저전력 IoT 엣지 디바이스는 제한된 연산 성능, 메모리, 배터리 및 네트워크 대역폭으로 인해 기존의 클라우드 중심 RAG를 적용하기 어렵다. 본 연구에서는 자원 상태와 질의 특성에 따라 검색 정책을 동적으로 조정하는 엣지-클라우드 협력 RAG 아키텍처인 RAEC-RAG를 제안한다. RAEC-RAG는 엣지에서 경량 임베딩과 벡터 양자화 기반 검색을 수행하고, 클라우드에서 정밀 검색, 재순위화 및 응답 생성을 수행한다. 자원 인지형 제어기는 배터리, CPU, 메모리, 네트워크 상태와 질의 복잡도 및 검색 신뢰도를 고려하여 양자화 정밀도, 검색 후보 수 및 클라우드 전송 여부를 결정한다. 실험 결과, 제안 구조는 정적 벡터 양자화 기반 엣지-클라우드 RAG보다 중앙 지연시간을 38.2%, 업링크 전송량을 47.5%, 엣지 에너지 소비를 31.3% 감소시켰으며, nDCG@10의 감소는 0.006으로 제한되었다. 이를 통해 RAEC-RAG가 검색 품질을 유지하면서 저전력 IoT 환경의 자원 소비를 효과적으로 절감할 수 있음을 확인하였다.

Kubernetes 기반 GPU 클러스터에서는 서로 다른 메모리 요구량을 가진 워크로드가 반복적으로 배치되면서 활용하기 어려운 잔여 메모리가 여러 GPU에 분산될 수 있다. 본 연구에서는 최근 워크로드의 메모리 요구량과 GPU별 잔여 메모리를 분석하고, 단편화 변화에 따라 기준을 동적으로 조정하는 Adaptive Threshold 기반 스케줄링 모델을 제안한다. 제안 모델은 GPU 노드를 Low, Medium 및 High 상태로 분류하여 일반 배치, 분산 배치 및 선택적 pod 재스케줄링을 적용한다. 성능평가 결과, Kubernetes 기본 스케줄러 대비 스케줄링 성공률을 81.7%에서 96.7%로 향상시키고 평균 단편화 수준을 0.34에서 0.15로 감소시켰다. 또한 평균 워크로드 대기시간을 14.8초에서 6.7초로 단축하여, 변화하는 AI 워크로드 환경에서 GPU 자원 활용 효율성과 스케줄링 안정성을 향상시킬 수 있음을 확인하였다.

민감 문서를 외부에 공유하거나 후속 분석에 활용하기 위해서는 개인정보 같은 직접 식별자 제거뿐 아니라 삭제, 보존, 추가 검토가 필요한 민감정보 후보를 구조화하는 전처리가 필요하다. 본 연구는 온프레미스 sLLM(Small Large Language Model) 환경을 위한 선택적 비식별화 전처리 프레임워크를 제안한다. 제안 방법은 문서별 카테고리 생성, 카테고리별 값 추출, 잔여 문맥 기반 반복 재추출로 구성된다. Qwen2.5-7B-Instruct를 John Snow Labs PDF De-identification Dataset Easy 문서 30개에 적용하여 평가한 결과, [FOUND:{TYPE}] placeholder 방식은 완전 제거 방식보다 Binary Strict F1이 높았고(0.6114 vs. 0.5917), FP는 더 적었다(95 vs. 173). 또한 원문 기반 정규화 필터를 제거하면 F1이 0.5743으로 감소하고 FP가 150으로 증가하였다. 결과는 반복 재추출에서 잔여 문맥 표현 방식과 원문 기반 정규화 필터가 성능 차이에 영향을 미침을 보여준다.

Physics-informed neural networks can combine sparse observations with partial-differential-equation constraints for inverse source estimation, but smaller physics residuals do not necessarily imply more accurate source parameters. This study compares Vanilla, Mass, Causal, residual-adaptive-refinement (RAR), and mass-constrained causal RAR (MC-CA-RAR) PINNs on a noisy one-dimensional advection-diffusion-reaction benchmark. We completed 75 baseline runs and 65 additional runs for the mass-weight sensitivity analysis. Under the fixed baseline policy, Causal PINN achieved the lowest joint spatiotemporal source-center error and q-relative error at all noise levels. MC-CA-RAR achieved the lowest mass-residual MSE, reducing it by approximately 52-53% relative to Mass PINN and approximately 79% relative to Vanilla PINN. The weight-sensitivity and paired analyses demonstrate a tunable trade-off between mass-residual reduction and inverse-parameter accuracy. Signed-error analysis shows q underestimation across all five methods, with the largest negative bias for MC-CA-RAR, while the local sensitivity analysis indicates that q is less observable than 𝑥₀ and t₀ under the four-sensor layout.

