본 논문은 동반 시스템 논문의 알고리즘인 PF-Exec에 대해 계층적인 수학적 특성화를 확립한다. 수요 비례 대역폭 할당은 정확한 1차 동차 분해를 제공하며, 이로부터 동등 부하 대역폭 목표와 그 실현 가능성 한계가 닫힌 형태로 도출된다. 로그 무릎(logarithmic knee) 관점은 엄격한 부하 순서를 보존하고 Jain 공정성 지수와 전역 최적해를 공유하며, 수요 가중 중심은 위치 퍼텐셜을 최소화한다. 감쇠 소프트맥스 연관 블록은 단체(simplex)들의 곱 위에서 고정점을 가진다. 절단된 1차원 이득 반복은 완전한 특성화가 가능하다. 임계 이득 미만에서는 기하급수적으로 수렴하고, 임계 이득에서는 초기값에 의존하는 유계 진동이 나타나며, 그 이상에서는 유계 2상태 순환의 족이 존재한다. 전역 불변 오차구와 명시적 추적 점화식이 실행 보장을 완성한다. 수치 감사는 측정된 모든 상태에서 구조적 항등식을 확인하고, 결합된 연관 및 자원 동역학의 국소 증폭을 정량화한다. 이러한 결과는 닫힌 형태의 복원 방향과 유계 적응 이득이 전역 유클리드 수축 가정 없이도 안정적인 실행을 제공하는 방식을 설명한다.
모션 캡처 마커로부터 지면 반력과 압력 중심을 추정하는 심층 신경망은 한 연구실 안에서, 좌표계가 거의 명시되지 않은 채, 때로는 동일인이 학습 세트와 테스트 세트에 모두 포함되는 시행 단위 분할로 검증된다. 우리는 각 관행이 초래하는 비용과 이러한 모델이 연구실 간에 전이되는지를 측정했다. 세 가지 시퀀스 모델(합성곱, 합성곱-순환, 합성곱-트랜스포머)을 보행(6명)과 직업적 환자 이송(10명)이라는 두 독립 데이터셋에서, 하나의 파이프라인, 하나의 튜닝 절차, 세 개의 시드, 그리고 네 가지 프로토콜(시행 단위 분할, 피험자 하나 제외 교차 검증, 피험자를 맞춰 분리한 두 연구실 통합 학습, 연구실 간 전이)로 평가했다. 고정된 설정에서 시행 단위 분할은 피험자 분리 결정계수를 +0.040에서 +0.194만큼 과대평가했으며, 직업 데이터에서는 이 과대평가가 아키텍처 간의 모든 차이를 넘어섰다. 피험자를 분리하면 세 모델은 0.583에서 0.804 사이의 값에 도달했고, 선두 모델은 데이터셋마다 달랐으며, 격차는 피험자 간 변동성 범위 안에 있었다. 연구실을 통합해도 피험자를 맞춘 두 데이터셋 모두 변화가 없었다. 연구실 간 전이는 어느 방향에서도 무작위 수준 이하였으며, 면내 회전이 영향을 줄 수 없는 수직 힘에서도 마찬가지였다. 입력은 진행 방향으로 정렬하면서 힘 목표를 플레이트 좌표계에 두면 보행의 전후 방향 힘 설명 분산이 0.57 감소했고, 이는 그 힘이 가장 어려워 보이게 하기에 충분했다. 뉴턴 법칙 상관 분석은 학습 전에 이 불일치를 검출했다. 분할 프로토콜과 목표 좌표계는 아키텍처보다 보고된 정확도를 더 크게 바꾸었다. 학습된 힘 추정기는 피험자를 분리하여 검증하고, 학습 전에 좌표계 일관성을 점검하며, 배포 주장을 하기 전에 연구실 간에 시험해야 한다.
본 논문은 웰빙 증진을 목적으로 선별된 재생목록을 듣는 30명의 참가자로부터 실제 환경에서 수집한 심리-생리 데이터의 견고한 모음인 BEATS 데이터셋을 소개한다. Biomarkers, Experience and Affect from Therapeutic Soundscapes의 약자인 BEATS 데이터셋은 웰빙, 음악 심리학, 감성 컴퓨팅, 신호 처리 연구를 지원하는 것을 목표로 한다. 보다 구체적으로 이 데이터셋은 다음을 포함한다: (1) 자유로운 이동 환경에서 연구용 웨어러블 기기를 이용해 음악 청취 세션 동안 수집한 센서 데이터, (2) 청취 세션과 관련된 음악 청취 활동 기록, 자극 메타데이터, 음향 특징, 자기 보고, (3) 인구통계, 음악 선호, 음악적 기량, 성격 특성과 같은 개인 특성, (4) 수 주에 걸친 실험 참여 전후의 자기 보고식 심리 측정치. 데이터 수집을 실험실 밖에 둠으로써 BEATS 데이터셋은 실제 음악 청취 시나리오를 연구할 기회를 제공하며, 실제 환경 조건에서 음악의 생리적, 주관적, 치료적 효과를 더욱 풍부하게 탐구할 수 있게 한다.
