기존의 이미지 위변조 탐지기는 전이 가능한 포렌식 단서를 포착하는 능력이 제한되어 있어, 보지 못한(unseen) 조작 방식에 대한 일반화에 어려움을 겪는 경우가 많습니다. 최근 교차 재구성(cross-reconstruction) 기반 방식들은 의미론적 정보와 아티팩트의 분리(disentanglement)를 통해 일반화 성능을 향상시키고자 하지만, 일반적으로 여러 생성기에 걸친 이종 아티팩트를 정렬하고 재구성 과정에서 아티팩트 표현을 배제하므로 조작 아티팩트의 고유한 다양성과 시각적 단서를 간과할 수 있습니다. 본 연구에서는 교차 재구성을 재조명하고 강건한 이미지 위변조 탐지를 위한 아티팩트 지향 분리 프레임워크를 제안합니다. 우리는 서로 다른 생성 과정에서 발생하는 조작 아티팩트의 본질적 변이인 **아티팩트 다양성(artifact diversity)**이 바람직하지 않은 도메인 변이가 아니라 상호보완적인 포렌식 단서를 포함하고 있다고 주장합니다. 명시적인 아티팩트 정렬을 강제하는 대신, 본 프레임워크는 의미론적으로 정렬된 생성기간(cross-generator) 재구성을 통해 다양한 아티팩트 특성을 보존합니다. 나아가 재구성 과정에 아티팩트 표현을 통합하고 마스크 기반의 주파수 인지 재구성 전략을 도입하여 의미론적 간섭을 줄이면서 조작 관련 잔차를 강조합니다. 이러한 설계를 통해 모델은 다양한 아티팩트로부터 전이 가능한 포렌식 표현을 학습할 수 있습니다. 여러 벤치마크 데이터셋을 대상으로 한 광범위한 실험을 통해 교차 데이터셋 및 교차 생성기 평가 환경 모두에서 성능 향상을 입증합니다. 추가적인 분석과 절제 연구(ablation study)를 통해 아티팩트 다양성 보존과 아티팩트 인지 교차 재구성의 유효성을 검증합니다.
비전 기반 안티-UAV 시스템은 저시정 환경에서도 작동해야 하지만, 대부분의 벤치마크는 맑은 날씨 영상만을 사용하며 기존 강건성 연구는 악천후를 단순 유무 조건으로만 다룹니다. 그 결과, 안개 심각도가 지상-대-공중 UAV 탐지에 미치는 영향은 여전히 잘 알려져 있지 않습니다. 본 연구는 이 작업을 위해 안개 심각도가 제어된 최초의 벤치마크를 제시합니다. Anti-UAV300 데이터셋의 RGB 모달리티에 10단계 심각도의 합성 안개를 적용하고, 맑은 날씨로 학습된 YOLOv5m 기준선(baseline) 모델을 맑은 날씨와 안개 낀 이미지를 모두 학습한 안개 인지(fog-aware) 모델과 비교합니다. 탐지 성능은 급격하고 비선형적으로 하락하며, 약한 안개에서 중간 정도의 안개(beta 약 0.05-0.10) 구간에서 초기에 집중적인 성능 저하가 발생하고, 맑은 날씨 대비 가장 짙은 안개에서 [email omitted]:0.95가 96% 감소하는데, 이는 주로 재현율과 신뢰도 저하에 기인합니다. 비교 가능한 지표([email omitted])에서 이러한 급격한 하락은 가장 가까운 선행 벤치마크에서 보고된 가장 극심한 강우 시의 성능 저하를 초과합니다. 안개 인지 학습은 맑은 날씨 정확도가 단 9.1%만 감소하면서도 모든 심각도 구간에서 탐지 성능을 향상시키며(최대 +0.320 [email omitted]:0.95), 극심한 안개 속에서의 붕괴를 완전히 막지는 못하지만 신뢰할 수 있는 탐지의 임계값을 높여줍니다. 신뢰성이 좁은 가시거리 범위 내에서 상실되므로, 단순한 맑은 날씨 대 악천후 비교 테스트는 실제 운용 위험을 과소평가하게 됩니다.
