arXiv:1905.03554

1D Convolutional Neural Networks and Applications: A Survey

Serkan Kiranyaz, Onur Avci, Osama Abdeljaber, Turker Ince, Moncef Gabbouj, Daniel J. Inman

제출 2019-05-09

원문 초록

During the last decade, Convolutional Neural Networks (CNNs) have become the de facto standard for various Computer Vision and Machine Learning operations. CNNs are feed-forward Artificial Neural Networks (ANNs) with alternating convolutional and subsampling layers. Deep 2D CNNs with many hidden layers and millions of parameters have the ability to learn complex objects and patterns providing that they can be trained on a massive size visual database with ground-truth labels. With a proper training, this unique ability makes them the primary tool for various engineering applications for 2D signals such as images and video frames. Yet, this may not be a viable option in numerous applications over 1D signals especially when the training data is scarce or application-specific. To address this issue, 1D CNNs have recently been proposed and immediately achieved the state-of-the-art performance levels in several applications such as personalized biomedical data classification and early diagnosis, structural health monitoring, anomaly detection and identification in power electronics and motor-fault detection. Another major advantage is that a real-time and low-cost hardware implementation is feasible due to the simple and compact configuration of 1D CNNs that perform only 1D convolutions (scalar multiplications and additions). This paper presents a comprehensive review of the general architecture and principals of 1D CNNs along with their major engineering applications, especially focused on the recent progress in this field. Their state-of-the-art performance is highlighted concluding with their unique properties. The benchmark datasets and the principal 1D CNN software used in those applications are also publically shared in a dedicated website.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.01872v1cs.CR공통 태그 Anomaly Detection, Survey

네트워크 침입 탐지부터 블록체인 기반 엔드포인트 탐지 및 대응까지: 탈중앙화 탐지 및 대응 아키텍처의 현황 분석

From Network Intrusion Detection to Blockchain-Backed Endpoint Detection and Response: Mapping the Landscape of Decentralized Detection-and-Response Architectures

사물인터넷(IoT) 및 산업용 사물인터넷(IIoT) 네트워크를 위한 블록체인 지원 침입 탐지 및 방지 시스템(IDS/IPS)에 관한 연구는 성숙 단계에 접어들었으나, 기존의 체계적 문헌고찰(systematic review)들은 두 가지 결정적인 한계를 지닙니다. 즉, 현대적인 엔드포인트 탐지 및 대응(EDR)과 확장 탐지 및 대응(XDR) 아키텍처로의 구조적 전환을 간과하고 있으며, 블록체인의 고유한 기능적 역할들을 단일한 하나의 범주로 혼동하고 있다는 점입니다. 본 지식 체계화(SoK) 연구는 탐지 시스템 클래스(NIDS, HIDS, EDR/XDR), 블록체인의 기능적 역할, 대응 자동화 성숙도를 기준으로 제안들을 분류하는 3축 분류 체계(taxonomy)를 제안하여 이러한 공백을 해소합니다. 2019년부터 2026년 사이에 저명 학술지에 발표된 연구를 종합하여, 지연 시간, 배포, 커뮤니티 간의 불일치로 인해 엔드포인트별 진정한 블록체인 연계 대응 루프가 거의 존재하지 않는 이유를 밝히는 엄밀한 갭 분석(gap analysis)을 제공합니다. 나아가 제한된 기기에서의 합의 지연 시간, 양자 내성 암호화 취약성, 스마트 계약 공격 표면, 그리고 진화하는 대규모 언어 모델(LLM) 기반 탐지 엔진의 적대적 취약성을 포함하여 문헌 전반에 지속되는 구조적이고 교차적인 도전 과제들을 평가합니다. 마지막으로, 탈중앙화된 신뢰와 신속한 대응 자동화 사이의 격차를 해소하기 위해 온체인/오프체인 하이브리드 오케스트레이션을 중심으로 한 포괄적인 연구 로드맵을 제시합니다.

arXiv:2609.28149v1eess.SY공통 태그 Anomaly Detection, Fault Detection

EvEMTBench: 전력 시스템 보호를 위한 머신러닝 오픈 벤치마크

EvEMTBench: An Open Benchmark for Machine Learning in Power System Protection

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.

