PD) 환자에게서 나타나는 특수한 증상이다. FoG가 있는 환자는 평소처럼 걷는 능력을 갑자기 상실한다. 환자가 착용한 가속도계는 이러한 발작 중의 움직임 데이터를 기록할 수 있으며, 기계학습 알고리즘은 이 정보를 분류하는 데 유용할 수 있다. 따라서 이 둘의 결합은 FoG를 실시간으로 식별할 수 있을 것이다. 가속도계 데이터에서 FoG 사건을 식별하기 위해, 본 논문에서는 Transformer Encoder-Bi-LSTM 융합 모델을 제안한다. FoG 발작과 정상 움직임을 구별하는 모델의 능력으로 성능을 평가했으며, Kaggle Parkinson's Freezing of Gait 데이터셋에서 제안한 Transformer Encoder-Bi-LSTM 융합 모델은 정확도 92.6%, F1 점수 80.9%, 평균 정밀도(mean average precision) 52.06%를 기록했다. 이러한 결과는 딥러닝 기반 접근법이 FoG 식별 분야를 어떻게 발전시킬 수 있는지, 그리고 PD 환자가 더 나은 치료와 관리 계획을 받는 데 어떻게 도움이 될 수 있는지를 보여 준다.
잠재 구조 영향 모형(LSIM)과 같은 결합 은닉 마르코프 모형은 운동 상상 중 양쪽 반구의 감각운동 리듬이 어떻게 변화하고 상호작용하는지를 기술하지만, 시행 수가 적을 때는 피험자별 최대 우도(ML) 추정이 불안정하다. 본 논문은 켤레 사전분포가 다른 피험자들로 적합된 모집단 모형에서 얻은 $\lambda$개 의사 시행의 기대 통계량과 같은 LSIM의 최대 사후(MAP) 추정량을 유도한다. M 단계는 닫힌 형태로 유지되고, 기댓값 최대화는 단조 증가 성질을 유지하며, ML($\lambda=0$)과 모집단 모형($\lambda\to\infty$)은 극한의 경우이다. 사전분포 강도는 PhysioNet EEG Motor Movement/Imagery Dataset의 35명 피험자에서 선택되었고, 변경 없이 70명의 보류 피험자와 BCI Competition IV-2a에 적용되었다. $\lambda=1$일 때 보류 로그우도는 70명 중 61명에서 ML을 상회하였고(Holm 보정 $p=9.1\times10^{-8}$), 클래스당 학습 시행이 5개일 때는 70명 전원에서 상회하였다. PhysioNet 데이터만으로 학습한 사전분포는 클래스당 5개 시행에서 BCI IV-2a의 9명 피험자 전원의 보류 우도를 향상시켰고 결합 전이 행렬의 오차를 61% 줄였다. 디코딩 정확도는 향상되지 않았다($p=0.17$). 따라서 피험자 간 사전분포는 소수 시행 운동 상상 EEG의 동적 모형을 안정화하지만 디코딩을 개선하지는 않으며, 이 데이터에서 디코딩은 주로 피험자 간에 공유되는 구조에 의존한다.
전력 동요 중에 발생하는 고장과 동요가 불안정 상태로 진전되는 현상은 거리 계전기의 오동작과 연쇄 정전을 일으킨다. 본 논문은 PSCAD/EMTDC로 모델링한 9모선 WSCC 계통에서 고장, 전력 동요 중 고장, 전력 동요를 식별하고 안정 동요와 불안정 동요를 구분한다. 3상 계전기 전압과 전류에 세 가지 시계열 특징 라이브러리(tsfresh, TSFEL, tsfeatures)를 적용하여 이벤트 윈도우당 3286개의 통계적, 시간적, 스펙트럼적, 프랙탈 기술자를 얻는다. 2단계 특징 선택(Boruta 전체 관련 필터링 후 RFECV 및 SHAP 기반 최소 최적 가지치기)으로 특징 집합을 18개의 간결하고 중복 없는 특징으로 줄인다. 이후 선형, 커널/인스턴스 기반, 확률적, 신경망, 트리 앙상블/부스팅 계열에 걸친 14개 분류기를 반복 층화 교차 검증으로 벤치마크하며, 모델 간 차이는 Friedman/Nemenyi 전체 검정 및 사후 검정과 Nadeau–Bengio 보정 대응 t-검정으로 평가한다. Rotation Forest(ROF)는 세 가지 이벤트 유형을 99.98%로 식별하고, SVM-RBF는 안정 동요와 불안정 동요를 97.97%의 균형 정확도로 구분한다. 결과는 자동화된 라이브러리 기반 특징 추출과 엄밀한 통계적 모델 비교를 결합하면 SHAP 중요도를 통한 특징 수준의 해석 가능성을 유지하면서 거의 완벽한 판별을 달성할 수 있음을 보여 준다.