객체 검출(object detection) 모델은 예를 들어 날씨 유형, 운용 환경(environment), 객체 외형의 변화 등으로 인해 발생하는 분포 변화(distribution shift) 하에 배포될 때 종종 성능 저하를 겪습니다. 도메인 일반화(Domain Generalization, DG)는 이러한 변화 속에서도 강건함을 유지하고 보지 못한 도메인(unseen domain)으로 잘 일반화되는 모델을 개발하는 것을 목표로 합니다. 객체 검출 모델은 위치 추정(localization) 및 다중 스케일 표현과 관련된 추가적인 문제에 직면함에도 불구하고, 객체 검출 모델에 구체적으로 초점을 맞춘 DG 연구는 부족한 상황입니다. 합성 데이터는 다양하고 새로운 대규모 샘플 생성을 가능하게 함으로써 DG를 지원하는 유망한 도구입니다. 본 논문에서는 객체 검출 중심의 DG 리뷰를 제시하고 상호 보완적인 세 가지 관점에서 합성 데이터의 역할을 살펴봅니다. 첫째, 합성 데이터는 분포 변화에 대한 강건성을 향상시키는 것을 목표로 하는 다양화 및 정렬(alignment) 전략을 통해 DG의 조력자(enabler) 역할을 합니다. 둘째, 실패 모드를 식별하고 이해하기 위한 제어된 실험을 가능하게 하는 탐침(probe) 역할을 합니다. 셋째, 합성 이미지로 학습된 모델을 실제 데이터에 배포할 때 발생하는 특히 까다로운 형태의 도메인 변화인 합성-실제 간 격차(synthetic-to-real gap)에 대해 논의합니다. 이러한 관점들을 검토함으로써 객체 검출을 위한 기존 DG 접근법의 한계를 식별하고, 향후 연구에는 도메인 변화 하에서 위치 추정과 분류(classification)를 모두 명시적으로 다루는 표현 인식(representation-aware) 방법이 필요함을 주장합니다.
외형 기반 시선 추정(Appearance-based Gaze Estimation, AGE)은 제한된 환경에서 뛰어난 성능을 달성했으나, 기존 AGE 모델들이 실제 비제한적 시나리오, 특히 얼굴 착용물이나 열악한 조명 조건을 수반하는 환경에서 종종 실패하는 중대한 일반화 격차(generalization gap)가 존재함을 밝힌다. 우리는 이러한 실패 원인을 두 가지 핵심 요인, 즉 제한된 이미지 다양성과 특히 피치(pitch) 축을 중심으로 서로 다른 데이터셋 간에 나타나는 일관되지 않은 레이블 충실도 때문으로 본다. 이를 해결하기 위해, 추가적인 사람 어노테이션 데이터 없이도 일반화 성능을 향상시키는 강건한 AGE 프레임워크를 제안한다. 첫째, 안경, 마스크 및 다양한 조명 합성을 포함한 증강 기법 앙상블을 통해 이미지 다양체(image manifold)를 확장한다. 둘째, 데이터셋 간 비등방성 레이블 편차의 영향을 완화하기 위해 시선 회귀를 다중 작업 학습 문제로 재구성하고, 다중 뷰 지도 대조 학습(SupCon), 이산화된 레이블 분류, 눈 영역 세그멘테이션을 보조 목표로 통합한다. 제안하는 접근 방식을 엄격하게 검증하기 위해 기존 평가 프로토콜에서 크게 간과되었던 까다로운 조건에서의 시선 강건성을 평가하도록 설계된 새로운 벤치마크 데이터셋을 구축한다. MobileNet 기반의 경량 모델은 최고 성능(SOTA) 모델인 UniGaze-H의 파라미터 수 대비 1% 미만을 사용하면서도 이에 필적하는 일반화 성능을 달성하여, 모바일 기기에서의 고충실도 실시간 시선 추적을 가능하게 한다.
딥페이크 탐지 방법의 효과는 핵심 설계보다 데이터 전처리, 증강 전략, 최적화 기법과 같은 구현 세부사항에 더 크게 좌우되는 경우가 많다. 이러한 요인들 때문에 탐지기들을 공정하게 비교하고, 성능에 실제로 기여하는 요인이 무엇인지 파악하기가 어렵다. 이를 해결하기 위해, 우리는 서로 다른 설계 선택이 딥페이크 탐지 모델의 정확도와 일반화 능력에 어떤 영향을 미치는지 체계적으로 조사하며, 학습(training), 추론(inference), 점진적 업데이트와 관련된 측면에 초점을 둔다. 개별 요인의 영향을 분리함으로써, 향후 딥페이크 탐지 시스템의 설계와 개발을 위한 견고하고 아키텍처에 독립적인 모범 사례를 확립하고자 한다. 실험 결과, 딥페이크 탐지를 일관되게 향상시키고 AI-GenBench 벤치마크에서 최신(state-of-the-art) 성능을 가능하게 하는 일련의 설계 선택을 확인하였다.