정확하고 신뢰할 수 있는 근거리장 다중 소스 위치 추정은 미래 무선 시스템의 위치 인지 처리에 필수적이다. 그러나 결맞는 다중경로 전파는 가시선(LoS) 소스 위치의 직접 복원을 어렵게 하며, 기존 추정 방법은 대체로 소스 과소 추정의 위험과 위치 추정의 불확실성을 명시적으로 제어하지 못한다. 본 논문에서는 근거리장 결맞는 다중경로 환경에서 신뢰할 수 있는 소스 개수 추정과 위치 추정을 연구한다. 구체적으로, 고유값 기반 기준의 페널티 계수를 보정하여 기대 미검출 비율을 지정된 수준으로 제어하는 컨포멀 위험 제어(CRC) 기반 소스 개수 추정 기법을 개발한다. 또한 2단계 MUltiple SIgnal Classification(MUSIC)에 기반한 모델 기반 딥러닝 프레임워크인 MUSIC-Net을 제안하며, 이는 부분공간 거리 기반 학습을 통해 LoS 관련 부분공간과 대리 거리를 학습함으로써 비가시선(NLoS) 경로 매개변수를 추정하거나 이후 경로 연관을 수행하지 않고도 소스 위치를 직접 추정할 수 있게 한다. 추정된 위치의 불확실성을 정량화하기 위해, 유한 표본 동시 커버리지 보장을 갖는 각도-거리 예측 영역을 구성하는 분할 컨포멀 예측(SCP) 기반 보정 방법을 개발한다. 수치 결과에 따르면 제안한 프레임워크는 소스 과소 추정의 위험을 효과적으로 제어하며, 동일한 목표 커버리지 수준에서 벤치마크보다 더 좁은 예측 영역과 향상된 위치 추정 정확도를 제공한다.
인과 추론과 물리적 컴퓨팅 시스템에 동기를 받아, 우리는 공유되는 상호작용 파라미터 행렬과 혼합 성분별 선형 파라미터 벡터를 갖는, 두 개의 유계 지지집합 지수족 분포의 혼합을 학습하는 문제를 고찰한다. 알려지지 않은 성분 레이블의 열은 알려진 구조적 클래스에 속한다. 우리는 로그 분배 함수를 피하는 볼록 손실에 기반한 추정량을 제안하며, 각 고정된 레이블 할당에 대해 추정은 볼록 최적화 문제가 된다. 우리는 조건부 모집단 손실이 상호작용 행렬과 각 표본에 대응하는 선형 파라미터를 유일하게 식별함을 보인다. 전역 경험적 최소화자에 대해, 프로베니우스 노름에서의 상호작용 오차와 평균 제곱 선형 파라미터 오차에 대한 유한 표본 경계를 수립한다. 이 경계는 허용 가능한 레이블 할당 개수의 로그에 의존하며, 차원과 모델 경계가 고정된 경우 이 복잡도가 표본 크기에 대해 준선형적으로 증가할 때 일치성을 함의한다. 추가적인 점유 및 분리 조건 하에서는 성분 및 레이블의 복원이 가능하다.
무선 엣지 추론은 피지컬 AI 기기가 전송된 감각 입력을 이용해 엣지에서 추론된 행동을 실행할 수 있게 한다. 잘못된 행동의 위험은 관측과 과제에 따라 다르므로, 감각 입력의 상향링크 전송에는 서로 다른 수준의 무선 신뢰성이 요구된다. 예를 들어 고정된 신호 대 간섭 및 잡음비(SINR) 요구 조건을 적용하면 저위험 과제에는 과잉 자원이 할당되고 고위험 과제에는 자원이 부족하게 할당될 수 있다. 따라서 우리는 예측된 행동 실패 확률과 과제 중요도를 적응형 SINR 목표로 매핑하고 이를 마감 시한에서 도출된 SINR 요구 조건과 결합하는 엣지 추론용 위험 인지 제어(RACE)를 제안한다. 느린 시간 척도의 대규모 언어 모델(LLM)이 결정론적 검증을 위한 과제 요구 조건을 제안하고, 빠른 하이브리드 액터가 추론 구성과 송신 전력 수준을 선택하며, 해석적 수신 빔포밍과 유한 전력 복원이 이를 보완한다. 시뮬레이션 결과, 고정 고SINR 제어 대비 평균 정확도-지연-에너지 목적함수가 $11\%$ 개선되었으며 제약 위반(outage)은 거의 0에 가까웠다.