arXiv:2607.22987v1cs.LG공통 태그 Anomaly Detection, Fault Detection

적대적 역강화학습을 통한 레이블 없는 산업 고장 탐지: 고장까지 운전 예후 진단 시스템

Label-free Industrial Fault Detection via Adversarial Inverse Reinforcement Learning: A System for Run-to-Failure Prognostics

기계 고장 탐지(MFD)는 여전히 지도학습에 크게 의존하며, 실제 환경에서는 고장 레이블이 부족해 어려움을 겪는다. 강화학습(RL)은 열화의 순차적 특성을 모델링할 수 있는 프레임워크를 제공하지만, 현재의 ``RL 기반'' MFD 방법들은 문제를 정적 문맥적 밴딧(CB) 공식화로 축소한다. 상태 전이를 무시하고 시간적 할인 인자를 버림으로써, 이들은 표준 지도 분류로 퇴화한다. 우리는 MFD를 오프라인 역강화학습(IRL) 문제로 다루는 적대적 역강화학습(AIRL) 프레임워크를 제안한다. 정적 오차 여백에 의존하는 재구성 기반 접근법이나 역학을 무시하는 CB와 달리, 우리 방법은 관측 상태 전이로부터 본질적인 "건강" 보상을 직접 복원하며, 수동 보상 설계나 고장 레이블이 모두 필요하지 않다. 세 가지 고장까지 운전(run-to-failure) 벤치마크(HUMS2023, IMS, XJTU-SY)에서 AIRL은 모든 데이터셋에서 포화되지 않은 탐지 후 일관성을 달성한 유일한 방법이며, CB 베이스라인은 점진적 열화를 탐지하지 못하고 재구성 모델은 항상 이상 상태로 붕괴한다. 코드 및 데이터: https://github.com/dhirajneupane/AIRL-MFD-DN.

arXiv:2607.21904v1cs.CV공통 태그 Anomaly Detection, Survey

의료 영상 인페인팅에서의 확산 모델: 과제, 해결책 분류체계 및 향후 방향

Diffusion Models in Medical Image Inpainting: Challenges, Solution Taxonomy, and Future Directions

이미지 인페인팅은 가능한 한 시각적·의미적 일관성을 유지하면서 이미지의 누락되거나 손상된 영역을 복원하는 것을 목표로 한다. 의료 영상에서는 아티팩트, 정보 누락, 병리학적 변화가 진단 신뢰도와 하류 임상 응용을 저해할 수 있기 때문에 이 과제가 특히 중요하다. 최근 확산 모델(diffusion models)은 해부학적으로 일관된 복원을 생성할 수 있다는 점 때문에 의료 영상 인페인팅을 위한 최첨단 생성 접근법으로 부상했다. 본 서베이는 60편의 연구에 보고된 주요 아키텍처, 응용, 데이터셋, 평가 전략을 다루며 의료 영상 인페인팅을 위한 확산 기반 방법에 대한 체계적 검토를 제시한다. 또한 확산 기반 접근법에 대한 분류체계를 제안한다. 분석 결과, 확산 기반 의료 영상 인페인팅에 대한 연구 관심이 급격히 증가하고 있으며, 노이즈 제거 확산 확률 모델(denoising diffusion probabilistic models, DDPM)과 잠재 확산 모델(latent diffusion models, LDM)이 지배적인 아키텍처로 부상하고 있음을 보여준다. 검토된 연구들은 주로 아티팩트 제거, 데이터 증강, pseudo-healthy 조직 복원, 이상 탐지에 초점을 맞추며, 특히 자기공명영상(MRI)과 컴퓨터 단층촬영(CT) 영상에서 다루어진다. 전반적으로 확산 모델은 해부학적으로 그럴듯한 복원을 생성하고 하류 임상 과제를 지원하는 데 강력한 성능을 보여준다. 그러나 본 검토는 표준화된 벤치마크 부재, 제한된 데이터셋 다양성, 다양한 임상 응용 및 영상 시나리오 전반에 걸친 제한적인 검증 절차 등 중요한 과제도 강조한다.

