주어진 비음수 데이터를 두 개의 비음수 행렬의 곱의 형태로 표현하는 비음수 행렬 분해(Nonnegative Matrix Factorization)는 비음수 데이터의 다변량 분석에서 폭넓게 사용되고 있는 방법이다. 비음수 행렬 분해는 집단화(Clustering), 특히 문서의 집단화에서 유용하게 쓰일 수 있다. 본 논문에서는 주어진 문서들로부터 구성된 단어-문서 행렬을 두 개의 비음수 행렬의 곱으로 분해할 때, 그 중 하나의 행렬에 직교 제한을 주는 비음수 행렬의 직교 분해(Orthogonal Nonnegative Matrix Factorization) 방법을 다룬다. 현존하는 비음수 행렬의 직교 분해 방법은 직교 제한과 관련된 항을 더해주는 방식을 사용하지만, 여기서는 Stiefel 다양체 위에서의 실제 기울기를 직접 구하여 곱셈의 업데이트 알고리즘을 유도하였다. 다양한 문서 데이터에 대한 실험을 통해 새롭게 유도된 비음수 행렬의 직교 분해 방법이 기존의 비음수 행렬 분해나 기존의 비음수 행렬의 직교 분해보다 문서 집단화에서 우수한 성능을 나타냄을 보였다.

한번 개발된 소프트웨어는 긴 수명을 가지며, 결함이나 사용자 요구사항의 변경, 환경의 변화등의 원인으로 인한 수많은 모듈의 수정을 통해 진화한다. 소프트웨어의 진화와 더불어, 이러한 많은 모듈의 추가와 수정에 의한 소프트웨어의 다양한 버전의 생성은 소프트웨어 품질 향상을 가로막는 주요 요인중의 하나이다. 한편 회귀테스트는 이러한 소프트웨어의 변경에 따른 초점을 둔 테스트이지만, 소프트웨어가 여러 버전을 거쳐 진화함에 따라 많은 수의 테스트 케이스의 추가 및 수정과 더불어 테스트 케이스의 전체 숫자가 급격히 증가함에 따라 비용이 많이 들기에 쉽게 수행하지 못하는 테스트이다. 이에 테스트케이스 우선순위화 기법이 등장하여 회귀테스트의 수행을 지원하였다. 그러나, 테스트 케이스 우선순위화기법에서 사용되는 우선순위의 기준이 가치중립적이거나 가치를 고려하더라도 특정한 단일 요인만을 고려하여 그 활용이 제한적이었다. 논문에서, 우리는 비용과 결함 심각도에 기반한 히스토리컬 가치 기반의 접근법을 제시하며, 이는 기존의 비용 인식 테스트 케이스 우선순위화 기법에서의 현재의 비용 및 결함 심각도를 예측하기 위하여 히스토리컬 정보를 사용하는 접근법이다. 본 논문의 공헌으로서, 제안된 접근법은 테스트의 이해관계자들이 어떻게 히스토리컬 가치가 가치의 관점에서 테스트 효과성의 향상을 위해 사용되고 있는가를 알 수 있도록 돕는 다는데 있다. 결과적으로, 회귀 테스트를 수행하는 소프트웨어 테스터들은 그들의 테스트 케이스를 보다 더 효과적으로 우선순위 화할 수 있기에 그들의 테스트를 통한 테스트 효과성은 향상될 수 있다.

사전 제조된 컴포넌트들을 재사용하여 애플리케이션을 개발하는 컴포넌트 사용자의 관심사는 사용자의 요구사항에 따라 적절히 다른 컴포넌트들과 협동하는지 여부를 확인하는 것이다. 따라서 컴포넌트 기반 소프트웨어의 경우 개발 환경이 아닌 새로운 환경에서 소프트웨어를 구성하는 컴포넌트들이 잘 연동되는지를 테스트할 수 있는 상호운용성 테스트에 관련된 연구가 중요시되고 있다. 본 논문에서는 컴포넌트 기반 소프트웨어의 상호운용성 테스트를 위한 테스트 모델을 정의하고, 유스케이스 명세로부터 테스트 모델을 생성한 후 생성된 모델로부터 테스트 케이스를 생성하는 기법을 제안한다. 또한 테스트 모델로부터 테스트 시퀀스를 생성하는 프로시저를 구현한 도구를 소개한다.

그린 IT의 중요성이 부각되면서 저전력의 소프트웨어 개발에 대한 요구사항이 증가하고 있다. 본 논문에서는 임베디드 소프트웨어 개발과정에서 사용되는 기존의 전력분석기법들을 살펴보고, 이들 기법이 제공하는 분석 접근방법의 특성을 추출하였다. 이들 특성을 분류하고 체계화하여 전력분석기법에 대한 특성 모델(characteristic model)을 제안하였다. 제안한 특성 모델을 임베디드 소프트웨어 개발단계와 매핑하여 단계별 전력분석의 주안점이 무엇인가를 살펴보고, 이들이 갖는 의미를 스파이더 다이어그램을 이용하여 해석하였다. 본 연구는 임베디드 소프트웨어의 전력분석 기법에 대한 이해를 높이고, 분석방법의 선택에 대한 가이드라인을 제공할 뿐만 아니라 향후 전력분석을 위한 적용 기술의 변화를 예측할 수 있도록 하는 장점을 제공할 것으로 보인다.

