2016년 알파고 이후 인공지능 분야가 활발히 진행되고 있으며, 최근의 생성형 AI 대한 기술은 매우 빠르게 성장하고 있다. 본 논문은 2025년 4월 말 현재 국내 최대 논문 제공 사이트인 한국교육학술정보원에서 제공하는 학술정보 서비스에서 '생성형 AI'와 '생성형 인공지능'을 크롤링하여 텍스트 마이닝 연구 기법을 통해 국내 생성형 AI 관련 논문 분석을 목적으로 한다. 본 논문에서 생성형 AI 관련된 국내 논문은 총 3,095편 중 중복 논문 등을 제외한 2,172편을 분석한 결과, 생성형 AI를 구축이나 구현 보다 생성형 AI를 활용하거나, 생성형 AI 교육 등으로 많은 연구가 진행되고 있음을 알 수 있었다.

본 연구의 목표는 피검자의 회내각을 보상하도록 제작한 발교정기가 대퇴이두근의 근피로를 감소시킬 수 있는 지를 확인하는 것이다. 발의 회내가 있는 피검자 10명(남자 5명, 여자 5명)을 대상으로 신발에 발교정기와 대조군을 위한 가식교정기를 무작위 순서로 착용하고 30초 동안 4.5km/h 속도의 트레드밀 보행할 때 근전도를 측정하였다. 근전도 지수는 크기특징인 평균제곱근(root mean square, RMS)과 스펙트럼특징인 평균전력주파수(mean power frequency, MPF)이다. 반복측정일원변량분석을 수행한 결과, 발교정기 착용시 대퇴이두근의 RMS 크기와 MPF 기울기가 가식교정기보다 유의한 변화를 보였다 (p<0.05). 이 결과로부터 발교정기가 대퇴이두근의 근피로를 감소시킬 수 있음을 확인하였다.

본 연구는 파킨슨병 조기 진단을 위해 CNN+LSTM+Transformer를 결합한 하이브리드 딥러닝 모델을 제안한다. 데이터는 수직 지면 반발력(VGRF)을 기반으로 한 시계열 보행 신호로, 파킨슨병 환자와 정상인의 보행 특성을 정량적으로 구분한다. 모델은 CNN을 통해 공간적 특징, LSTM으로 시계열 패턴을 Transformer를 통해 장기 의존성과 보행 집중 위치를 분석했다. 단일 모델 대비 높은 분류와 성능을 보였다. 또한 Transformer의 Self-Attention분석 결과, 정상인은 시계열 전반에 걸쳐 균일한 주의 분포를 보인 반면, 파킨슨병 환자는 특정 시점에 집중된 불규칙한 패턴을 나타냈다. 이는 본 모델이 질병 해석에도 유의미한 정보를 제공함을 보여주며, 파킨슨병 조기 진단과 보행 이상 분석에 효과적으로 활용될 수 있다고 판단된다.

The paper proposes Diffusion-Edit (DiffEdit), an advanced automated diffusion-based framework for reference-driven semantic image editing. It simplifies background removal and object replacement by automatically generating shape masks and using reference images as guidance. Traditional editing methods often require tedious manual adjustments or multiple specialized models. In contrast, DiffEdit leverages the generative capabilities of pre-trained diffusion models to create high-fidelity, context-aware edits within a single image. The framework automatically removes target regions (e.g., backgrounds or objects) by generating a precise shape mask from diffusion-driven discrepancy maps, without user annotation. It integrates reference images into the masked regions by applying cross-attention mechanisms and context-aware conditioning to ensure the inserted content is semantically and stylistically consistent with the original scene. Across our evaluation sets, DiffEdit attains the highest QS (editing quality), highest CLIP (reference alignment), and lowest FID (realism) among the compared methods, indicating consistent gains in realism, coherence, and controllability for object replacement. We designed the framework to extend to background correction and texture editing; we leave systematic validation of these tasks to future work. This method not only improves semantic image editing efficiency but also allows for adaptive, user-guided generative modeling.