신호 전파, 피드백, 스케줄링, 송수신기 재구성과 관련된 지연으로 인해 현재 이용 가능한 채널 상태 정보(CSI)가 낡은 것이 될 수 있으므로, 정확한 미래 CSI는 수중 음향(UWA) 통신에 필수적이다. 그러나 기존 예측기 대부분은 다음 채널 상태만 추정하고 재귀적 롤아웃으로 다단계 예측을 얻기 때문에, 다중경로 구조가 변화함에 따라 예측 오차가 누적된다. 해상 시험 측정 데이터의 부족 또한 신뢰할 수 있는 모델 학습을 제한한다. 이러한 문제를 해결하기 위해 본 논문은 소수 샘플 다단계 UWA 채널 예측을 위해 사전학습 트랜스포머를 적응시키는 이중 도메인 구조 보존 프레임워크 LLM4UACP를 제안한다. LLM4UACP는 채널 임펄스 응답(CIR)과 채널 주파수 응답(CFR)에서 상보적인 특징을 추출하고, 푸리에 일관성 융합으로 이를 정렬하며, 융합된 표현을 지연-시간 토큰으로 인코딩한다. 백본을 고정한 사전학습 트랜스포머는 버터플라이 직교 미세 조정을 통해 적응되어 한 번의 순전파로 여러 미래 CIR을 동시에 예측하며, 따라서 재귀 예측에 따른 오차 누적을 피한다. 실측 SO-06 및 SO-07 채널에서의 실험 결과, LLM4UACP는 정규화 평균 제곱 오차(NMSE) 0.0411과 0.0399를 달성하며, 이는 가장 최근 기준 모델 대비 각각 88.53%와 85.15% 감소한 값이다. 학습 가능한 파라미터가 0.11M에 불과함에도 LLM4UACP는 다양한 예측 구간과 관측 윈도우 길이, 제한된 데이터 설정, 데이터셋 간 전이 시나리오에서 강건한 성능을 유지한다.
협력적 멀티태스크 의미 통신(cooperative multi-task semantic communication, CMT-SemCom)은 공유 표현을 활용하여 태스크 실행 성능을 향상시킨다. 그러나 [1]에서 보인 바와 같이, 협력적 멀티태스킹은 태스크 간 의미적 관계에 따라 건설적일 수도 있고 파괴적일 수도 있다. 건설적 협력을 보장하기 위해, 우리는 CMT-SemCom을 위한 의미 인식 태스크 클러스터링 방법을 제안한다. 짧은 초기 학습 단계 이후 의미적으로 정렬된 태스크가 한 번 클러스터링되고, 이후 발견된 그룹 내에서만 엔드투엔드(end-to-end, E2E) 공동 학습이 수행되는 순차적 다단계 최적화 문제를 수식화했다. 구체적으로, 이 문제는 두 단계로 분해된다: (i) 계층적 밀도 기반 공간 클러스터링(hierarchical density-based spatial clustering)을 활용한 의미 클러스터링 문제, (ii) 클러스터 내 E2E CMT-SemCom 학습 문제. 시뮬레이션 결과는 제안된 프레임워크가 파괴적 협력과 부정적 전이(negative transfer)를 효과적으로 완화하며, 클러스터링되지 않은 멀티태스킹 및 개별 학습 기준선 대비 정확도 향상을 달성함을 보여준다.