노이즈, 블러링, 색상 이동과 같은 다양한 유형의 이미지 손상에 대한 불변성은 컴퓨터 비전(CV)에서 강건한 모델을 구축하는 데 필수적이다. 데이터 증강은 일반적인 손상에 대한 강건성을 향상시키는 주요 접근법이었다. 그러나 널리 사용되는 증강 전략이 생성하는 샘플은 기저 데이터 매니폴드에서 크게 벗어난다. 그 결과, 성능이 특정 유형의 손상에 편향된다. 이 문제를 해결하기 위해, 우리는 다양한 매니폴드 상 샘플을 생성하기 위한 다중 소스 인근 전이 증강(VITA) 방법을 제안한다. 제안하는 VITA는 접선 전이(tangent transfer)와 다중 소스 인근 샘플의 통합이라는 두 가지 상호 보완적인 부분으로 구성된다. 접선 전이는 손상 강건성 향상을 위한 초기 증강 샘플을 생성한다. 통합 단계는 인근 샘플이 구축한 기저 매니폴드를 특성화하기 위해 생성 모델을 사용하여, 매니폴드 상 샘플 생성을 용이하게 한다. 제안하는 VITA는 손상 벤치마크에 대한 광범위한 실험에서 입증된 바와 같이, 현재의 최신 증강 방법들을 크게 능가한다. 코드: https://github.com/MinghuiChen43/VITA.
스코어 기반 확산 모델(score-based diffusion models)은 기저 데이터 분포가 학습(training) 분포와 다를 수 있는 환경에서 점차 많이 고려되고 있으나, 기존의 이론적 보장은 주로 분포 변화가 없는 환경에 초점을 맞추고 있습니다. 본 연구에서는 기준 분포의 바서슈타인 섭동(Wasserstein perturbations) 하에서 강건한 스코어 추정을 연구합니다. 오룬슈타인-울렌벡(Ornstein-Uhlenbeck) 확산에 대해, 강건한 추정이 두 가지 핵심 요소, 즉 기준 분포를 학습하는 데 따르는 통계적 비용과 분포 변화 자체의 본질적 비용으로 분해됨을 보입니다. 후자는 바서슈타인 반경에 대해 2차(quadratically)로 스케일링되며, 이러한 의존성은 미니맥스 최적(minimax optimal)입니다. 우리는 변화 반경을 알지 못하더라도 도출된 강건한 미니맥스 속도를 달성하는 명시적인 유한 표본 추정기를 구성합니다. 기준 분포가 미지의 저차원 부분공간에 놓여 있을 때, 통계적 항은 본질적 차원에 적응하는 반면 변화 비용은 변하지 않은 채 유지됩니다. 마지막으로, 우리는 동일한 분해가 양의 시간 역방향 샘플링(positive-time reverse sampling)에도 적용됨을 보이고 KL 발산에서 일치하는 미니맥스 보장을 도출합니다. 종합적으로, 이러한 결과들은 유한한 데이터, 본질적 차원, 그리고 분포 변화가 스코어 기반 확산 모델의 강건성에 미치는 영향을 규명합니다.
NADI 2026은 Nuanced Arabic Dialect Identification(NADI) 공유 과제 시리즈의 일곱 번째 개최이며, 다중 방언 아랍어 음성 처리에 초점을 맞춘 두 번째 회차이다. 이번 회차는 자동 음성 인식(ASR), 구어 방언 식별(SDID), 텍스트 음성 변환(TTS), 구어 언어 번역(SLT), 구어 언어 이해(SLU)에 걸친 다섯 가지 과제와 여덟 개의 하위 과제로 구성된다. NADI 2026은 저대역폭, 혼합 방언, 코드 스위칭, 도메인 외(out-of-domain), 제로샷(zero-shot) 설정을 통한 현실적인 평가를 강조하며, 시리즈에 TTS, SLT, SLU를 처음으로 도입한다. 공유 과제에는 최소 13개국에서 온 21개 참가 팀이 참여했고, 테스트 단계 제출 48건과 시스템 설명 논문 14편이 제출되었다. 결과는 도메인 외 일반화가 여전히 주요 병목임을 보여 주며, 최근 아랍어 특화 음성 모델, 멀티모달 방언 식별 접근, 앙상블 방법의 효과를 부각한다. 전반적으로 NADI 2026은 견고한 아랍어 방언 음성 처리를 위한 더 넓고 도전적인 벤치마크를 제공한다.