Modern deep learning faces a dichotomy: scientific computing models often lack semantic flexibility, being tailored to a single problem, while large-scale generative models excel at plausible synthesis but lack symbolic precision. This paper introduces a unified framework based on conditional Physics-Informed Neural Networks (PINNs) to resolve this dichotomy. We propose two distinct applications of this framework. First is a versatile solver where a single PINN architecture, conditioned by a Vision Language Model (VLM), solves multiple instances of the 2D Poisson equation across different domains and boundary conditions without retraining. This solver achieves high fidelity with a Relative L2 Error of less than 0.025. Second is a precise generator that reduces the geometric error (MSE) of a standard diffusion model by over 60%. This is accomplished by injecting a Signed Distance Function (SDF)-based geometric loss as a guidance mechanism into a pre-trained diffusion model's sampling loop, thereby enforcing strict geometric constraints on the output. While the standard diffusion model's geometric error (MSE) was 0.038479, the proposed SDF-guided model significantly reduced this error to 0.015092. This work establishes a novel methodology for creating AI systems that bridge the gap between high-level semantic understanding and low-level symbolic execution, enabling more flexible scientific tools and more precise generative models.

본 연구는 국내 디지털 헬스케어 관련 특허 2,481건을 분석하여 기술융복합 구조와 기술 트렌드를 파악했다. 특히 헬스케어 정보학을 의미하는 국제특허분류(IPC) 코드 G16H를 핵심 검색 조건으로 활용했다. 분석 결과, 디지털 헬스케어 기술은 2020년 이후 폭발적인 성장기에 진입했으며, 2023년에는 연간 496건의 특허 출원으로 정점을 기록했다. 또한, 동시출현 분석과 사회연결망분석(SNA)을 통해 기술 간의 연결 관계를 파악한 결과, 기술 융복합은 '측정(A61B 5/00) → 분석(G16H 50/20) → 활용(G16H 10/60, G16H 50/30, G16H 50/70)' 이라는 가치 사슬(Value Chain)을 따라 형성되었다. 디지털 헬스케어의 기술융복합 네트워크는 허브-스포크(Hub-and-Spoke) 구조이다. 허브 기술인 G16H 50/20은 상위 융복합 경로의 절대 다수를 차지하는 출발점 역할을 하며, 전체 기술 혁신을 주도하고 있음이 확인되었다. 주요 스포크 기술은 G16H 10/60, A61B 5/00, G16H 50/30, G16H 50/70 등이다. 본 연구 결과는 기업의 기술 개발 및 특허 전략 수립뿐만 아니라, 벤처 창업 기회 탐색에 있어서도 전략적 판단을 뒷받침하는 핵심 정보로 활용할 수 있다.

본 연구는 학습자 자기평가를 통해 온라인 교양 소프트웨어 교육이 컴퓨팅 사고력과 소프트웨어 분야 흥미도에 미치는 영향을 분석하는 것을 목적으로 한다. 이를 위해 B대학교 「소프트웨어와 컴퓨터적 사고」 교과목 수강생을 대상으로 설문을 실시하고, 7개 하위 역량 및 흥미도 변화에 대한 통계적 검증을 수행하였다. 분석 결과, 7개 모든 하위 역량에서 학습자의 인식된 능력 수준이 통계적으로 유의미하게 향상되었으며(p < .001), 소프트웨어 관련 흥미도 역시 유의미하게 증가했다. 교차분석 결과에서는 '문제 분해'와 '창의적 아이디어 도출'은 초·중급 학생에게 효과적이었고, '프로그래밍 기술'과 '데이터 분석'은 사전 지식에 따라 성과 차이가 컸다. 특히, 인식된 역량 향상(성장 경험)은 교과목의 긍정적 효과 평가와 강한 상관관계를 보였으며(r = .713), 7개 하위 역량 중 '문제 분해'는 일상 문제 해결(R² = .505), '데이터 분석'은 진로 설정(R² = .404)에 각각 가장 큰 영향을 미치는 핵심 동인으로 분석되었다. 본 연구는 대학 교양 소프트웨어 교육 과정의 설계 및 개선에 실증적 근거로 활용될 수 있다는 점에서 의의를 가진다.