확률적 가진과 센서 고장 상황에서 부유식 해상 풍력 터빈(FOWT)을 모니터링하려면 계산 효율이 높고 물리적으로 해석 가능한 추정기가 필요하다. 본 논문은 Hankel 동적 모드 분해(Hankel-DMD), 희소 센서 복원, 확률적 칼만 확장을 결합한 방정식 불필요(equation-free) 출력 전용 디지털 트윈 프레임워크를 제안한다. 지연 임베딩된 측정값에서 복원되는 모드 진폭에 대한 충분 식별 가능성 조건을 유도하였으며, 조건수가 나쁜 센서 배치는 Tikhonov 정규화로 해결한다. 상관 영역 식별은 확률적 강제력 하에서 감쇠 추정을 개선하고 구조 모드를 로터 고조파와 구분한다. 이 프레임워크는 NREL 5-MW 스파(spar) 터빈의 OpenFAST 시뮬레이션과 1:70 축척 IEA 15-MW 반잠수식 구조물의 수조 시험 측정값으로 검증되었다. 시뮬레이션에서 식별된 타워 모드는 기존 운용 모드 해석 방법과 일치하였으며(MAC 0.99 이상), 칼만 추정기는 심각한 센서 희소성 조건에서도 R-제곱 값 0.91~0.99를 달성하였다. 실험 결과에서는 타워 모드를 0.430 Hz와 0.415 Hz로 식별하였고 SSI-COV 대비 MAC은 1.00이었으며, 센서 4개 중 3개를 사용하여 처음 보는 실행에서 타워 기저 굽힘 모멘트를 R-제곱 값 0.83~0.89로 복원하였다. 이 프레임워크는 디지털 트윈을 위한 계산 효율적이고 센서 고장에 강한 구조 상태 추정 계층을 제공한다.
파운데이션 모델은 최근 자연어와 비전을 넘어 생리 신호를 포함한 시계열 영역으로 확장되었다. 그러나 피부전기활동(EDA)을 위한 파운데이션 모델 개발은 대규모로 정제되고 공개적으로 접근 가능한 데이터셋의 부재로 인해 어려움을 겪고 있다. EDA는 교감신경 활동을 반영하며 인지 부하, 스트레스, 몰입도를 추론하는 데 널리 사용된다. 그러나 EDA 센싱을 갖춘 웨어러블 기기는 드물고, 지금까지 유일한 대규모 EDA 아카이브는 비공개이다. 이러한 공백을 해소하기 위해 본 논문은 731명의 사용자로부터 얻은 약 23,000시간의 데이터로 구성된 29개 공개 데이터셋의 EDA 기록 모음인 EDAMAME를 구축한다. 이 모음을 이용하여 최초의 EDA 파운데이션 모델인 UME를 학습한다. 고정된 특징 추출기로서 UME는 일반적인 수작업 특징보다 우수하며 범용 시계열 파운데이션 모델과 대등한 성능을 보이면서 계산 자원은 20배 적게 필요로 한다. 하위 과제에 대한 미세 조정은 대부분의 실험에서 추가적인 성능 향상을 가져온다. UME는 학습 중 보지 못한 두 기기의 EDA에도 일반화된다. 또한 사전학습 데이터 양이 증가함에 따라 UME의 성능이 향상됨을 보여, 효과적인 파운데이션 모델에 대규모 데이터가 중요함을 강조한다. 본 연구 결과는 EDA 신호의 내재적 어려움을 부각하고 향후 연구 기회를 드러낸다. EDAMAME는 계층별 접근 방식으로 공유하며 모델 가중치와 코드도 함께 공개한다.
심전도(ECG) 신호에서 얻은 심박변이도(HRV)는 혈당 상태를 나타낼 수 있으나, 선행 연구들은 서로 다른 혈당 목표 변수를 혼합하고 데이터 누수에 취약한 검증 전략을 사용하는 경우가 많다. HRV는 나이가 들수록 감소하므로, 노화가 당뇨병 관련 자율신경 기능 장애와 교란될 수 있다. 본 연구는 연령에 따른 HRV 정규화가 혈당 추정을 개선하는지 검증하였다. 제2형 당뇨병 남성 환자 43명의 ECG 특징을 분석하였다. 결과 변수는 당화혈색소(HbA1c; n=29)와 공복혈당(FBG; n=38)이었다. 각 학습 폴드 내에서 특징 선택과 표준화를 수행하는 leave-one-subject-out 교차검증을 사용하였다. 20개의 기계학습 알고리즘, 6가지 연령 보정 방법, 20가지 정규화 매개변수 조합을 비교하였다. 검증에는 500회의 순열 검정과 부트스트랩 신뢰구간이 포함되었다. Extra Trees 회귀가 가장 우수한 성능을 보였으며, HbA1c에서 R2=0.222(r=0.476, p=0.009), FBG에서 R2=0.086(r=0.344, p=0.034)이었다. 평균 절대 오차는 각각 1.18 퍼센트포인트와 2.27 mmol/L였다. 순열 검정은 두 연관성을 모두 뒷받침하였다(p=0.002). 가설과 달리, 어떠한 연령 보정 방법이나 매개변수 조합도 성능을 개선하지 못했다. 트리 앙상블은 엄격한 검증 하에서도 양의 성능을 유지한 반면 선형 모델은 음의 R2 값을 보였으며, 신경망은 성능이 낮았다. 엄격한 폴드 내 전처리는 모델 성능을 실질적으로 변화시켰고, 기존 검증 방식으로 인한 잠재적 과대평가를 드러냈다. 부트스트랩 95% 신뢰구간은 HbA1c R2에서 [0.13, 0.82], FBG R2에서 [0.10, 0.72]였다. 연구 결과는 HRV와 혈당 간의 연관성을 뒷받침하지만, 성능은 단독 임상 사용에는 여전히 불충분하다. 본 연구는 비침습적 혈당 모니터링 연구에서 혈당 목표 변수의 분리, 피험자 독립 검증, 폴드 내 전처리, 포괄적인 기준 모델의 중요성을 강조한다.