서론: 직업 재해 서사는 작업 상황, 불리한 조건, 사고 사건 및 결과를 기술하지만, 용어와 보고 관행의 차이가 부문 및 조직 간 체계적 분석을 저해한다. 본 연구는 한 직업 부문에서 개발된 모델이 보지 못한 부문 및 보고 환경에서 동일한 사고 과정 정보를 식별할 수 있는지 검토하였다. 방법: 프랑스어 재해 서사를 사실 단위로 분절하고, 작업 상황, 명시적으로 보고된 불리한 조건, 사고 사건 또는 이탈, 또는 보고된 결과로 전문가 주석을 부여하였다. 모델은 6,040건의 건설 부문 서사에서 추출한 42,244개 사실 단위로 개발하였으며, 재학습 없이 야금, 화학-플라스틱, 그리고 독립적으로 수집한 기업 코퍼스에서 평가하였다. TF-IDF 기반 어휘 모델, 고정된 사전학습(pre-training) 텍스트 표현, 과제 적응(task-adapted) 사전학습 모델을 비교하였다. 결과: TF-IDF의 평균 균형 정확도(balanced accuracy)는 75.0%, 고정 사전학습 표현은 76.9%, 과제 적응 후 약 85.7%였다. 반복 실행에서 선도적인 적응 접근법은 전반적으로 유사한 성능을 보였으며, 어떤 방법도 다른 방법을 지속적으로 능가하지는 않았다. 기업 코퍼스에서는 성능이 더 낮고 변동성이 컸으며, 여기서 전이는 서로 다른 보고 환경과 데이터 원천을 수반하기도 하였다. 결론: 건설 서사에서 학습한 사고 과정 역할은 다른 부문 및 독립적인 조직 환경에서도 식별 가능했다. 실용적 응용: 해당 프레임워크는 보조 코딩, 전문가 검토, 부문 간 분석, 대규모 재해 보고 수집물에 대한 예방 지향 분석을 지원할 수 있다.
다품종 환경에서의 로봇 조립에는 다양한 부품을 다룰 수 있는 적응형 시스템이 필요하지만, 현재의 접근법은 일반적으로 각 삽입 작업에 특화된 정책(policy)에 의존한다. 이러한 방식은 높은 성공률에 도달할 수 있으나, 새로운 문제에 시스템을 배포하는 과정이 번거롭고 시간이 많이 소요된다. 본 논문에서는 로봇의 고유수용성(proprioceptive) 정보와 손목에 장착된 카메라로 촬영한 원시 시각 관측을 결합하는 월드 모델(world model)을 활용한 일반화 가능한 삽입 프레임워크를 제안한다. 우리의 모델 기반(model-based) 접근법은 기하학적으로 다양한 부품으로 구성된 최대 90개의 삽입 작업에 대해 단일 월드 모델을 학습하며, 기하 형상을 알 수 없는 미학습 물체에 대해 제로샷 성공률 56%를 달성한다. 이는 모델-프리(model-free) 기준선의 7%와 비교되는 수치이다. 중요하게도, 학습 데이터셋에 포함되는 물체가 늘어날수록 성능이 향상되어 강력한 확장성을 보여준다. 마지막으로, 제외해 둔(held-out) 물체에 대해 범용(generalist) 모델을 파인튜닝하면 처음부터 학습하는 경우에 비해 데이터 효율성이 크게 향상되며, 경우에 따라서는 더 나은 점근적 성능을 달성한다. 우리가 아는 한, 이는 미학습 물체를 완전히 데이터 기반 방식으로 조립할 수 있는 최초의 시스템이며, 따라서 확장 가능하고 일반화 가능한 로봇 조립 시스템을 향한 중요한 진전을 의미한다.