기업의 AI 서비스 활용이 급증함에 따라 합리적인 비용 관리가 핵심 과제로 부상하고 있다. 그러나 기존 원가관리 시스템은 AI의 동적이고 복잡한 비용 구조를 반영하는 데 한계가 있다. 본 연구는 이러한 문제를 해결하기 위해 AI 서비스 환경에 최적화된 지능형 활동기준원가(Intelligent ABC) 방법론을 제안한다. 제안하는 핵심 내용은 첫째, 사용자 질의의 언어적 특성, 비즈니스 맥락, 출력 형태, 사용자 숙련도를 종합적으로 고려하는 다차원 복잡도 분석 알고리즘을 개발했다. 둘째, 실시간성과 정확성을 모두 확보하는 하이브리드 ABC 엔진 아키텍처를 설계했다. 가상 기업 환경 시뮬레이션 결과, 제안한 방법론은 기존 ABC 대비 비용 배부의 정확성을 20.87%, 공정성을 21.13% 향상시키는 통계적으로 유의미한 개선을 보였다. 본 연구는 AI 시대에 요구되는 새로운 원가관리 이론의 기틀을 마련하고, 기업의 AI 투자 효율성을 극대화할 수 있는 체계적인 방안을 제공한다.

최근 Vision-Language Model(VLM)은 자연어 처리와 컴퓨터 비전의 경계를 허물며 다양한 분야에서 혁신을 이끌고 있다. 특히 의료 영상 분야, 그중에서도 가장 보편적인 흉부 X-ray 분석에 VLM을 적용하려는 시도가 활발하게 이루어지고 있다. 하지만 X-ray 영상은 일반적인 자연 이미지(natural image)와 달리 반투과적 특성으로 인해 객체의 경계가 불분명하고, 미묘한 질감의 차이를 통해 병변을 구분해야 하는 등 VLM의 주요 강점인 '객체 탐지 설명(Object Detection and Description)'을 직접 적용하기 어렵다는 고유한 문제를 가지고 있다. 본 연구는 이러한 문제의식에서 출발하여, 흉부 X-ray 분석 분야의 최신 VLM 연구를 종합적으로 검토한다. 주요 적용 분야를 자동 리포트 생성(RRG), 제로샷/퓨샷 병변 분류, 시각적 질의응답(RVQA), 그리고 시각적 그라운딩 및 분할로 나누어 분석하고 각 분야에서 VLM이 X-ray 영상의 고유한 문제를 어떻게 해결하고 있는지 확인한다. 또한, 최신 연구들에서 제안하고 있는 핵심 방법론과 기술을 정리하고, 연구에 활용되는 주요 공개 데이터셋을 소개한다. 마지막으로 현재 VLM 기술의 한계와 편향성 문제를 논하고, 구조화된 리포팅, 3D 영상 분석, 설명 가능 AI(XAI) 등 향후 발전 가능성이 높은 연구 방향을 제시하고자 한다.

단일 이미지 기반 새로운 시점 합성은 근본적으로 단일 이미지의 입력 이미지 정보 부족으로 인해 후면 시점이나 가려진 부분에 대한 정확성이 저하된다. 따라서 본 연구에서는 새로운 시점 합성에서 단일 이미지의 부족한 정보 문제를 해결하기 위해 semantic map 기반 사전 정보를 추가적으로 활용한 새로운 프레임워크를 제안한다. 제안된 방법은 입력 이미지로부터 추출된 semantic map을 비디오 확산 모델의 디노이징 과정에 통합된 SPADE layer에 조건으로 추가함으로써 관측되지 않은 영역에서도 의미적론적으로 강건한 출력을 생성할 수 있도록 설계되었다. 정량적 평가에서 제안 모델은 학습에 사용되지 않은 Google Scanned Object 데이터셋을 대상으로 zero-shot 성능이 평가되었으며 PSNR 22.33, SSIM 09162, LPIPS 0.1100, MSE 0.0109, CLIP Similarity 0.9257으로 모든 평가지표에서 기존 최신 기법들인 SV3D, VFusion3D, Hi3D보다 우수한 성능으로 측정되었다. 특히 CLIP Similarity 지표에서 후면 영역과 같이 불확실성이 큰 부분에서도 의미적으로 일관된 결과를 보여 뛰어난 성능지표를 달성하였다. 따라서 단일 이미지의 부족한 정보를 극복하기 위해 semantic 정보를 효과적으로 활용하여 관측되지 않은 영역의 보완과 시각적 품질 향상을 동시에 달성하였음을 확인하였다. 또한 다양한 지표에서의 정량적, 정성적 평가를 통해 본 연구는 단일 이미지 기반 새로운 시점 합성에서의 일반화 가능성을 검증하였다.

