연합학습의 non-IID 데이터셋 환경에서는 학습 딜레이 및 클라이언트 간의 데이터셋 불균형으로 인한 학습 성능 저하 등의 문제점이 있다. 이러한 성능 저하를 방지하기 위해, 적절한 클라이언트를 선택하는 것은 학습에서 중요한 부분 중 하나이다. 이 논문에서는 연합학습 모델에 가상 큐를 기반으로 한 UCB 알고리즘을 적용하여 클라이언트 선택을 진행하는 방식을 사용하고 있다. 또한 기존의 UCB 알고리즘 선택 방식과 다르게 학습 진행 상황에 따라 클라이언트 선택을 조절하는 알고리즘을 제안한다. 먼저 학습 진행 상황을 클라이언트 선택 과정에 반영하여 모델의 학습시간을 줄일 수 있었다. 추가적으로 모델의 성능 향상을 위해 UCB의 클라이언트 탐색을 동적으로 바꾸는 방식을 제안한다. 학습 중반 이후의 학습이 안정화되면, 클라이언트의 탐색을 조절하여 모델의 성능 개선을 이루었다. 논문의 실험 결과는 해당 알고리즘을 활용하였을 때 학습시간 단축, 모델의 정확도 향상 등의 이점이 있음을 보여준다.

로봇 운영체제(ROS, Robot Operating System)는 스마트 홈, 자율 주행, 산업 자동화 등 다양한 분야에서 첨단 로봇 시스템 개발의 핵심 플랫폼으로 활용되고 있다. ROS는 각 노드를 독립적인 프로세스로 실행하는 구조를 채택해 결함 격리(fault isolation)를 제공한다. 그러나 프로세스 간 통신(IPC)을 사용하는 방식은 빈번한 메시지 교환이나 대규모 데이터 처리 시 성능 저하와 리소스 비효율을 초래할 수 있다. 이 문제를 개선하기 위해 ROS2에서는 여러 노드를 하나의 프로세스에서 실행하는 Composition 기능을 도입하였다. Composition은 노드 간 공유 메모리를 활용해 통신 효율을 높이는 반면, 동일한 주소 공간을 공유함으로써 보안 취약점이 발생할 가능성이 있다. 특히, 노드 간 메모리 접근 규제가 느슨해져 보안 위협이 증가할 수 있으며, 기존 SROS(Secure ROS)와 같은 보안 메커니즘은 이를 효과적으로 해결하기 어렵다. 본 논문에서는 ROS Composition 환경에서의 보안을 강화하고 효율적인 메모리 관리 방안을 제안한다. 각 노드의 메모리 세그먼트를 독립적으로 관리하여 데이터 간섭을 방지하고, 안전한 메모리 접근을 보장하는 메커니즘을 설계하였다. 실험 결과, 제안된 방법은 3%에서 최대 10%의 낮은 오버헤드로 안정적인 성능을 유지하며, Composition 환경의 보안성을 효과적으로 향상시킴을 확인하였다.

지하공동구는 현대 도시 생활의 필수라 여길 수 있는 통신선, 상수관, 전력선등이 지나는 곳으로 재난 발생시 도시권 시민의 불편을 초래하며 나아가 국민의 안전에 영향을 줄 수 있다. 시민 불편 감소 및 국민 안전 재고를 위해 신속하고 정확하게 재난을 식별·판단하고 유관기관과 정보를 공유하는 일은 대단히 중요하다. 다양한 센서로부터 데이터를 수집한 후 메시지큐를 이용하여 비동기적으로 이벤트를 생산·소비하고 신속·정확하게 화재 재난을 탐지·판단하는 프레임워크 및 처리 흐름(Pipeline), 그리고 공유를 위한 Open API를 활용한 시스템을 구현한다.

최근 대규모 소프트웨어 개발에 가독성이 높은 Unified Modeling Language (UML)을 활용한 개발 방법이 적용되고 있다. 소프트웨어 개발에 표준화된 UML 모델을 활용하면 불명확한 의사소통을 해결할 수 있어 소프트웨어 품질을 향상 시킨다. 하지만 기존 소프트웨어 개발에서는 모델 중심의 개발 방식이 아닌 코드 중심의 개발 방식이 적용되어 있다. 이로 인해 기존 소프트웨어를 활용하여 모델 중심의 소프트웨어를 개발 할 경우 수동으로 UML 모델을 적용해야 하기 때문에 모델 생성 작업 시간 증가 등의 문제가 발생한다. 또한, 개발자들의 모델 이해도 및 모델링 도구의 사용 능력, 소프트웨어 구조의 복잡도에 따라 모델 생성 작업 시간은 더욱 증가한다. 모델 생성 작업 시간의 증가는 결국 전체 소프트웨어 개발 시간을 증가시키는 요인이 된다. 이에 본 논문에서는 함정 전투체계 소프트웨어 개발에 UML 모델을 구조적으로 적용하기 위한 자동 모델 생성 도구를 제안한다. 자동 모델 생성 도구는 모델링 작업에 필요한 모델 구조 자동 생성과 UML 모델들을 자동으로 생성하는 기능을 제공한다. 본 논문에서 제안한 방법을 활용하면 자동화 기능을 통해 UML 모델을 구조적으로 적용할 수 있는 장점과 모델 생성 작업 시간 감소의 효율화를 가진다.