고대림은 인위적 교란이 거의 없는 상태에서 수세기에 걸쳐 형성되어 구조적으로 복잡하고 생물다양성이 높은 임분을 이룬다. 유럽에서는 이를 보호하려면 개별 임분 단위로 정확하면서도 대륙 전역에 배포 가능한 지도화가 필요하다. 지리공간 파운데이션 모델(GFM) 임베딩은 라벨이 부족한 토지 분류를 가능하게 하지만, 고대림 탐지에 대한 그 가치는 아직 알려져 있지 않다. 본 연구에서는 알프스 생물지리구(Alpine Biogeographic Region)에 전형적인 너도밤나무-가문비나무 경관인 루마니아 남부 카르파티아 211,893 ha에 걸쳐 고대림을 지도화한다. 고대림 및 비고대림 임분에 대한 고신뢰·전문가 기반 참조 라벨을 구축한다. 지형 및 인간 접근 예측변수로 구성된 공통 기준선에 AlphaEarth, TESSERA v2, Sentinel-1/2 특징을 추가한 뒤, 잔여 공간 자기상관을 줄이기 위해 10 km 학습-검증 버퍼 유·무에 따른 공간 블록 검증 하에서 이를 비교한다. 버퍼를 적용하면 GFM 및 Sentinel-1/2 예측변수가 기준선 대비 정밀도-재현율 AUC를 0.21–0.25 [95% CI: 0.15–0.34]만큼 높여, 스펙트럼 데이터에 공간적으로 견고한 고대림 신호가 포함됨을 시사한다. PR-AUC 0.84 [0.79–0.88]에서 TESSERA는 버퍼 없는 공간 검증 하에서 Sentinel-1/2(+0.08 [+0.05–+0.11]) 및 AlphaEarth(+0.08 [+0.04–+0.12])보다 우수하다. 그러나 10 km 버퍼에서는 이 우위가 각각 +0.04 [-0.01–+0.11] 및 +0.03 [-0.04–+0.10]로 줄어들어, 차이가 없음과 일치하는 구간이 된다. 10 m 해상도에서는 합성곱 신경망(CNN)이 픽셀 기반 XGBoost보다 이점을 주지 않는다. 국가·대륙 규모 제품 4종과의 비교는 비고대림 라벨의 중요성을 보여 주며, 현장 보정 지도와 본 연구 예측 간 81% 일치를 드러낸다. 고대림 탐지 모델을 보지 못한 경관으로 전이할 때 버퍼 공간 검증이 필수적임을 결론짓고, 후속 연구를 위해 라벨과 예측을 공개한다.
머신러닝 기반 전력 시스템 보호에 관한 연구들은 과업 정의, 측정값 접근성, 데이터 분할, 평가 지표 및 일반화 조건이 서로 다른 경우가 많아 직접 비교하기 어렵습니다. EvEMTBench는 모델 설계는 자유롭게 유지하면서 이러한 평가 기준들을 고정한 공개적이고 실행 가능하며 버전 관리가 지원되는 벤치마크(benchmark)를 통해 이러한 간극을 해소합니다. 20~345 kV 범위에 걸친 4개 전력망을 대상으로, 24개의 점수 산정 과업으로 구체화된 12개의 보호 및 이벤트 분석 기능을 정의하며, 관측 가능성 조건, 사전 정의된 분포 변화(distribution shift), 제로샷(zero-shot) 및 파인튜닝(fine-tuning) 기반의 전력망 간 전이(cross-grid transfer) 전반에 걸친 구조화된 평가를 지원합니다. 확정된 데이터 분할, 데이터 누출(leakage) 제어, 재현 가능한 보고 체계는 향후 방법론들을 비교하기 위한 공통의 기준을 제공합니다. 기초적 베이스라인, 전통적 방식, 특징(feature) 기반 방식, 딥러닝 베이스라인을 아우르는 기준 평가 결과는 관측 가능성이 넓어진다고 해서 항상 유리한 것은 아니며, 분포가 변화된 조건에서는 내부 분포(in-distribution)에서 드러나지 않던 오류가 나타날 수 있고, 전력망 간 전이 성능은 고장 위치 추정보다 고장 감지에서 실질적으로 훨씬 더 강건하다는 점을 보여줍니다. 또한 보호 시스템 관점의 진단을 통해 주요 평가 지표만으로는 드러나지 않는 실패 모드를 식별합니다. 따라서 EvEMTBench는 머신러닝 기반 보호 분야의 일반화를 명시적이고 재현 가능한 평가 문제로 정립합니다.