실제 제조 현장의 QMS, MES, IIoT 통합 데이터는 보안과 영업비밀 문제로 외부 공개 및 확보가 어렵다. 또한 공개 예지 보전 데이터셋에서도 모든 고장 원인이 공개 입력 특징만으로 설명되기 어렵다. 본 연구는 부분 관측 조건에서 LLM 기반 제조 이상진단 기법이 관측 가능한 근거에 기반하여 진단 결과를 제시하는지 평가하기 위한 신뢰성 평가 프로토콜을 제안한다. 이를 위해 UCI AI4I 2020 Predictive Maintenance Dataset을 대상으로 규칙 기반 기준선, 일반 LLM 진단, 고정형 고장 규칙 지식베이스를 제공한 LLM 진단, 고정형 규칙 지식베이스와 역할 기반 검증을 결합한 네 가지 프롬프팅 방식으로 비교하였다. 평가는 고장 유형 정확도뿐 아니라 규칙상 근거 없는 고장 단정, 정상 라벨 또는 RNF 표본에 대한 과잉 진단, 보수적 정상 응답을 함께 측정하도록 설계하였다. 분석 결과, 고정형 규칙 지식베이스는 관측 가능한 고장 유형의 구분 성능을 높였고, 역할 기반 검증 프롬프팅은 동일한 규칙 조건에서 근거 없는 고장 단정을 줄이는 방향의 변화를 보였다. 본 연구는 새로운 시스템 구현보다는 부분 관측 조건에서 LLM 진단 보고서의 과잉 진단을 억제하고 신뢰성을 평가하는 절차를 제시하는 데 초점을 둔다.

대형 언어 모델(LLM) 서비스가 확산되면서 시스템 지시를 무력화하는 Direct Prompt Injection(DPI)이 주요 보안 위협으로 부각되고 있다. 기존 탐지는 영어 중심이어서 한국어의 어미변형·신조어·축약형 처리에 한계가 있다. 본 연구는 공격 의도 4종×언어변이 4종의 2축 taxonomy와 초기 한국어 DPI 벤치마크를 구축하고, kiwipiepy 규칙 레이어와 한국어 DPI 데이터로 파인튜닝한 mDeBERTa-v3 및 한국어 DeBERTa-v3를 결합한 Lemma-aware 캐스케이드 탐지기를 제안한다. Eval-A(n=698)에서 M0는 F1 0.9767과 Benign FPR 0.0086을, C-SB는 Benign FPR 0.000을 기록하였다. C-EN은 Eval-C-GH(n=44)에서 Goal Hijacking F1 0.82를 달성하였으나, GPT-4o-mini 기반 블라인드 테스트(n=101)에서 M0의 Recall은 0.4752로 감소하였다.

본 연구는 딥러닝 기반 단일 영상 초해상도(Single Image Super-Resolution, SISR) 알고리즘의 복원 성능과 처리 효율성을 비교하기 위해 Real-ESRGAN, SwinIR, HAT 모델을 대상으로 실험을 수행하였다. 세 모델은 학습 목적과 네트워크 구조가 서로 다르므로, 본 연구에서는 동일한 데이터셋, 동일한 ×4 확대 배율, 동일한 평가 지표를 기준으로 복원 결과를 비교하였다. 실험 데이터셋은 Set5와 Set14를 사용하였으며, Set5 전체 5장과 Set14 전체 14장을 대상으로 재평가를 수행하였다. 각 고해상도 영상을 쌍삼차 보간법 기반 ×4 저해상도 입력으로 변환한 후, 각 모델의 복원 결과를 원본 고해상도 영상과 비교하였다. 평가지표는 PSNR, SSIM, LPIPS와 처리 시간으로 구성하였다. 처리 시간에서는 HAT가 Set5에서 0.3590 sec/image, Set14에서 0.6286 sec/image로 가장 낮은 평균 시간을 보였다. 본 연구는 초해상도 모델 선택 시 정량 성능, 지각 품질, 처리 효율성, 적용 목적을 함께 고려해야 함을 확인하였다.

본 논문은 강원특별자치도 군 단위 지역의 인구감소와 지방소멸 위험을 분석하고, 횡성군을 중심으로 미래 인구 변화를 예측하는 것을 목적으로 수행되었다. 이를 위하여 KOSIS 및 주민등록 인구통계 자료를 활용하여 인구 변화, 고령화, 청년층 감소, 인구 이동 구조를 분석하였다. 또한 ARIMA와 Prophet 기반 시계열 예측모델을 적용하여 횡성군의 장기 인구 변화를 예측하였다. 분석 결과, 2026년 2월 기준 횡성군 인구는 45,583명으로 나타났으며, 고령인구 비율은 39.58%, 청년인구 비율은 12.28%로 분석되었다. 특히 횡성군의 지방소멸위험지수는 0.14로 나타나 지방소멸 고위험 단계에 해당하는 것으로 분석되었다. 인구 예측 결과 횡성군 인구는 2036년 약 42,126명 수준까지 감소할 가능성이 있는 것으로 나타났으며, 고령화율은 약 66.70% 수준까지 증가할 것으로 예측되었다. 본 논문은 횡성군 중심 지방소멸 위험을 실증적으로 분석하고 미래 인구 감소 가능성을 제시하였다는 점에서 의의가 있다.