주파수 선택적 페이딩과 발진기 위상 잡음(PN)은 부호화된 서브 테라헤르츠 OFDM 수신을 함께 저해한다. 본 논문에서는 {pilot-aware complex transformer}(PACT) 추정기, 대역 선형 최소 평균 제곱 오차 등화, 신경망 정규화 min-sum 복호를 결합한 디코더 신뢰도 기반 2라운드 수신기를 제안한다. PACT는 상호작용하는 복소수 값 분기를 통해 주파수 영역 채널과 유효 시간 영역 PN을 동시에 추정한다. 디코더에서 얻은 의사 파일럿과 연속적인 성상점 인식 신뢰도는 PACT의 입력과 어텐션을 통해 두 번째 라운드의 정제를 유도하며, 파라미터는 라운드 간에 공유된다. $E_b/N_0=30$~dB에서 PACT 수신기는 두 벤치마크 설정에서 성능이 가장 우수한 학습 기반 기준 방법보다 코드 블록 오류율을 각각 약 $70\%$와 $57\%$ 낮춘다. 가중치를 고정한 실험은 채널/PN 모델, 반송파 주파수, FFT/대역폭 구성 전반에 걸친 적용 가능성도 보여 준다.
자동 수면 단계 분류는 강력한 벤치마크 정확도를 달성하였으나, 해석 가능성 부족으로 임상 도입은 여전히 제한적이다. 본 연구에서는 SleepXAI 수면 단계 분류 프레임워크를 확장하여 다섯 가지 XAI 방법을 체계적으로 비교함으로써 이러한 연구 공백을 메운다. 또한 임상적으로 근거가 있는 기준 신호인 AASM 정의 EEG 주파수 대역과의 스피어만 순위 상관을 이용하여 기여도 충실도를 평가한다. 본 논문은 전체 수면다원검사 구성보다 실제 임상 적용에 더 적합한 단일 채널 뇌파(EEG)에 초점을 둔다. 실험은 Sleep-EDF 벤치마크 데이터셋과 DREAMT 데이터셋에서 수행하였다. DREAMT에서는 피험자를 OSA에 따라 네 개의 무호흡-저호흡 지수(AHI) 중증도 그룹으로 층화하였다. SleepXAI 모델은 두 데이터셋 모두에서 강력한 분류 성능을 달성함을 관찰하였다. 평가한 방법 중 Integrated Gradients(IG)는 Sleep-EDF의 다섯 수면 단계 전체와 DREAMT의 모든 AHI 그룹에서 일관되게 가장 높은 평균 기여도 충실도를 보였으며, 스피어만 순위 상관 지표에서 다른 모든 평가 방법을 능가하였다. 이러한 결과는 신뢰할 수 있고 임상적으로 해석 가능한 자동 수면 단계 분류 시스템을 보장하는 핵심 요소로서 기여도 방법 선택이 중요함을 강조한다.