학습 데이터에 드물고 큰 분포 변화가 포함된 경우 새로운 환경에서의 예측을 연구한다. 앵커 회귀(anchor regression)는 환경별 제곱 평균 잔차의 평균에 페널티를 부과하며, 학습 변화의 2차 모멘트로 정해지는 타원체 내 변화에 대비한다. 희귀 변화까지 포괄하려면 큰 페널티가 필요할 수 있어 타원체가 모든 방향으로 커지고, 흔한 환경에서의 정확도가 떨어질 수 있다. 우리는 제곱 평균 잔차의 평균을 꼬리 평균(tail average)으로 바꾼 CVaR 앵커 회귀를 제안한다. 예측 위험에 CVaR이나 GroupDRO를 직접 적용하는 경우와 달리, 노이즈 수준이 높다는 이유만으로 특정 환경에 더 큰 가중치를 주지 않는다. 이질분산(heteroscedastic) 노이즈를 허용하는 선형 구조 모델에서 정확한 최악 경우 위험 보장을 증명한다. 이산 환경에서는 CVaR 꼬리 비율(tail fraction)을 줄일수록 견고성 집합이 타원체에서 학습 변화와 그 음의 스케일된 볼록 껍질(convex hull)로 넓어지며, 별도 매개변수가 그 스케일을 조절한다. 예시를 통해 흔한 환경의 정확도는 유지하면서 희귀 변화에 대한 보호를 개선할 수 있음을 보인다. 뉴욕시 택시 데이터로 방법을 시연한다.
고밀도 표면 근전도(HD-sEMG) 제스처 인식은 의수 제어, 보조 로봇, 재활을 지원하지만, 전극 재착용과 생리적 변동성이 분포 이동(distribution shift)을 일으켜 세션 및 피험자 간 정확도를 저하시킨다. 생성형 HD-sEMG 모델은 주로 증강을 위해 신호를 합성하며, 확산(diffusion) 모델이 표현 학습(representation learning)을 향상시키더라도 예측은 여전히 별도의 분류기에 의존한다. 학습된 역학을 결정 규칙에 연결하기 위해, 세션 및 피험자 간 HD-sEMG 인식을 위한 최초의 판별적 flow-matching 프레임워크인 MyoFlow를 제안한다. 분류(classification)를 앵커 결합 수송(anchor-tied transport)으로 재구성한다. 도메인 조건 정류 흐름(rectified flow)이 인코딩된 윈도우를 수송 목표이자 최근접 앵커 결정 기하를 정의하는 제스처 앵커 쪽으로 이동시켜, 독립적인 헤드(head) 없이 제로샷(zero-shot) 인식을 가능하게 한다. Hyser 데이터셋(dataset)에서 MyoFlow는 가장 강력한 확산 기반 기준선(baseline) 대비 평균 교차 세션 및 교차 피험자 정확도를 각각 4.24% 및 6.37% 향상시키며, CEMHSEY 데이터셋에서 여러 날에 걸친 평균 제로샷 정확도 91.71%와 평균 퓨샷(few-shot) 정확도 97.39%를 달성한다.
산업용 월드 모델은 동역학, 센싱 인터페이스, 명령 규약이 서로 다른 기계 사이를 옮겨 다녀야 한다. 본 연구는 미래 샘플을 재구성하는 대신 공정의 미래 표현을 예측하도록 학습된 명령 조건부 잠재 월드 모델이 한 번도 보지 못한 기계에서도 가치를 유지하는지를 묻는다. 소스 CNC 기계는 17개 센서 채널을 제공하고, 타깃은 그중 10개를 공유한다. 모든 모델 선택은 소스 데이터만 사용하며, 확정된 구성은 타깃에서 한 번만 평가한다. 두 가지 결과가 뒤따른다. 첫째, 잠재 예측 사전학습은 처음부터 맞춘 학습과 동등한 설정에서 도메인 내 예측 향상을 가져오지 않으므로, 소스 정확도만으로는 그러한 표현의 가치를 알 수 없다. 둘째, 전이된 모델은 보지 못한 기계에서 지속(persistence) 예측을 이기지만(타깃 평균 대비 $R^2\approx0.01$) 각 입력 윈도우를 자체 통계로 정규화하는 공식 예측기에는 뒤처진다. 실행 전에 선언된 잠금 후 ablation은 이 입력 정규화만으로 격차를 메운다는 것을 보여 주며, 격차를 메우는 데는 예측 보정(calibration) 비용이 든다. 따라서 부분적 센서 중첩 하의 기계 간 전이는 명령 조건부 월드 모델을 위한 별도의 평가 축이다.
