범용 기계 학습 원자간 포텐셜(uMLIP)은 응축상 분자 동역학(MD) 시뮬레이션을 제일원리 수준의 정확도로 수행할 수 있게 하지만, 명시적인 분자 위상 정보의 부재로 인해 결합 기반 분석 및 고전적 힘장과의 연동에 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 CoTAR이라는 하이브리드 그래프 신경망(GNN)-은닉 마르코프 모델(HMM) 프레임워크를 제안합니다.
CoTAR은 학습된 국소 환경, 화학적 제약 조건, 시간적 평활화를 결합하여 원자 종류와 좌표로부터 결합 연결성 및 차수, 형식 전하, 비공유 전자를 재구성합니다. 벤치마크 시스템당 20개의 레이블링된 스냅샷으로 공동 미세 조정을 거친 후, CoTAR은 128개 uMLIP 시스템에서 범주-매크로 결합 및 조건부 결합 차수 F1 점수 0.992와 0.998을 달성했으며, 82.1%의 화학적으로 유효한 스냅샷을 생성했습니다.
제로샷 테스트에서는 모든 비이온성 시스템에서 성공적이었으나, 이온성 혼합물에서는 형식 전하 오류가 지속적으로 나타났습니다. 성공적으로 재연결된 시스템의 경우, 재구성된 위상 시뮬레이션 결과는 밀도, 원소별 확산, 분자간 방사형 분포 함수에서 참조 위상 결과와 높은 일치를 보였습니다.
이러한 결과는 CoTAR이 비반응성, 위상 보존 시스템의 현재 범위 내에서 위상 정보가 없는 uMLIP 궤적을 화학적으로 완전한 분자 표현으로 전환하는 실용적인 경로를 제공함을 입증합니다.
미주신경성 실신(VVS)은 흔한 일시적 의식 소실의 원인이지만 진단에 어려움이 있습니다. 표준 진단법인 기립경 검사(HUTT)는 민감도가 제한적이며, 인공지능(AI) 기반 도구는 프라이버시 및 해석 가능성 문제로 도입이 지연되고 있습니다. 본 연구는 HUTT에서 얻은 생체 신호를 활용하여 VVS 탐지를 위한 프라이버시 보호 개념 증명 프레임워크를 탐색합니다.
총 137명의 참가자(VVS 양성 54명, 음성 83명) 데이터를 분석하여 심전도(ECG) 및 혈압 신호에서 54개 특징을 추출했습니다. 차등 프라이버시 확률적 경사 하강법(DP-SGD)을 사용하여 로지스틱 회귀 모델을 훈련했으며, 보안 추론을 위해 동형암호(FHE)의 CKKS(Cheon–Kim–Kim–Song) 방식을 적용했습니다. 모델 해석 가능성은 LIME 및 SHAP 분석으로 평가했습니다.
DP-SGD 모델은 ε ≈ 16.5, δ = 10⁻⁵의 프라이버시 예산 하에서 0.833 ± 0.035의 정확도와 0.888 ± 0.019의 ROC-AUC를 달성했습니다. 그러나 FHE 기반 추론은 다항식 근사 제약으로 인해 성능이 크게 저하되었습니다(ROC-AUC ≈ 0.53). 해석 가능성 분석 결과, 기립기 혈역학적 특징(SBP_T, DBP_T) 및 자율신경계 지표(LFHF_RRI_T, LFHF_SBP_T)가 주요 예측 인자로 일관되게 확인되었습니다.
본 연구는 프라이버시를 보호하면서 VVS를 탐지할 수 있는 AI 모델의 가능성을 제시합니다. 특히, 차등 프라이버시 기법이 효과적인 성능을 유지하면서 데이터 보안을 강화할 수 있음을 보여주었습니다. 향후 FHE 성능 개선을 통해 실제 의료 환경에서의 적용 가능성을 높일 수 있을 것입니다.
CMS 실험에서 입자 충돌 이벤트를 재구성하는 데 핵심적인 입자 흐름(PF) 알고리즘은 최종 상태 입자들의 포괄적인 목록을 생성하여 충돌에 대한 전역적 설명을 제공합니다. 기존 PF 구현은 물리학 기반의 경험적 방법과 가정에 의존하지만, 본 연구는 이를 시뮬레이션 데이터로 직접 학습되고 GPU에 최적화된 기계학습(ML) 모델로 대체하는 방법을 제시합니다.
본 연구에서는 CMS 소프트웨어 프레임워크 내에 구현된 최첨단 ML 기반 PF (MLPF) 재구성 알고리즘을 소개합니다. MLPF 알고리즘은 GPU에서 학습 가능한 전체 이벤트 재구성을 수행하며, 다양한 검출기 조건과 충돌 에너지에 걸쳐 일반화되고, 여러 모듈식 재구성 단계를 단일 통합 모델로 대체합니다.
MLPF는 시뮬레이션 및 실제 데이터 모두에서 표준 PF 재구성과 유사한 물리학적 성능을 달성하며, 제트 에너지 분해능과 추론 시간에서 개선을 보였습니다. 특히, LHC Run-3 (2023–2024) 조건의 시뮬레이션 탑 쿼크-반쿼크 이벤트에서 횡방향 운동량 30–100 GeV 범위의 제트 에너지 분해능이 10–20% 향상되었습니다.
추론 시간 평가 결과, Nvidia L4 GPU에서 이벤트당 중앙값 20ms를 기록하여 표준 CMS PF 재구성의 약 110ms에 비해 크게 단축되었습니다. 이러한 MLPF 알고리즘은 고에너지 물리학 실험의 데이터 처리 효율성을 혁신하고, 미래 실험에서 복잡한 이벤트 재구성의 정확성과 속도를 향상시키는 데 기여할 수 있습니다.