휴지 상태 기능적 자기공명영상(rs-fMRI)은 정신질환의 신경생물학적 메커니즘을 규명하고 객관적인 진단 바이오마커를 발굴하기 위한 비침습적 도구로 널리 활용되어 왔다. 그러나 전통적인 기계학습 및 초기 딥러닝 기법은 저차 선형 기능적 연결성에 의존하여 복잡한 비선형 상호작용을 포착하지 못하고, 환자 집단 내의 극심한 개인 간 이질성을 간과하며, 모델의 '블랙박스' 특성으로 인해 임상적 신뢰성을 확보하는 데 한계를 보였다. 본 논문은 rs-fMRI 기반 자폐스펙트럼 장애 및 주요우울장애 진단 연구의 방법론적 흐름을 다섯 가지 패러다임으로 체계화하여 고찰하고, 사후 분석에 그치던 XAI 기법을 학습 가이드 신호로 통합하는 학습 프로세스 내재형 XAI 접근과 대규모 자기 지도학습 기반 뇌 특화 파운데이션 모델을 중심으로 성능 추이를 비교·분석한다. 아울러 문헌 보고가 부재하였던 모델들을 포함한 총 6개 모델을 다기관 REST-meta MDD 코호트에서 단일 실험 설정으로 직접 재구현한 보충 실험을 통해 학습 프로세스 내재형 XAI 접근이 최고 분류 성능을 달성함을 실증하였다. 분석 결과, 대규모 사전학습 표현력과 개인 수준의 해석 가능성 모듈의 결합이 분류 정확도 향상뿐만 아니라 신경생물학적 아형 분류를 통한 정밀 의학 구현의 핵심 경로임을 확인하였으며, 향후 멀티모달 통합 및 크로스 사이트 일반화 최적화를 위한 연구 방향성을 제안한다.

제조 이상 탐지에서는 이미지 단위 이상 판정뿐만 아니라 오탐 허용이 낮은 저오탐률(Low False Positive Rate, Low-FPR) 조건에서 결함 위치를 안정적으로 검출하는 성능도 중요하다. 본 연구는 RobustAD 데이터셋의 Metal Parts와 PCB 그룹에서 PaDiM, PatchCore, WinCLIP, AnomalyCLIP을 평가하고, AUROC 중심의 성능 보고가 Low-FPR 조건에서 결함의 위치 검출 강건성을 충분히 설명하는지를 평가지표 AUPIMO와 변화에 따른 성능 저하를 나타내는 ARD-AUPIMO로 분석하였다. PaDiM과 PatchCore는 5개 시드 반복 평가의 주 비교군으로, WinCLIP과 AnomalyCLIP은 RobustAD의 정상 이미지로 추가 학습하지 않은 CLIP 기반 보조 참조군으로 사용하였다. 실험 결과, PCB에서 PatchCore는 Pixel AUROC가 0.9446으로 나타났으나 AUPIMO는 0.3745에 그쳤으며, PCB Shadow 조건에서는 Pixel AUROC가 약 0.9335로 유지된 반면 AUPIMO는 약 0.0093에 머물렀다. 이는 Pixel AUROC가 높아 정상 픽셀과 결함 픽셀을 전반적으로 잘 구분하는 것처럼 보이더라도, Low-FPR 조건에서 안정적인 결함 위치 검출이 항상 보장되지는 않음을 시사한다. 따라서 본 연구는 RobustAD 기반 강건성 평가에서 AUROC만으로 결함 위치 검출 성능을 충분히 설명하기 어려움을 실험으로 확인하였으며, AUPIMO와 ARD-AUPIMO를 함께 보고함으로써 Low-FPR 조건에서의 결함 위치 검출 실패와 환경 변화 요인별 성능 저하를 구분하여 평가할 수 있다는 근거를 제시하였다.