나사 체결 시스템에서 생성되는 공정 데이터의 양이 증가하고 컴퓨팅 성능, 데이터 저장, 알고리즘이 발전함에 따라 이 분야에 인공지능을 적용하는 것이 가능해지고 있다. 나사 체결 오류를 정확히 탐지하고 분류하는 일은 제품 품질을 보장하고, 제조 과정에서 비용이 많이 드는 재작업을 피하며, 나사 체결 제품의 유지보수, 재사용, 재활용을 촉진하여 지속가능성을 뒷받침하는 데 매우 중요하다. 이러한 맥락에서 머신러닝 접근법은 윈도 기반 방법이나 포락선 곡선과 같은 기존 모니터링 기법에 대한 유망한 대안이 된다. 본 연구는 나사 체결 공정의 이상 탐지와 오류 분류를 위한 딥러닝 기법의 활용을 검토한다. 데이터 코퍼스는 토크와 회전각 같은 공정 변수를 담은 다변량 시계열로 구성된다. 이상 탐지를 위해 벡터 양자화 변분 오토인코더의 임베딩 공간을 분석하였다. 오류 분류에서는 네 가지 모델 아키텍처를 평가하였다. 결과는 이상 탐지의 효과를 보여 주며, 딥러닝 모델이 기존의 이진 분류를 넘어 여러 오류 범주를 구분할 수 있음을 확인해 준다. 이는 기존 모니터링 접근법의 능력을 확장하는 것으로, 최대 100%의 정확도를 달성한다. 또한 모델의 견고성을 추가로 입증하기 위해 실제 환경의 데이터도 검토하였다. 전반적으로 결과는 강한 일반화 능력을 나타내며, 개발된 모델이 산업용 나사 체결 공정에 활용될 실용적 잠재력을 보여 준다. 이를 통해 오류 식별에 전문가 지식이 필요 없게 되고 수작업과 분석 시간이 크게 줄어든다.
온라인 등각 위험 제어(OCRC)는 모델 출력을 장기적 위험 보장을 갖는 예측 집합으로 변환함으로써 기계학습에서 신뢰할 수 있는 불확실성 정량화를 가능하게 한다. 그러나 이러한 보장은 각 라운드의 손실이 즉시 그리고 손실 없이 공개된다는 가정에 의존한다. 실제로는 피드백이 지연될 수 있고, 제한된 자원으로 인해 대기 중인 모든 예측을 추적하지 못해 일부 피드백이 소실될 수 있다. 이 문제를 해결하기 위해 우리는 제한된 추적 피드백 용량을 어떻게 할당하고 예측 집합을 어떻게 구성할지를 함께 결정하는 프레임워크인 용량 인지 OCRC(CA-OCRC)를 개발한다. CA-OCRC는 대리 지연을 표본추출하여 현재 라운드의 피드백을 추적할지 여부와 얼마나 오래 추적할지를 결정하는 무작위 추적 정책에 기반한다. CA-OCRC는 역확률 가중을 통해 예측 집합을 갱신하여 지연과 제한된 추적 용량으로 인해 피드백이 소실될 가능성을 보상한다. 우리는 임의 지연과 확률적 지연 모두에 대한 위험 한계를 분석하여, 더 많은 피드백을 받는 것과 용량 포화를 피하는 것 사이의 상충 관계를 밝힌다. 이 한계를 바탕으로 대리 지연 분포를 최적화하고, 무제한 피드백을 가진 OCRC와 동일한 장기 위험을 보장하는 추적 용량의 스케일링 법칙을 보인다. 의료 영상, 자연어 처리, 컴퓨터 비전, 무선 통신 분야의 실험은 기존 OCRC 방식에 비해 CA-OCRC가 효과적임을 보여 준다.