arXiv:2607.13123v1cs.CR공통 태그 Anomaly Detection, Survey

사이버심리학에서의 AI: 피해자·공격자·방어자의 심리 분석을 통한 AI 기반 사이버보안 강화에 대한 체계적 문헌 고찰

AI in Cyberpsychology: A systematic literature review of Cybersecurity enhancement by using AI for analyzing psychology of Victims, Attackers, and Defenders

사이버보안은 시스템, 네트워크, 데이터를 디지털 공격으로부터 보호하는 실천이다. 사이버심리학(CPSY)은 사이버보안 응용을 강화하기 위해 심리학을 활용하는 것으로 정의된다. 2010년대 초부터 인공지능(AI)의 발전은 CPSY와 점점 더 통합되어, 고급 데이터 분석을 활용해 피해자, 공격자, 방어자 각각의 고유한 성격 특성과 행동 패턴을 해독하고 있다. 본 체계적 문헌 고찰(SLR)에서는 체계적 문헌 고찰 및 메타분석 보고 가이드(PRISMA) 방법론을 사용하여, 사이버심리학에서의 AI 활용(AI-CPSY)에 관한 수집된 34편의 연구를 면밀히 분석한다. 본 고찰은 연구 전반에서 사용된 사이버보안 응용, AI 방법론, 심리학 개념에 대한 포괄적 분류 체계를 제시한다. 연구들을 네 가지 사이버보안 응용으로 분류한다: 이상 탐지(AD), 취약성 위험 예측(VRP), 보안 인식 교육(SAT), 인증/신원 확인(AIV). 각 응용 영역 내에서 연구들은 머신러닝(ML), 심층 학습(DL), 자연어 처리(NLP), 강화학습(RL)을 포함한 사용된 AI 방법에 따라 추가로 분류한다. 또한 본 고찰은 가장 널리 활용되는 심리학 개념을 식별하고, 해당 분야에서 사용된 데이터셋을 정량화하며, 현재의 구현 및 배포 현황을 제시한다. 마지막으로 AI-CPSY 전반에서 연구 공백을 파악하고, 미해결 과제를 제시하며, 유행하고 가장 효과적이며 새롭게 부상하는 방법론을 도출한다.

arXiv:2607.12868v1cs.SE공통 태그 Anomaly Detection, Fault Detection

Deep4ge: 결함 탐지 및 진단을 위한 DNN 학습 궤적

Deep4ge: DNN Training Trajectories for Fault Detection and Diagnosis

심층 학습 시스템은 학습 동작을 바꾸는 미묘한 구현 결함으로 인해 종종 실패한다. 최근 연구에서는 학습 에포크 전반에 걸쳐 관측되는 변화로부터 이러한 실패를 탐지하고 진단하는 방법을 연구해 왔다. 그러나 소프트웨어 공학 커뮤니티에는 결함 탐지 및 진단 작업을 위한 문서화된 결함 이력, 특징 추출 세부 사항, 그리고 명확한 재사용 지원을 갖춘 에포크 단위 학습 실행의 공개 데이터셋이 여전히 부족하다. 우리는 Stack Overflow에서 수집한 59개의 적응된 TensorFlow/Keras 심층 신경망(DNN) 프로그램으로부터 생성된 14,227개의 학습 실행으로 구성된 통제된 벤치마크 Deep4ge를 제시한다. 우리는 7개 범주에 걸쳐 알려진 결함을 도입하는 27가지 소스 코드 변환을 사용하여 결함이 있는 변종을 생성했다. 데이터셋에는 9,845개의 결함이 있는 실행과 4,382개의 올바른 기준선 실행이 포함된다. 각 실행에 대해 우리는 매 에포크의 학습 동작을 측정하는 4개의 평가 지표와 26개의 특징을 기록한다. 이러한 특징은 가중치, 그래디언트, 활성화, 정확도 및 손실 추세, 학습률, 하드웨어 사용을 포착한다. Deep4ge는 이진 결함 탐지, 다중 클래스 결함 진단, 부분 학습 실행으로부터의 조기 결함 예측을 지원한다. 우리는 https://doi.org/10.5281/zenodo.20337241 에서 데이터셋과 결함 주입 프레임워크를 공개한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.