관심 대상 무선 주파수 신호를 동일 채널 간섭으로부터 분리하는 문제는 대개 신호와 간섭 유형의 한 쌍마다 따로 학습된 특화 분리기로 다루어지며, 이는 심하게 재밍된 수신기가 식별할 수 없는 레이블에 의존한다. 우리는 이러한 의존이 무해하지 않음을 보인다. 학습되지 않은 간섭에 적용하면 이러한 분리기는 대개 신호 복원에 실패하며, 우리가 측정한 대부분의 경우 아무 처리도 하지 않은 것보다 신호를 더 악화시킨다. 이어서 우리는 모든 쌍에 대해 단일 분리기를 학습시키되, 테스트 시 어떤 쌍을 마주하는지 전혀 알려주지 않는다. 이를 공통 구성요소가 없는 두 아키텍처, 즉 ICASSP 2024 RF Challenge의 합성곱 WaveNet과 음악 음원 분리에서 가져와 적응시킨 밴드 분할 트랜스포머에서 수행하였다. 두 모델 모두 동일하게 거동한다. 특화 모델 하나의 크기에서 통합 분리기는 그것이 대체하는 전체 모델들에 근접한 성능을 유지하며, 거의 모든 쌍에서 비트 오류율이 비슷하고, 한 쌍에서는 더 낫고 다른 한 쌍에서는 더 나쁘다. 어떤 학습 세트에도 없는 간섭에 대해서는 최고의 특화 모델과 동등한 성능을 보이며, 어떤 모델을 배포할지 누군가 선택할 필요도 없다.
기계학습(ML) 기반 고장 검출기가 전력 계통 보호용으로 점점 더 많이 제안되고 있으나, 종합 지표는 오트립과 부동작의 결과를 가릴 수 있다. 본 연구는 90 kV 2회선 선로에서 시뮬레이션된 9,022개 고장 에피소드로 구성된 PROTECT-90을 사용하여 세 가지 ML 검출기와 순서 전류 기준 방식에 대한 보호 지향 평가를 제시한다. 이 평가는 다섯 가지 윈도 조건, 인과적 윈도 종단 레이블링, 에피소드 단위 교차 검증, 고정된 보안성 예산 하의 동작점 선택을 결합한다. 보안성, 신뢰성, 검출 시간, 판정 여유, 에피소드 수준의 불필요 동작 발생을 보고한다. 그래디언트 부스팅 트리, 합성곱 신경망, 로지스틱 회귀는 AUC-ROC 0.999 이상을 달성하지만, $10^{-3}$의 보안성 예산에서 발전된 고장의 부동작률은 0.007%에서 1.99%에 이른다. 윈도당 약 0.12-0.16%의 고장 제거 후 오트립률은 에피소드의 11.3-19.1%에서 나타나는 불필요 동작과 공존한다. 분석된 물리적 기술자 중에서는 표본 범위 내에서 더 높은 고장 저항이 부동작과 가장 일관되게 연관된다. 해석적 전류 대리 변수는 파형에서 도출한 전류로는 부분적으로만 재현되는 고장 전류 기울기를 시사한다(순위 상관 0.62). 표본 영역 내에서 어떠한 단일 토폴로지 상태나 고장 상도 일관되게 지배적이지 않다. PROTECT-90은 고장 에피소드만 포함하므로, 보안성은 독립적인 비고장 외란이 아니라 고장 전 및 고장 제거 후 윈도에서 평가된다.
대규모 UAV 네트워크의 릴레이 부하 분산은 연결, 대역폭, 전력, 호버링 위치에 대한 공동 결정을 요구하며, 이때 차원은 UAV 수에 따라 증가하고 각 UAV는 자신의 국소 상태만 관측한다. 본 논문은 이 결정을 두 계층으로 나눈다. 고정된 퍼텐셜 방향 결정기는 매 순간 닫힌 형태의 목표를 산출하고 그 방향만을 반환한다. 이득 학습 실행기는 국소 관측을 차원별 양의 이득으로 사상하고, 이득과 목표를 합성하며, 물리적 단일 단계 한계에 맞추어 행동을 클리핑한다. 이 두 계층이 PF-Exec를 이룬다. 단위 이득이 기본 시작값이므로, 실행기는 학습 전에는 순수 퍼텐셜 정책으로 환원된다. 부하는 대역폭에 대해 1차 동차이므로 대역폭 목표가 닫힌 형태가 되며, 위치 목표는 서비스되는 사용자의 수요 가중 중심이다. 시스템은 소프트 연결을 갖는 2홉 접속 및 밀리미터파 백홀 링크, 두 층의 섀도잉을 갖는 3GPP UMa-AV 채널, OU형 사회적 힘 군중, 쿼드로터 물리 계층을 사용한다. 평가는 모든 기체 규모, 두 가지 군중 시나리오, 독립적인 시드, 각자의 설정에서의 기존 발표 기준선, 그리고 정보가 열화된 설정을 포괄한다. 압력이 가장 높은 버스트 설정에서 고정 단계 비교 방법은 일부 시드에서 무너져 공정성과 평균 부하를 동시에 잃는 반면, PF-Exec는 공정성을 1에 가깝게 유지한다. 열 가지 비교 방법 중 탐욕 휴리스틱만이 그 설정에서 살아남지만, 그 부하 분산은 훨씬 높게 유지된다. 오래된 전역 상태와 위치 잡음 하에서도 공정성 지수는 두 최대 규모 시나리오 모두에서 높게 유지된다. 비행 에너지는 학습된 실행기와 고정 단계 실행기 사이에서 거의 동일하며, 세 개의 상수는 모든 설정에 걸쳐 한 번만 고정된다. 절단된 이득 반복에서 섭동된 추적 한계에 이르기까지 두 계층의 수렴 성질은 동반 분석에서 증명된다.