무인 항공기(UAV) 링크는 경로별 채널 데이터를 수집하는 속도보다 더 빠르게 변할 수 있으므로, 채널 예측기는 짧은 목표 비행 보정 구간만으로 적응되어야 하는 경우가 많다. 본 논문은 채널 상태 정보(CSI) 예측기의 신속한 적응을 위한 오프라인 소스 사전 분포로서 측정 보정 합성 사전학습을 연구한다. 합성 소스는 비행 전용 전력 변화, 시간적 형태 변동, 주파수 선택성, 위상 교란에 맞추어 보정되며, 목표 비행 적응 이전에 측정된 소스 비행 미세 조정과 결합된다. 시간순으로 분할한 보류 비행 조건에서 합성-실제(S2R) 미세 조정은 저데이터 영역에서 유용한 예측에 도달하는 데 필요한 측정 데이터량을 줄인다. 50 ms 앞선 예측에서, 이는 최신 채널 추정치 지속 기준선을 50개의 측정 학습 윈도로 넘어서는데, 이는 10 ms 간격의 지도 학습 윈도로 대략 0.5 s에 해당하며, 처음부터 학습하는 경우에는 600개의 윈도가 필요하다. 목표 접두 구간 적응 연구는 또한 경량 게이트 순환 유닛 예측기가 한 번의 예측 계층 갱신 에폭만으로 사전학습된 소스 사전 분포를 재사용할 수 있음을 보여 주며, 측정 보정 합성 사전학습을 부족한 목표 비행 측정을 위한 재사용 가능한 사전 분포로 자리매김한다.
두피 뇌전도(EEG)로부터 상지 움직임을 디코딩하는 것은 뇌-컴퓨터 인터페이스(BCI)에서 중요한 문제이지만, 많은 딥러닝 모델은 예측의 근거가 되는 뇌 영역에 대한 통찰을 제한적으로만 제공한다. 우리는 움직임 대 휴식 분류를 위해 LGGNet에서 착안한 국소-전역 그래프 분기와 EEGNet 방식의 합성곱 분기를 결합한 이중 분기 아키텍처를 제안한다. 그래프 분기는 61개의 EEG 전극을 해부학적으로 정의된 영역으로 묶고 그 공간적 관계를 학습하여, 모델이 중시하는 영역을 직접적으로 표현한다. 제안한 아키텍처를 Ofner 상지 움직임 데이터셋에서 피험자 제외 교차 검증(leave-one-subject-out)으로 평가하였다. 모델은 피험자 전반에서 평균 F1 점수 0.74 +/- 0.06을 달성한다. 분류 성능 외에도 학습된 그래프 구조를 분석하여 연결성이 가장 강한 영역을 식별하였다. 모든 홀드아웃 피험자에서 가장 높은 연결성은 일관되게 전극 P1과 P3에 해당하는 Parietal Left Low 영역에서 관찰되었다. 이 영역은 수행된 오른팔 움직임의 반대편이며, 이전에 상지 움직임 처리와 연관된 것으로 알려진 후두정 영역 내에 있다. 이러한 결과는 영역 기반 그래프를 디코더에 통합하면 효과적인 움직임 분류를 유지하면서 해부학적으로 해석 가능한 표현을 제공할 수 있음을 보여 주며, 더 투명한 EEG 기반 BCI를 향한 실용적인 접근을 제시한다.