대장암은 전 세계적으로 암 관련 사망의 주요 원인이며, 정확한 예후 모델 개발의 중요성이 커지고 있다. 기존 연구에서는 생존 예측 시 시간-대-사건(time-to-event) 데이터를 이진 변수로 변환하여 일반 분류 알고리즘을 적용하는 경우가 많았다. 이는 데이터의 시간적 특성과 중도 절단(censoring)을 무시하는 방법론적 한계를 내포한다.
본 연구는 이러한 관행의 문제점을 비판하고, 중도 절단을 적절히 처리하며 해석 가능한 생존 분석 전용 기계 학습 방법론의 필요성을 강조한다. 브라질 상파울루주 대장암 환자 데이터를 활용하여, 기존 분류 기반 XGBoost 모델 연구를 재검토하고, 랜덤 생존 산림(Random Survival Forests, RSF) 모델을 다양한 분할 규칙으로 적용하여 비교 분석했다.
예측 성능은 Harrell의 C-index와 Integrated Brier Score로 평가했으며, SHAP 값을 통해 모델의 해석 가능성을 분석했다. 연구 결과, RSF는 안정적인 성능을 보이며 임상적으로 유의미한 사망 예측 인자를 식별했다. 반면, 분류 모델은 특히 중도 절단 비율이 높을수록 생존 확률을 체계적으로 과소평가하는 경향을 보였으며, 이는 시뮬레이션 연구를 통해 재확인되었다.
이러한 발견은 중도 절단된 시간-대-사건 데이터 분석에 있어 생존 분석 전용 기계 학습 방법론의 중요성을 강조한다. 본 연구는 대장암 환자의 예후 예측 정확도를 높이고, 보다 신뢰할 수 있는 임상 의사결정을 지원하는 데 기여할 수 있다.
연합 추천(FedRec)은 사용자 기기에서 원시 상호작용 데이터를 공유하지 않고 모델을 훈련하여 개인 정보 보호를 강화한 추천 시스템입니다. 그러나 개인화된 FedRec은 개인화와 자원 효율성 사이에서 여전히 상충 관계에 직면해 있습니다. 본 연구는 지역 최적화 관점에서 개인화를 재조명합니다.
충분히 긴 지역 최적화가 사용자별 아이템 구조를 형성할 수 있지만, 잦은 동기화나 전체 교체는 이를 방해할 수 있음을 발견했습니다. 이러한 관찰을 바탕으로, 본 연구는 모델 불가지론적 프레임워크인 FedRKG를 제안합니다. FedRKG는 장기 지역 최적화(Long-Horizon Local Optimization)를 통해 개인화된 아이템 임베딩을 형성하고, 간헐적인 정규화된 지식 유도(Regularized Knowledge Guidance)를 통해 공통 전역 지식을 주입합니다. 이 설계는 지역 임베딩을 교체하거나 이중 표현을 유지할 필요 없이 공유된 협업 신호를 통합합니다.
또한, 사용자-아이템 상호작용 수준에서 전역 지식의 영향을 제어하기 위한 적응형 유도(Adaptive Guidance)를 도입합니다. 광범위한 실험 결과, FedRKG는 저장 및 통신 비용을 절감하면서 최신 FedRec 기준선보다 지속적으로 우수한 성능을 보였습니다.
본 연구는 개인화된 연합 추천 시스템의 효율성과 성능을 동시에 향상시키는 새로운 접근 방식을 제시하며, 향후 관련 연구 및 실제 서비스 개발에 기여할 수 있을 것으로 기대됩니다.
장거리 오일 및 가스 파이프라인의 안전한 운영을 위해 외부 방식 코팅의 무결성 확보는 매우 중요합니다. 건설 현장 이미지는 복잡한 배경, 다중 스케일 객체, 그리고 길거나 경계가 불분명한 코팅 상태를 포함하여, 낮은 겹침 조건에서 기존 바운딩 박스 회귀에 어려움을 줍니다.
본 연구는 장거리 천연가스 파이프라인 건설 현장에서 수집한 1388개의 이미지와 6가지 코팅 상태 범주에 걸친 1756개의 주석 인스턴스로 구성된 실제 현장 데이터셋을 구축했습니다. YOLOv10n을 기반으로, 훈련 중 객체의 스케일과 종횡비에 따라 NWD(Normalized Wasserstein Distance) 가중치를 조절하는 스케일-종횡비 적응형 NWD(SA-NWD) 회귀 전략을 개발했습니다.
6가지 무작위 시드에 걸쳐 SA-NWD는 가장 높은 평균 Recall(0.459 vs. 기준선 0.437)과 mAP@0.5(0.451 vs. 0.431)를 달성했습니다. 반면, 고정 가중치 NWD는 가장 높은 평균 mAP@0.5:0.95(0.251 vs. 기준선 0.240)를 기록했습니다. 형태학적으로 그룹화된 분석에서 SA-NWD는 극도로 긴 객체에 대해 더 높은 Recall(0.714 vs. 고정 가중치 NWD의 0.659)과 낮은 시드 간 표준 편차(±0.027 vs. ±0.101)를 보였습니다.
이 결과는 SA-NWD가 형태학적으로 복잡한 코팅 상태의 높은 Recall 선별에 유용하며, 고정 가중치 NWD는 더 안정적인 높은 IoU(Intersection over Union) 지역화를 제공할 수 있음을 시사합니다. 두 전략 모두 YOLOv10n 기준선의 추론 아키텍처, 매개변수 수, GFLOPs를 유지합니다.