본 연구는 한국어 생성 요약의 자동 평가 지표를 분석하고 검증하는 것을 목표로 한다. 언어마다 고유한 특성이 다르므로 각 언어에 적합한 평가 지표의 필요성에 따라 한국어에 특화된 연구가 요구된다. 현재 한국어를 대상으로 한 생성 요약 및 메타 평가 연구는 다른 언어에 비해 훨씬 부족한 상황이다. 따라서 한국어 생성 요약 데이터를 활용하여 평가 기준 및 문서 유형에 따른 신뢰성 있는 자동 평가 지표를 검증함으로써 향후 생성 요약 및 자연어 생성 분야의 한국어 모델 연구에 이바지하고자 한다. 요약 모델 평가 시 공신력 있는 지표로 여겨지는 인간 평가(Human Evaluation)는 시간과 비용이 많이 소요되므로 자동 평가 지표 연구는 효율성 측면에서도 중요한 의의가 있다. 10가지 한국어 문서와 참조 요약문, 세 가지 모델(T5, KoBART, GPT-3.5 Turbo) 생성 요약문을 대상으로 유창성, 일관성, 관련성 기준으로 인간 평가와 자동 평가 지표의 상관계수를 산출하였다. 평가 기준별 상관 분석 결과, T5 요약문에서는 일관성, 관련성에서 각각 0.33, 0.26, KoBART 요약문에서는 유창성, 관련성에서 0.33, 0.40의 상관계수와 함께 BERTScore가 제일 높은 상관관계를 보여 한국어 요약문 평가에 효과적인 지표임을 확인하였다. 한편, 대규모 언어모델인 GPT-3.5 Turbo 요약문은 환각 가능성 감지를 위해 개발된 평가 지표 HaRiM+가 일관성, 관련성 측면에서 0.23, 0.17의 유의미한 상관관계를 보였다. 또한, 문서 유형별 상관 분석 결과, T5 요약문은 보도자료와 회의록에서 BLEU 지표와 높은 상관관계를 나타냈고, KoBART 요약문은 나레이션 문서에서, GPT-3.5 Turbo 요약문은 사설 문서에서 BERTScore와 높은 상관관계를 보였다. 이러한 결과는 특정 문서 유형에 적합한 평가 지표를 선택하는 것이 중요하다는 점을 강조한다. 이와 같이, 본 연구는 향후 한국어 요약 연구에서 목표 과제의 목적에 따라 적합한 평가 지표를 선택하는 근거로서 활용할 수 있다.

항공기 엔진의 잔여 유효 수명(RUL) 예측은 고장 예지 및 건전성 관리(PHM)를 좌우하는 중요한 역할이며 관련 연구가 활발히 진행되고 있다. 하지만 실제 고장 데이터를 확보하는 데 어려움이 있으며 결함 데이터의 희소성으로 인해 예측 모델 구축에 한계가 존재한다. 기존의 데이터 증대방법은 제한된 결함 데이터를 보완하기 위해 사용되지만, 휴리스틱한 접근법으로 인해 데이터 특성이 일반화되는 문제가 발생하며 예측 정확도가 저하될 수 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 전이학습(Transfer Learning)에 기반한 CNN-LSTM 혼합모델을 제안한다. CNN-LSTM 혼합모델은 CNN의 특징 추출 기능과 LSTM의 장기 시계열 학습 능력을 결합하여, 항공기 엔진 센서 데이터의 복잡한 동적 특성과 시계열적 변화를 동시에 반영한다. 본 모델로 서로 다른 소스 도메인(Source Domain)에서 학습된 데이터를 전이학습을 통해 타겟 도메인(Target Domain) 데이터에 적용함으로써, 예측 기법의 성능을 향상시킨다. 미국항공우주국(NASA)에서 개발한 C-MAPSS 항공기 엔진 시뮬레이터 데이터 세트에 적용한 결과, 전이학습을 통한 사전 학습된 모델의 활용이 기본 혼합모델보다 예측 정확도 향상에 기여함을 확인하였다. 또한, 제안된 모델이 PHM 분야에서 주요한 여러 예측 모델들 대비 우수한 예측 성능을 보임을 확인하였다.

풍속 예측의 정밀도 향상을 위해 웨이블릿 도메인 손실을 활용한 새로운 GAN 기반 초해상화 모델을 제안한다. 제안하는 모델은 저해상도 풍속 이미지를 고해상도로 변환하기 위해 기존 Wavelet-Guided Super-Resolution 프레임워크에 개선된 생성자 구조를 통합한다. 생성자 구조는 특징 추출, 특징 정제, 재구성의 세 가지 모듈로 구성되며, 인스턴스 정규화를 포함한 Dense Block과 Channel Instance Residual Block을 도입하여 기존 모델의 왜곡 현상을 완화하고, 복원 성능을 극대화한다. NREL의 WIND Toolkit 데이터셋을 활용한 실험 결과, 제안하는 모델은 기존 WGSR의 RRDBNet 대비 PSNR, SSIM, RMSE 지표에서 각각 9.57%, 21.20%, 21.05%의 성능 향상을 보인다. 이는 픽셀당 10 km 해상도의 풍속 이미지를 픽셀당 2 km 해상도로 효율적으로 변환하며, 기상 예측 및 에너지 관리 분야에서의 활용 가능성을 시사한다.