기존 촉각 텍스처 데이터셋은 특정 센서의 측정값 중심이라 센서 간 공정한 비교와 재현성이 제한되는 문제를, 사인파·�ourier 기반 수식으로 정의한 6종 3D 프린팅 텍스처 벤치마크로 해결한다. TacTip 센서로 여러 3D 프린터·필라멘트 조합의 재현성을 평가한 결과, 인쇄 품질이 촉각 분산에 큰 영향을 미치며 고급 프린터는 더 일관된 시그니처를 보였고, 고품질 출력은 프린터 내 일반화는 강하지만 기하학적 불일치로 프린터 간 일반화는 어렵다는 점을 보여준다.
병리 파운데이션 모델(PFM)은 조직병리 이미지로부터의 강력한 표현 학습을 통해 컴퓨터 병리학(computational pathology) 분야를 혁신해 왔습니다. PFM은 전체 슬라이드 이미지(WSI) 분석을 위한 풍부하고 판별력 있는 표현을 제공하여, 다중 인스턴스 학습(MIL) 기반의 슬라이드 수준 분류와 같은 작업을 가능하게 합니다. 그러나 이러한 표현은 데이터 획득 센터와 관련된 비생물학적 신호까지 함께 인코딩할 수 있어, 다운스트림 예측에 잘못된 지름길(spurious shortcuts)을 유발할 잠재적 위험이 있습니다. 본 연구에서는 크라메르 V(Cramér's V)로 정량화된 클래스-센터 간 상관관계를 점진적으로 증가시키는 통제된 학습 환경을 사용하여 WSI 분류에서의 센터 관련 강건성을 평가합니다. 4개 데이터셋과 2개의 MIL 애그리게이터에 걸쳐 6개의 PFM을 벤치마크하는 동시에, 강건화 전략으로서 ComBat을 평가합니다. 나아가 크라메르 V 곡선하면적(AUCC)을 도입하여, 절대적인 분류 성능과 허위 상관관계(spurious correlation) 증가에 따른 성능 저하를 함께 포착합니다. 실험 결과, PFM에 의해 인코딩된 센터 관련 정보가 WSI 수준의 예측으로 전파되며, 강건성은 PFM 표현과 MIL 집계 전략 모두에 의존하는 것으로 나타났습니다. 또한 ComBat 조화(harmonization) 기법은 데이터셋 전반에 걸쳐 일관된 강건성 향상을 제공하지 못했습니다.
강력한 벤치마크 성능에도 불구하고 심층 비전 시스템은 손상(corruption), 가림(occlusion), 분포 이동(distribution shift)에 여전히 취약하다. 기존 신뢰성 방법은 일반적으로 개별 시간 단계에서 불확실성을 평가하며, 시스템이 실패로 진행하는 과정을 명시적으로 모델링하지 않는다. 우리는 Visual Tripwires를 제안한다. 이는 모델 동작의 시간적 불안정성을 이용해 임박한 실패를 예측하는 예측적 신뢰성 프레임워크이다. 우리의 핵심 가설은 예측적 성능 저하가 잠재 표현(latent representation), 예측 궤적, 어텐션 구조의 측정 가능한 변화를 통해 점진적으로 나타난다는 것이다. Visual Tripwires는 표현 드리프트(representation drift), 예측 진동(prediction oscillation), 궤적 곡률(trajectory curvature), 어텐션 엔트로피(attention entropy)로 이러한 변화를 포착한다. 경량 tripwire 예측기는 시간 윈도우에 걸쳐 이 신호들을 집계하여 미래 예측 지평(prediction horizon) 내 실패 확률을 추정한다. 여러 데이터셋, 아키텍처, 점진적 교란(progressive perturbation) 설정에 걸친 실험은 제안된 불안정성 신호가 예측적 성능 저하 이전에 나타나며, 기존 불확실성 추정 방법보다 더 이르고 더 정확한 실패 경고를 제공함을 보여준다. 이러한 결과는 시간적 불안정성이 향후 모델 신뢰성에 관한 유용한 정보를 담고 있으며, 심층 비vision 시스템에서 조기 경보를 위한 실용적 기반을 제공함을 보여준다.