본 연구에서는 기존 CdS 센서를 대체할 수 있는 소자로서 양극성(Bidirectional) 포토트랜지스터의 광학적 특성을 분석하고, 보일러용 불꽃감지소자로서의 적용 가능성을 평가하였다. 실험 결과, 단일 포토트랜지스터는 700~1000 nm의 파장 영역에서 광응답을 나타냈으며, 특히 850~900 nm 부근에서 가장 높은 출력 특성을 보였다. 또한 양극성 포토트랜지스터에 에폭시수지(YE-1409WBK-A와 YE-1409WBK-B를 혼합하여 제작)를 적용한 경우, 850 nm 이상의 근적외선(NIR) 영역에서 우수한 검출 특성을 나타냈다. 반면, 에폭시수지를 적용하지 않은 경우에는 740 nm 이하의 파장 영역에서만 광응답이 확인되었다. 또한 형광등 조명 환경에서 수행한 실험에서는 에폭시수지를 적용한 광센서는 가시광선 영역의 광에 대한 응답이 거의 나타나지 않았으며, 에폭시수지를 적용하지 않은 광센서는 형광등 광을 검출하였다. 이러한 결과는 에폭시수지가 가시광선 영역의 광을 효과적으로 억제하고 근적외선 영역의 광에 대한 상대적인 검출 특성을 유지하는 광학 보호층으로 작용함을 보여준다. 따라서 제안한 양극성 포토트랜지스터와 에폭시수지의 조합은 주변광에 의한 오검출을 감소시키면서 보일러용 불꽃감지소자의 신뢰성과 안정성을 향상 시킬 수 있으며, 기존 CdS 센서를 대체할 수 있는 유망한 불꽃 감지 소자로 활용될 수 있을 것으로 판단된다.

생성형 인공지능(Generative AI) 기술의 급격한 발전으로 환경 모니터링 시스템에서 생성·유통되는 데이터의 진위 여부를 판별하는 것이 중요한 과제로 부상하였다. 본 논문에서는 GAN(Generative Adversarial Network), 확산 모델(Diffusion Model) 등의 생성형 AI를 통해 생성된 허위 환경 데이터를 탐지하고, 데이터의 무결성을 보존·검증하기 위한 통합 프레임워크를 제안한다. 제안 시스템은 디지털 워터마킹, 블록체인 기반 출처 추적, 연합학습 기반 이상 탐지의 세 가지 핵심 모듈로 구성된다. 프로토타입 수준의 실험 결과와 제안한 프레임워크는 환경 데이터 탐지에서 F1-score 기준 평균 92.4%의 성능을 달성하였으며, 블록체인 기반 무결성 검증에서 위조 감지율 98.84%를 확인하였다. 본 연구는 탄소 배출, 대기질, 수질 등 공공 신뢰도가 중요한 환경 데이터 생태계의 보안 강화에 기여할 것으로 기대된다.

연속혈당측정기(CGM) 연동 인슐린 펌프는 보안 침해가 투여 오류로 전이될 수 있는 사이버-물리 시스템이다. 본 논문은 저전력 MCU용 규칙·통계 기반 경량 이상 탐지를 제안한다. Simglucose 0.2.11의 가상 환자 9명과 8종 공격(72건) 평가에서 탐지율은 100.0%(95% CI 94.9-100.0), 정상 2,592개 결정창의 오탐률은 2.20%(95% CI 1.70-2.84), 평균 지연은 6.6분이었다. 정적 추정은 76개 연산··비교와 RAM 89B였다. 구동부는 합성 명령-전달량 프록시이므로 HIL 검증이 필요하다.

본 논문은 SiON pMOSFET의 AC 스트레스에 의한 열화 메커니즘 분석을 제시한다. 이를 위해 AC 스트레스를 구성하는 OFF 상태, ON 상태, transition 구간의 3가지 hot carrier injection 스트레스에 의한 열화를 각각 확인하였고, 효율적인 열화 예측 모델을 위해 ON 상태와 OFF 상태의 상호작용에 의한 열화 메커니즘 분석을 진행하였다. 이전 단계로 ON 상태 스트레스(pre-ON 상태)가 인가되어 발생하는 열화를 분석하기 위해 문턱전압(V_th) 열화 프로파일을 추출하였으며, pre-ON 상태 이후 후속으로 진행되는 OFF 상태(post-OFF 상태)에 미치는 영향을 확인하기 위해 마찬가지로 V_th 열화 프로파일을 추출하고 분석하였다. 그 결과, pre-ON 단계에서 스트레스에 의해 산화물층에 축적된 양전하가 post-OFF 단계에서 게이트와 채널 사이의 전계를 비균일하게 변화시켜 post-OFF 단계의 열화를 가속화함을 알 수 있었다. 또한, 이러한 현상은 fringing field 효과로 인해 pre-ON 상태에서 양전하가 더 많이 축적되는 소스 및 드레인 가장자리 근처에서 더욱 집중되어 나타났다. 채널 위치별로 정량화하면 이러한 가속은 드레인 가장자리에서 약 2.8배, 소스 가장자리 약 3.5배에 달하며, 이는 향후 duty ratio 의존적 AC 열화 예측 모델로 확장 가능한 정량적 근거가 된다.