AI 모델이 임상 의사결정 및 맞춤형 치료로 나아감에 따라, 모델이 무엇을 학습하는지 이해하는 것은 단순한 예측 정확도를 넘어 매우 중요합니다. 본 연구에서는 예측 적합도가 유사하더라도 개인화된 잠재 동역학(latent dynamics)이 임상적으로 연관된 차이를 드러내는지 조사합니다. Temple University EEG Corpus(TUEG)로 사전학습된 경량 CNN-트랜스포머(Transformer) 뇌파(EEG) 파운데이션 모델을 사용하여 세그먼트 수준의 표현을 추출합니다. Temple University Epilepsy Corpus(TUEP)를 활용하여 표현들을 공유 잠재 상태 공간으로 매핑하고, 각 피험자에게 독립적으로 희소 다항 로지스틱 전이 분포(mLTD)를 적합하여 개인화된 전이 의존성 그래프 $W_n$을 얻습니다. 분석 대상은 $n{=}198$명의 피험자(뇌전증 99명 / 비뇌전증 99명)입니다. $k{=}4$에서 뇌전증 피험자는 훨씬 더 조밀한 학습된 의존성 구조를 나타내며($p{=}1.1\times10^{-7}$), $k{=}6$에서도 동일한 패턴을 보입니다(19.90 대 13.46; $p{=}5.2\times10^{-5}$). 그래프 유래 특징들은 5-겹 피험자별 교차 검증(cross-validation) 하에서 중간 수준의 집단 구별 능력을 제공합니다($k{=}4$에서 AUROC 0.68; $k{=}6$에서 0.65). 대조적으로, 홀드아웃 로그 가능도(log-likelihood)는 $k{=}4$에서 두 집단 간에 거의 동일하며($-0.992$ 대 $-0.991$; $p{=}0.95$), 다음 상태 예측 역시 유사하게 일치합니다(AUROC 0.855 대 0.861; $p{=}0.54$). 따라서 유사한 예측 적합도가 유사한 학습 동역학을 의미하지는 않습니다. 즉, 개인화된 모델이 학습한 내부 동역학 구조에는 상당한 차이가 있더라도, 두 집단은 대등한 수준으로 예측 가능할 수 있습니다. 이러한 차이는 개인화된 임상 모델에서 예측 성능과 함께 학습된 구조를 평가해야 할 필요성을 시사합니다.