본 연구는 ChatGPT와 같은 대화형 LLM의 한계점을 분석하고, 복잡한 작업을 여러 단계에 걸쳐 자동으로 수행하는 Agentic Flow를 제조 환경 자동화 시나리오에 적용하여 그 가능성을 평가한다. 첫 번째 시나리오는 공장의 자율주행 AGV 모듈 개발 상황에서 LLM 에이전트를 활용해 코드 생성 및 테스트를 지원하여 반복 작업의 효율성을 향상 시킬 수 있음을 확인하였다. GPT-4o API 단독 사용 방식과 비교하여 사용자 작업 시간이 10.8분에서 0.8분으로 92.6% 감소하였으며, unit test 통과율은 87.5%에서 95.8%로 향상되었다. 두 번째 시나리오는 품질검사 AI 시스템을 위한 이미지 데이터 준비 과정에서 에이전트가 데이터 수집 및 정리 workflow를 효과적으로 수행할 수 있음을 검증하였다. 1,247개 파일 처리 시 사용자 실작업 시간을 7.6분에서 0.5분으로 93.4% 감소되고, 정확도는 96.4%에서 99.2%로 향상되었다. 이러한 결과를 통해 제조 환경에서 Agentic Flow 접근법의 작업 향상 가능성을 확인하였다.

본 논문에서는 많은 양의 데이터를 분산적으로 처리하는 비동기식 연합 학습 시스템을 고려한다. 동기식 연합 학습과 달리 비동기성으로 인해 최신의 글로벌 모델은 각 기기가 로컬 업데이트 시 사용했던 글로벌 모델과 다를 수 있다. 이로 인한 글로벌 모델 차이는 글로벌 모델을 최적이 아닌 방향으로 학습하도록 한다. 본 연구에서는 시분할 통신 프로토콜을 활용하는 비동기식 연합 학습에서 통신 그룹의 크기에 따른 비동기 연합 학습 시스템의 성능을 분석하였다. 실제 데이터를 활용한 실험을 통하여 시분할 통신의 그룹 크기에 따른 상관관계가 있음을 밝혀냈다. 통신 그룹 크기가 작은 경우 주어진 학습 시간 내에서 글로벌 모델을 많이 갱신할 수 있으나 비동기 효과로 인해 로컬 업데이트가 글로벌 모델간 차이가 증가해 학습 효율이 저하된다. 반면에 통신 그룹 크기가 큰 경우 로컬 업데이트가 글로벌 모델을 효과적으로 개선하지만 큰 통신 그룹 크기에 따른 긴 통신 시간으로 인해 갱신 횟수가 제한된다. 따라서 이러한 상관관계를 최적화하는 적절한 통신 그룹 크기가 가장 높은 성능을 달성함을 보였다.

아쿠아포닉스 시스템에서 양식장의 부산물만으로는 식물에 필요한 영양소를 전부 충족시키지 못하기 때문에 추가 보통 양액을 사용하여 식물 성장에 필요한 영양소를 보충시킬 필요가 있다. 그러나 양식장의 부산물에 어떤 영양소가 포함되었는지, 식물 성장에 어떤 영양소가 필요한지 육안을 통해 파악하거나, 사람이 실시간으로 모니터링하는 것은 쉬운 일이 아니다. 따라서 식물의 부족한 영양소를 진단하기 위해 본 논문은 아쿠아포닉스 농경지의 수분공급을 위한 양식장 부산물 데이터 분석 시스템을 제안한다. 양식장 부산물 데이터 분석 시스템은 두 개의 모듈로 구성된다. 첫째, 영양 결핍 상태 진단 모듈은 FN, N, P, K로 식물의 영양 결핍 상태를 분류하는 4개의 주요 레이어로 구성된 DCNN(Deep Convolution Neural Network)모델을 구성하여 식물의 현재 영양 결핍 상태를 측정한다. 둘째, 식물 영양 결핍 예측 모듈은 DCNN 모델을 통해 파악한 식물의 영양 결핍 상태를 정답 데이터로 활용해 학습을 위한 라벨을 생성하고, 양식장의 부산물 및 보통 양액과 식물의 영양 상태 간의 연관 관계를 분석하여, 양식장의 부산물 및 보통 양액을 통해 식물의 영양 결핍 상태를 예측한다.

