연속적인 심전도(ECG) 모니터링은 리듬 이상이 심혈관 사건으로 악화되기 전에 이를 드러낼 수 있습니다. 그러나 배포 가능한 시스템은 법적 수준의 프라이버시(GDPR, HIPAA), 제한된 엣지 하드웨어에서의 실시간 추론(inference), 그리고 병원 간 비독립 동일 분포(non-IID) 데이터에서의 탐지 품질이라는 세 가지 요구 사항을 동시에 충족해야 합니다. 우리는 PTB-XL 데이터셋에서의 비지도 12유도 심전도 이상 탐지를 위해 이 세 가지를 모두 해결하는 엔드투엔드 연합 시스템을 설계하고 평가했습니다. 이 시스템은 세 가지 오토인코더 계열(VanillaAE, ConvAE, VAE), 10개의 시뮬레이션 병원에 걸친 Flower 기반 연합 평균화(FedAvg), Rényi-DP 회계원(accountant)을 사용한 클라이언트 측 차등 프라이빗 SGD(DP-SGD), 그리고 Raspberry Pi 4 벤치마킹을 포함한 8비트 정수(INT8) 사후 학습 양자화(quantization)를 결합합니다. 우리의 주요 기여는 이러한 메커니즘이 결합되는 방식에 대한 경험적 특성화, 실용적인 차등 프라이버시(DP) 관련 권장 사항, 그리고 임상적으로 민감한 환경에 대한 기술적 및 보안적 통찰입니다. 연합 학습은 모든 아키텍처에서 중앙 집중식 기준선(baseline)과 일치하거나 이를 초과하며(ConvAE 연합 ROC 곡선 아래 면적, AUROC, $0.782$), $\varepsilon$ 스윕(sweep)은 $\varepsilon=4$를 권장되는 임상 운영 지점으로 식별했습니다. INT8 양자화(quantization)는 모델 크기를 대략 절반으로 줄이고, $0.12%$ 미만의 AUROC 손실(loss)로 Pi 4 지연 시간을 최대 $44%$ 단축합니다. 결정적으로, DP와 양자화(quantization) 페널티는 경험적으로 독립적이므로, 실무자는 강력한 프라이버시 보장을 위해 컴팩트한 엣지 풋프린트를 타협할 필요가 없습니다. 우리가 아는 한, 이것은 연합 학습, 형식적 $(\varepsilon,\delta)$-DP, 비지도 재구성 기반 탐지, 그리고 양자화된 AArch64 배포를 결합한 최초의 시스템입니다.
많은 과학 및 공학 문제는 여러 이종 센서 또는 측정 방식(modality)을 통해 공통 현상을 관측하는 것을 포함한다. 이러한 관측은 일반적으로 센서 간 공유되며 기저 시스템을 반영하는 정보와, 측정 과정 또는 환경 효과에서 기인하는 센서 고유 또는 외래 성분을 모두 포함한다. 센서 독립적 관측을 이용할 수 없을 때 이러한 기여 성분을 분리(disentangle)하는 것이 필수적이다. 우리는 다중 센서 데이터로부터 공유 및 센서 고유 잠재 변수를 명시적으로 분리하는 신경망 오토인코더 프레임워크를 제안한다. 이 아키텍처는 구조적 제약과 직교성 기반 정규화를 통해 잠재 성분 간 기하학적 독립성을 강제하여, 해석 가능하고 분리된(disentangled) 표현을 산출한다. 이 표현을 기반으로, 생성 모델을 선택된 분리된 잠재 부공간에서 조정/「제한」하는 잠재 공간 생성 방법론을 도입한다. 그런 다음 분리된 관측 잠재 변수를 구성적으로 결합하여 학습된 디코더를 통해 새로운 샘플을 조건부로 합성한다. 이를 통해 규정된 공유(또는 센서 고유) 특성을 갖는 일관된 데이터 생성이 가능해진다. 또한 미관측 방식에서 그럴듯한 측정치에 대한 분포를 일관되게 샘플링함으로써 교차 센서 추론을 지원한다. 우리는 여러 계산 예제에서 이 접근법을 시연하여, 이종 센싱 환경에서 효과적인 분리, 목표 지향 데이터 생성 및 방식 대치를 보여준다.
분광 영상(SI)은 유물 내 물질의 비침습적·공간 분해 특성 분석을 가능하게 하므로 문화유산 과학의 핵심이 되었다. 특히 감쇠전반사(ATR) 마이크로 푸리에 변환 적외선 분광법(ATR-μFTIR)은 그림 단면 분석에 널리 사용되며, 각 픽셀에서 스펙트럼을 기록해 초분광 이미지(HSI)를 형성한다. 이러한 데이터 해석은 어렵다. 스펙트럼은 종종 이질적·다층·열화된 시료에서 여러 물질의 혼합이며, 현재 관행은 여전히 참조 라이브러리와의 수동 비교에 크게 의존한다. 이 워크플로는 느리고 주관적이며 확장하기 어렵다. 우리는 ATR-μFTIR HSI의 블라인드 혼합 분리를 위한 비지도 CNN 오토인코더를 제안하며, 패치 기반 모델링으로 국소 공간 구조를 활용하면서 엔드멤버(endmember) 스펙트럼과 그 풍부도(abundance) 맵을 추정한다. 1500개 이상의 밴드에 걸친 대기 및 측정 아티팩트에 대한 민감도를 줄이기 위해, 공간적 평탄성·이웃 일치·스펙트럼 거칠기의 강건한 측도에서 도출한 자동 밴드 신뢰도 가중치를 갖는 가중 스펙트럼 각 거리(WSAD) 손실을 도입한다. 표준 SAD 학습과 비교하면 WSAD는 오염에 취약한 스펙트럼 영역에서 해석 가능성을 향상시킨다. 반 에이크 형제의 겐트 제단화(Ghent Altarpiece)에서 채취한 ATR-μFTIR 단면에 대해 이 방법을 시연한다.