대규모 EEG 파운데이션 모델은 신경계 질환 전반에 걸쳐 유망한 전이 가능성을 보였으나, 수백만 개의 매개변수와 상당한 연산 자원을 필요로 하는 경우가 많다. 본 논문에서는 Temple University Hospital EEG Corpus(TUEG)에서 자기지도 신호 재구성을 통해 전이 가능한 신경 표현을 학습하는 경량 EEG 파운데이션 모델인 Universal Semantic EEG Foundation Model(USE-FM)을 제시한다. 사전학습 후 인코더를 고정하고, LUNA-Base와 CBraMod를 포함한 최근 EEG 파운데이션 모델과 통합된 고정 전이 프로토콜로 비교하여 임상적으로 구분되는 두 가지 하위 과제인 비정상 EEG 탐지(TUAB)와 뇌전증 발작 인식(TUEP)에서 평가한다. USE-FM은 기존 모델의 약 5분의 1 크기인 146만 개의 매개변수만으로 경쟁력 있는 전반적 성능을 달성하며, TUEP에서 높은 민감도와 F1 점수(SEN $75.00 \pm 14.14$, F1 $70.37 \pm 4.01$)를 보이고 TUAB에서도 경쟁력 있는 성능(AUC $85.24 \pm 5.61$)을 유지한다. 하위 분류를 넘어, $k$-평균 군집화와 PCA 및 t-SNE를 이용한 잠재 표현 분석은 USE-FM이 훨씬 더 큰 파운데이션 모델에 필적하는 조직화된 의미론적 EEG 표현을 학습함을 보여 준다. 이러한 결과는 대규모 자기지도 사전학습이 경량 아키텍처로 하여금 전이 가능한 의미론적 EEG 표현을 학습하게 하며, 질환 간 분석과 신경계 질환에서의 향후 임상 의사결정 지원을 위한 계산 효율적인 기반을 제공함을 시사한다.
지속적 학습은 이전에 본 데이터에 대한 성능 저하를 모두 망각으로 간주하는데, 이는 예측 대상이 정상적인 환경에서 물려받은 관례이다. 월드 모델은 이 가정을 위반한다. 월드 모델의 대상은 변화하는 환경이므로, 학습 당시에는 정확했던 지식이 나중에 거짓이 될 수 있으며, 이를 수정하는 것은 결함이 아니라 올바른 동작이다. 비정상적 정답은 개념 드리프트 문헌과 언어 모델의 시간적 사실성 분야에서 잘 연구되어 왔으나, 월드 모델에 대해서는 정식화된 바가 없다. 월드 모델은 물리 법칙이나 대상 영속성처럼 결코 훼손되어서는 안 되는 구조적 지식도 함께 인코딩한다는 점에서 독특하다. 우리는 지속적 월드 모델이 지식이 참으로 유지되는 시간인 불변성 시간 규모에 따라 계층화된 보존을 필요로 한다고 주장한다. 불변량은 정교화되되 결코 훼손되어서는 안 되며, 인스턴스 수준의 사실은 환경이 변하면 수정되어야 한다. 우리는 표준 망각 지표를 단독으로 사용하면 올바른 수정을 망각으로 계산하여 고정된 모델을 가장 높게 평가함을 보인다. 우리는 두 양을 분리하여 보고하는 차등 보존을 제안한다. 하나는 매 적응 라운드 후에 확인하는 불변량 보존이고, 다른 하나는 모델이 변화를 파악하는 데 필요한 관측 횟수인 수정 지연이다.
데이터 동화 알고리즘은 부분 관측으로부터 동역학계의 상태를 추정하며, 이러한 알고리즘의 성공적인 성능은 비용이 많이 드는 매개변수 조정과 동역학에 대한 정확한 모델의 사용에 달려 있다. 본 논문은 자동 미분 가능 필터링이라 부르는 과정을 통해 데이터 동화에서 상태, 동역학, 필터링 알고리즘의 매개변수를 공동으로 학습하는 프레임워크를 소개한다. 이 프레임워크는 이론적 근거를 갖춘 손실 함수를 활용하여, 자동 미분을 이용한 경사 기반 최적화로 부분적이고 잡음이 섞인 관측으로부터 학습할 수 있게 한다. 또한 잘 알려진 여러 데이터 동화 방법을 이 프레임워크 안에서 학습하거나 조정할 수 있음을 보인다. 자동 미분 가능 필터링의 다재다능함을 강조하기 위해, 항공우주공학의 Clohessy-Wiltshire 방정식, 대기과학의 Lorenz-96 시스템, 시스템 생물학의 일반화 Lotka-Volterra 방정식, 지구물리 유체역학의 2층 준지균 모델 등 여러 과학 분야에 걸친 동역학계에서 실험을 수행한다. 마지막으로, 실무자가 관측 모델, 정확도 요구 사항, 계산 예산에 맞게 프레임워크를 맞춤화할 수 있는 지침을 제공한다.