얼굴 제시 공격 탐지에는 획득 장치, 대상자, 공격 매체의 변화에도 물리적 스푸핑 단서를 구별하는 표현이 필요하다. 대형 시각 인코더는 전이 가능한 표현을 제공하지만, 기존의 이진 미세 조정은 부분 관측 상황에서 국소 얼굴 증거가 어떻게 표현되는지를 명시적으로 제약하지 않은 채 최종 결정만을 지도한다. 우리는 사전 학습된 CLIP 이미지 인코더의 저순위 조정과 결합 임베딩 예측 목적 함수를 결합한 문맥 예측 적응 프레임워크인 CP-JEPA를 제시한다. 학생 모델은 마스킹된 공간 위치에서 전체 이미지 교사 특징을 예측하며, 마스킹되지 않은 분류, 마스킹된 분류, 예측 일관성이 실제/스푸프 과제와의 연결을 유지한다. 지수 이동 평균 교사는 진화하는 잠재 목표를 제공한다. 보조 구성 요소는 학습 중에만 사용되며, 추론에는 LoRA로 적응된 CLIP 시각 인코더와 이진 분류기만 필요하다. {우리는 CP-JEPA를 단일 소스 및 다중 소스 OCIM 전이, CelebA-Spoof 추가 학습, CelebA-Spoof로의 전이, 두 소스 학습, SiW-Mv2에서의 미확인 공격 평가에서 평가한다.} 표준 OCIM 벤치마크에서 CP-JEPA는 평균 HTER 3.74%와 평균 AUC 98.73%를 달성한다. {단일 소스 평가는 열두 개의 소스-타깃 조합에서 평균 HTER 11.36%를 달성한다.} 세 개의 OCIM 학습 소스에 CelebA-Spoof를 추가하면 CP-JEPA는 평균 HTER를 3.45%에서 2.35%로 낮추고 평균 AUC를 98.68%에서 99.32%로 높인다. SiW-Mv2에서는 제외된 공격 범주 전반에서 평균 HTER 3.36%를 달성한다. 통제된 손실 제거 실험은 잠재 예측, 마스킹된 분류, 예측 일관성의 기여를 검토한다. 결과는 문맥 예측 적응이 데이터셋 간 PAD 성능을 향상시킬 수 있음을 보여 주지만, 그 이득은 학습 소스와 평가 설정에 따라 달라진다.
혼합현실(MR) P300 인터페이스는 휠체어 목적지와 같은 선택 가능한 대상을 사용자 주변 환경에 직접 등록할 수 있다. 그러나 단서가 점멸 사이에 사라지면 사용자는 더 이상 보이지 않는 의도한 목표를 기억하고 있어야 한다. 본 연구는 이러한 인터페이스가 목표 선택을 지원하는지, 그리고 각 단서에 안정적인 색-모양 정체성을 부여하면 시각적으로 균일한 구체보다 성능이 향상되는지를 시험하였다. 건강한 성인 6명이 머리 착용형 MR 디스플레이에서 5x5 행/열 과제를 각 단서 조건마다 4회 시행하였으며, EEG는 Fz, Cz, Pz에서 측정하였다. 수축 선형 판별 분석(shrinkage linear discriminant analysis)은 클래스 균형화, 하이퍼파라미터 선택, 적합 과정에서 전체 시행을 제외한 중첩 검증으로 평가하였다. 두 조건 모두 두정부의 목표 관련 양성 전위를 유발하였다. 디코딩된 셀은 제외된 48회 시행 중 18회에서 정확했으며, 이는 우연으로 기대되는 1.9회와 비교된다(이항 p < 1e-12). 또한 참가자 3명에서 개별적으로도 유의하였다. 단서 형식은 검출 가능한 차이를 만들지 않았다. 전체 목표 정확도는 두 조건 모두 9/24였고(쌍체 차이 0.0 퍼센트포인트, 95% CI [-37, 37]), 제외된 시행의 AUC는 구체 0.609, 객체 단서 0.585였다. 따라서 사라지는 자극 MR P300 선택은 엄격한 시행 수준 평가에서도 실현 가능하지만, 객체 정체성의 이점이 있다 하더라도 이번 규모의 예비 연구에서 판별하기에는 너무 작다.
대규모 비라벨 뇌전도(EEG) 코퍼스로 사전학습된 파운데이션 모델은 뇌-컴퓨터 인터페이스(BCI) 응용에서 혁신적인 패러다임으로 부상하였다. 최근의 EEG 파운데이션 모델은 고정 길이 패치에서 도출한 다중 스케일 표현이 EEG 표현 학습을 개선할 수 있음을 보였다. 기존 프레임워크는 대체로 특징 수준 연산으로 시간 스케일을 구성한다. 그러나 이러한 연산은 학습된 특징과 원본 EEG 신호의 스케일별 특성 사이의 대응 관계를 암묵적으로 남긴다. 또한 자기지도 목적함수가 다중 스케일 입력 표현과 정렬되지 않으면, 일부 시간 스케일의 정보는 사전학습 중 충분한 지도를 받지 못할 수 있다. 이에 본 연구는 모델 입력과 최적화 목적함수 양측에서 EEG의 다중 스케일 표현을 명시적으로 조율하는 스케일 일관성 사전학습 프레임워크 ScaleBrain을 제안한다. 구체적으로 ScaleBrain은 서로 다른 시간 범위와 공유된 시간 앵커를 가진 분석 윈도우로 동일한 EEG 구간을 표현하는 다중 스케일 EEG 토큰화를 도입하고, 이를 스케일별 복원과 짝지어 다중 스케일 입력 구조에 정렬하며 자기지도 학습 중 시간 해상도 전반에 걸친 지도를 제공한다. 나아가 융합된 다중 스케일 표현을 공간 및 시간 차원을 따라 문맥화하는 축 방향 시공간 어텐션 메커니즘을 개발한다. 12개의 대표적 베이스라인에 대해 6개의 공개 BCI 벤치마크에서 수행한 폭넓은 평가에서, ScaleBrain은 단 5.0M개의 파라미터로 5개 데이터셋에서 가장 높은 평균 균형 정확도(Balanced Accuracy)를 달성하고 나머지 하나에서 3위를 기록하여, 강력한 성능과 우수한 파라미터 효율성을 입증한다.