본 연구는 디지털트윈 기반 실감 환경을 활용하여 옥외광고의 상권 유형과 상품 유형이 소비자 반응에 미치는 영향을 검증하였다. 도산대로(프리미엄 상권)와 동대문(일반 상권)을 디지털트윈으로 구현하고, 상권 유형과 광고 상품 유형을 교차 설계하여 100명의 참가자를 대상으로 실험을 수행하였다. 실험은 사전·사후 설문을 통해 주목도·선호도·기억률을 측정하였으며, 대응표본 t-검정과 이원분산분석(ANOVA)을 활용하여 각 요인의 주효과와 상호작용 효과를 검정하였다. 분석 결과, 세 지표 모두 사전 대비 사후에 유의하게 향상되었으며, 주목도는 상권×상품 상호작용, 선호도는 상권유형, 기억률은 광고 유형의 주효과가 유의하였다. 이러한 결과는 상권과 광고 콘텐츠의 적합성이 광고 효과를 강화한다는 실증적 근거를 제시하였으며, 디지털트윈 실험이 옥외광고 효과 분석의 유효한 방법론임을 확인하였다.

가속도 센서를 이용해 낙상 신호를 검출하면 스파이크 잡음의 형태로 나타나게 되는데, 본 논문에서는 필터를 사용해 잡음을 제거한 후 스파이크 잡음을 검출하여 낙상을 감지하는 방법을 제안하고자 한다. 제안하는 방법은 칼만 필터를 사용해 낙상으로 인한 신호를 잡음으로 간주해 필터링한 후, LPF를 통과한 원신호와 비교해 일정 신호 이상의 레벨 차이가 발생하면 낙상으로 판별하는 방법으로 실험을 통해 낙상 감지가 가능한지를 평가하였다. 먼저 칼만 필터의 측정 오차 R과 공분산 잡음 Q를 결정하였고, 낙상 상황과 일상 행동으로부터 발생한 가속도 센서의 신호를 칼만 필터와 LPF를 통과시킨 후 레벨을 비교하여 낙상 감지가 가능한지를 평가하였다. 실험 결과, 칼만 필터의 R은 64, Q는 0.1로 결정되었으며, 여러 낙상 상황의 평균 레벨값은 1387.868이고 일상 행동의 평균 레벨값은 308.1796으로 차이가 큼을 확인하였고, 레벨 비교를 통해 낙상 감지가 가능함을 확인하였다.

본 연구는 기존 보간법이 변화량과 무관한 균일 보간으로 인해 평탄 구간에서는 불필요한 데이터 증가가 발생하고, 급변 구간에서는 움직임 패턴의 왜곡이 유발되는 문제를 다룬다. 이를 개선하기 위해 기울기 누적 기반 적응형 보간법을 제안한다. 제안된 기법은 구간별 기울기를 누적 계산하여 임계값을 초과하는 시점에서만 보간점을 선택적으로 삽입함으로써, 실제 궤적의 연속성과 신호 변화 특성을 효과적으로 보존한다. 성능 평가를 위해 구간누적 절대오차(CAE)를 도입하였으며, 24 GHz FMCW 레이더 데이터에 적용한 결과 기존 Linear 및 Spline 보간 대비 원신호와의 일치도가 향상되었다. 또한 반복 수신 구간에서는 과도한 중복 보간이 억제되어 데이터 효율성이 개선되었으며, 보행 움직임을 펄스 기반으로 시각화한 결과에서도 의미 있는 변화 구간이 명확하게 강조됨을 확인하였다. 본 기법은 센서 기반 보행 분석을 포함한 다양한 실시간 신호처리 환경에서 정밀하고 효율적인 보간 방법으로 활용 가능하다

A low phase noise phase locked loop (PLL) with an additional negative feedback loop, including a frequency change detection circuit (FCDC), has been proposed. The FCDC detects the frequency change in a voltage controlled oscillator output signal and controls the volume of electric charge in a loop filter capacitance. As the output frequency of the PLL increases, the FCDC reduces the loop filter capacitor charge. This causes the loop filter output voltage to decrease, resulting in a PLL output frequency decrease. The added negative feedback loop improves the performance of the proposed PLL. The size of the capacitance used in FCDC is much smaller than that of the loop filter capacitance resulting in no effect in the size of the proposed PLL. Measurements of the proposed PLL, fabricated in a one-poly six-metal 0.18㎛ 1.8V CMOS process, shows phase noise reduction between -14dBc/Hz to -23dBc/Hz depending frequency and the 9dBc reference spur improvement. The jitter of the proposed PLL is reduced to around 1/14 of a conventional PLL.