자동 수면 단계 분류를 위한 기존 심층 학습 방법은 이질적인 기록 조건에서 견고성이 제한되는데, 비정상성 노이즈, 피험자 간 차이, 데이터셋 간 분포 이동이 불안정한 특징과 낮은 일반화를 유발한다. 본 연구는 견고한 수면 단계 분류를 위한 이중 영역 확산 안정화 네트워크인 DualStabSleepNet(DSSNet)을 제안하며, 데이터 영역과 특징 영역 모두에서 견고성을 향상시킨다. 다채널 다원수면기록(PSG) 전처리 후, 연속 스케일 확산 기반 안정화 모듈이 생리학적 신호 구조를 보존하면서 노이즈를 억제한다. 안정화된 신호는 시간-주파수 표현으로 변환되어 Vision Transformer 백본에 입력된다. 교사-학생 유도 확산 특징 안정화 모듈이 특징 drift를 추가로 완화하고 다수준 특징 일관성을 강제한다. 공개 PSG 데이터셋 SleepEDF-20, SleepEDF-78, SHHS, ISRUC-S3 네 곳에서 평가한 결과, DSSNet은 각각 89.2%, 88.0%, 89.7%, 86.7%의 최첨단 정확도를 달성했으며 macro-F1과 Cohen's kappa도 개선되었다. 어려운 전이 단계(예: SHHS에서 N1에 대해 12.5%p 향상)에서 눈에 띄는 개선을 보였고 N2/REM 인식도 향상시켰다. 데이터셋 간 설정에서는 DSSNet이 분포 이동에 견고하며, 대상 데이터셋에서 학습한 baseline과 동등하거나 더 우수한 성능을 보여, 이질적인 코호트 전반의 실제 수면 단계 분류에 대한 실용적 잠재력을 입증한다.
방사선 인공지능은 빠르게 발전했으나, 대부분의 시스템은 여전히 좁은 범위의 과제에 특화되어 있고 데이터 집약적이며 도메인 이동(domain shift) 환경에서 취약하다. 파운데이션 모델은 더 전이 가능하고 데이터 효율적인 해결책을 약속하지만, 기존 접근은 규모가 제한적이고 평가 범위가 좁으며, 종종 단일 사전학습 모델이 다양한 다운스트림 과제를 지원할 수 있다고 가정한다. 본 연구에서는 상보적인 합성곱 및 트랜스포머 기반 3D 방사선학 파운데이션 모델 nnFoundation을 제시한다. Human Radiome Project(THRP) 내에서 개발된 nnFoundation은 125개의 기관 및 공개 데이터셋으로부터 2.1백만 건의 CT, MRI, PET 영상 볼륨으로 학습되었다. 세그멘테이션, 검출, 분류, 리포트 생성, 이미지 검색에 이르는 108개 과제에서 이를 평가했으며, 도메인 이동 하에서의 평가, 외부 파트너에 의한 평가, 저데이터 및 저연산 환경에서의 평가를 포함한다. 모든 과제 유형에서 합성곱 및 트랜스포머 기반 nnFoundation 모델은 기존 3D 파운데이션 모델과 처음부터 학습하는 방법 모두를 일관되게 능가하여 방사선 영상 분야 최신(state-of-the-art) 성능을 확립했다. 다만 성능은 일관된 과제 의존적 구조를 따른다. 합성곱 nnFoundation 모델은 공간적으로 국한된 과제에서 우세하고, 트랜스포머 기반 nnFoundation 모델은 전역적 의미 추론이 필요한 과제와 고정 특징(frozen-feature) 설정에서 뛰어나다. 사후적으로 파운데이션 모델 토폴로지를 데이터셋 특성에 동적으로 정렬하면 이질적인 3D 환경에서의 전이를 더욱 개선한다. 이러한 결과는 전이 가능한 3D 방사선학 성능이 단일 범용 모델이 아니라 확장 가능한 사전학습, 상보적 아키텍처, 데이터셋 인지 적응의 상호작용에 의해 좌우됨을 보여준다. nnU-Net 및 nnDetection에 통합된 nnFoundation 모델을 공개하여 기존 방사선학 워크플로에 즉시 적용할 수 있게 한다.