채널 추정은 무선 통신 시스템에서 매우 중요하다. 기존의 많은 연구는 동일하거나 유사한 채널로 모델을 학습하고 테스트한다. 그러나 실제 채널은 무한히 다양하고 시변적인 반면, 데이터 기반 알고리즘은 새롭고 이전에 보지 못한 채널에서 성능이 저하되는 경우가 많다. 이는 특히 채널 프로파일이 급격히 변하고 도플러 천이가 매우 큰 고속 시나리오에서 채널 추정용 신경망의 실용적 구현을 가로막는다. 온라인 학습은 모델을 새 채널에 맞게 미세 조정할 수 있지만, 높은 연산 자원을 요구하고 물리 계층 장치에 상당한 지연을 초래한다. 더구나 가능한 채널이 무한히 많기 때문에 온라인 학습으로 모든 채널을 빠짐없이 다룰 수는 없다. 따라서 우리는 신경망이 무선 채널에 일반화하는 능력을 조사한다. 본 논문은 합성 학습 데이터를 생성하기 위한 설계 기준을 제안하며, 이는 결과 신경망이 특히 매우 큰 도플러 천이와 서로 다른 도플러 스펙트럼을 포함한 무선 채널 전반에서 강건하게 동작함을 보장한다. 이를 통해 오프라인으로 학습된 신경망이 사전 정보나 온라인 학습 없이도 새로운 채널을 정밀하게 추정할 수 있다. 일반적 적용 가능성을 보이기 위해 복잡도 수준이 다른 신경망을 사용하여, 달성된 일반화가 아키텍처와 무관한 것으로 보임을 확인한다. 시뮬레이션 결과, 신경망은 보지 못한 서로 다른 전력 지연 프로파일(PDP)과 도플러 천이를 갖는 무선 채널 전반에서 일정한 성능을 달성한다.
건전성 지표(HI)는 운용 데이터로부터 열화를 요약하며 예지 및 건전성 관리(PHM)의 진단과 예후 과제를 지원한다. 그 유용성은 열화를 포착하고 시스템 상태를 해석하는 데 달려 있다. 오토인코더는 레이블이 없는 모니터링 데이터로부터 이러한 표현을 학습하지만, 학습이 재구성만으로 이루어지면 잠재 변수의 물리적 의미가 정의되지 않아 해석과 진단 가치가 제한된다. 본 연구는 시스템 지식을 디코더 구조의 귀납 편향과 손실 함수의 학습 편향으로 내장하는 물리 제약 오토인코더를 제안한다. 디코더는 잠재 변수와 운전 조건을 입력으로 받는 미분 가능한 물리 방정식을 포함하여, 각 잠재 변수가 사전 정의된 물리량을 나타내도록 구조적으로 유도하고 시스템 수준 HI로 집계하기 전에 구성요소 수준의 분석을 가능하게 한다. 이 방법론은 N-CMAPSS 데이터셋에서 대안적 표현들과 비교 평가된다. 재구성은 $R^2$ 0.9993과 MAE 0.0036에 도달하여 완전한 데이터 기반 모델과 비슷하다. 운전 조건 보정 후 추론된 물리량은 열화를 추적하며, 이를 집계한 HI는 실제값과 Spearman 상관 0.9791, RMSE 0.0286, MAE 0.0233을 보인다. 이 방법론은 서로 다른 열화 시나리오를 나타내는 네 개의 데이터셋에 걸쳐 학습한 단일 모델로도 추가 평가된다. 이 모델은 진단 레이블 없이 압축 측 열화와 팽창 측 열화를 구별하는 구성요소 수준 특징을 보존한다. 마지막으로 제안한 프레임워크는 열화 추세를 구성요소 맵 위에 시각화할 수 있게 하여, 엔진 운용자와 도메인 전문가에게 익숙한 형태의 건전성 표현을 제공한다.