다계층 구조로 설계된 현대의 분산 애플리케이션 아키텍처에서 비즈니스 엔티티는 모든 서비스 로직 컴포넌트들을 관통하는 일종의 횡단관심사(Crosscutting Concerns)이다. 그러므로 비즈니스 엔티티가 변화하면 이와 관련된 서비스 컴포넌트들은 비록 애플리케이션 프레임워크의 공통적인 기능을 구현한 서비스 로직 컴포넌트라 할지라도 새로운 비즈니스 엔티티를 다를 수 있도록 수정되어야 한다. 본 논문에서는 비즈니스 엔티티, 즉 외부화(externalized)된 데이터에 대한 가변성(variability)을 처리하는 DTT 컴포넌트 모델(Data Type-Tolerant Component Model)을 제시한다. DTT 컴포넌트 모델은 SCDT(Self-Contained Data Type)와 가변점(Variation Point) 인터페이스를 통해 프로덕트 라인의 데이터 가변성을 구현 수준에서 구체적으로 표현하고, 서비스 컴포넌트 코드 수정대신 비즈니스 엔티티와 SCDT간 타입 변환을 지원하는 데이터 타입 컨버터를 도입함으로써 애플리케이션 엔지니어링 효율을 향상시킨다. 서비스 컴포넌트가 외부화된 비즈니스 엔티티를 직접 다루지 않고 SCDT 만을 다루게 함으로써 데이터와 함수의 커플링을 다시 컴포넌트 수준에서 로컬화했다는 점이 DTT 컴포넌트 모델의 의의라 할 수 있다.

다량의 데이터를 전송할 때, 시간 단축과 효율적인 트래픽관리를 위해 네트워크의 라우팅 선택 방법이 사용되고 있다. Ant 알고리듬을 적용한 AntNet은 라우팅 선택 확률이 동일할 때, 랜던선택을 한다. 그로인해서 불필요한 가중치가 발생하여 트래픽이 증가한다. 본 논문은 이를 해결하기 위해 GA 알고리듬을 AntNet에 적합하여 데이터 전송을 위한 전송시간 감소와 효율적인 트래픽 분산을 해결하였다. 제안한 알고리즘 성능평가를 위해서 본 논문에서는 대량의 데이터를 전송하기 위한 경로를 설정하고, 전송시간과 전송 오류율을 평가하여 우수성을 보였다.

온톨로지의 논리적 오류와 개념들 간의 포함 관계를 탐지하는 추론 엔진들이 소개되고 있다. 발표된 온톨로지 추론 엔진의 대부분은 태블로 알고리즘을 기반으로 구축되었다. 그러나 대부분의 추론 엔진들은 논리적 오류를 일으키는 원인은 밝히지 않고, 논리적 오류를 갖는 개념만을 탐지한다. 본 논문의 목적은 태블로 알고리즘 전개 과정 중에 발생하는 non-deterministic 상황을 최적화하는 동시에 논리적 오류를 일으키는 원인을 탐지하기 위한 방법을 연구하는 것이다. 따라서 본 논문에서는 논리적 부정 가정기반 진리 유지 시스템(NATMS)을 사용하여 non-deterministic 문제를 해결하고 논리적 오류 원인을 탐지하는 기법을 제안한다. 본 논문에서는 기존에 발표되었던 종속 부호 기반 백트랙킹 기법과 Swoop 프로젝트에 적용된 논리적 오류 원인을 탐지하는 기법을 소개하고, 제안하고자 하는 기법을 설명한다.

현재 온톨로지의 논리적 오류와 개념들 간의 포함 관계를 탐지하는 추론 엔진들이 소개되고 있다. 대부분의 서술 논리 기반 온톨로지 추론 엔진은 태블로 알고리즘을 기반으로 구축되었다. 그러나 태블로 알고리즘 기반의 온톨로지 추론은 인스턴스 추론에 있어서 한계를 보인다. 이에 본 논문에서는 Medusa 시스템을 제안한다. Medusa는 서술 논리로 표현된 온톨로지의 정형화된 의미를 기반으로 시맨틱 웹 규칙 언어(SWRL)를 지원하는 확장된 서술 논리 추론 엔진이다. 대부분의 서술 논리 기반 추론 엔진은 효과적으로 온톨로지 스키마 모델을 추론하지만 인스턴스(Assertional Knowledge) 정보를 추론하기 위한 규칙 기반 추론 기능을 제공하지는 않는다. 이러한 문제를 해결하기 위해서 Medusa는 서술 논리의 추론 방식과 규칙 기반 추론 방식을 동시에 사용한다. 본 논문에서 설명하는 Medusa의 프로토타입은 $Prot{\acute{e}}g{\acute{e}}$ API[1]를 사용하여 시맨틱 웹 규칙 언어 추론 엔진과 서술 논리 추론 엔진간의 상호작용을 제어한다.

특허 문서는 과학기술 발전을 탐지하고 기존 트렌드를 이해함으로써 미래의 트렌드를 예측하는데 유용한 자원이다. 본 연구에서는 단위 기술을 "문제점"과 "해결방법"으로 구성되어 있다고 보고, 언어적 단서(linguistic clue)와 언어 모델(1anguage model)을 결합한 혼합 모델을 사용하여 이들에 해당하는 의미 핵심문구(semantic keyphrase)를 찾고, 의미 핵심문구로 표현되는 단위 기술을 추출하였다. 추출된 결과에 근거하여 비지도 학습(unsupervised learning) 방법으로 과학기술들의 트렌드를 발견하는 새로운 접근방법(Technological Trend Discovery, TTD)을 제안한다. 실험 결과에 따르면 본 연구에서 제안한 방법으로 과학 기술을 나타내는 의미적 핵심 문구를 추출하는데 77%의 R-정확률을 달성하였고 결과적으로 의미있는 과학기술 트렌드를 발견할 수 있었다.