본 연구는 클러스터링 검증 데이터셋의 유효성을 측정하는 새로운 방법론을 제시합니다. 기존 방식의 한계를 극복하기 위해 클러스터 레이블 일치도(CLM)를 평가하는 조정된 내부 검증 척도(Adjusted IVMs)를 개발하여, 데이터셋 간의 CLM을 효과적이고 신뢰성 있게 평가하고, 더욱 신뢰할 수 있는 벤치마크 데이터셋을 구축하는 데 기여합니다.

본 연구는 차량 인터넷(IoV)에서 머신러닝(ML) 활용 시 발생하는 프라이버시 문제 해결을 위한 프라이버시 보존 머신러닝(PPML) 기술의 적용에 대한 포괄적인 분석을 제공합니다. IoV 시스템 아키텍처 제안, 주요 응용 분야 분석, 다양한 PPML 기법의 성능 평가 및 향후 연구 방향 제시를 통해, IoV 애플리케이션의 프라이버시 및 신뢰성 향상에 기여할 것으로 기대됩니다.

본 기사는 제조업 산업 인터넷(MII)에서 AI 시스템의 복원력을 강화하는 새로운 프레임워크인 FAIR에 대해 소개합니다. FAIR는 다양한 위험 요소를 고려하여 AI 시스템의 성능 저하 원인을 진단하고, 이를 바탕으로 효과적인 복구 전략을 제시합니다. 에어로졸 젯 프린팅 기계 테스트베드를 통해 실효성을 검증한 FAIR는 더욱 안전하고 효율적인 제조 환경 구축에 기여할 것으로 기대됩니다.

Asela Hevapathige, Ahad N. Zehmakan, Qing Wang 세 연구원은 학습 가능한 Bakry-Émery 곡률을 이용한 깊이 적응형 그래프 신경망(GNN)을 개발하여 그래프 기반 작업의 표현 학습 능력을 향상시켰습니다. 정점별 곡률에 따른 동적 계층 조정과 효율적인 근사 전략을 통해 대규모 그래프에서도 효과적인 학습을 가능하게 하였으며, 벤치마크 데이터셋에서 우수한 성능을 입증했습니다.

Seunghoi Kim 등 연구진이 개발한 DynamicDPS는 조건부 및 비조건부 확산 모델을 결합하여 의료 영상 재구성에서 환각 문제를 해결하는 혁신적인 프레임워크입니다. 적응형 단계 크기 조정 및 최적 시작점 선택을 통해 효율성과 정확성을 높였으며, 실제 MRI 스캔 데이터에서 중요 조직의 상대 용적 추정치를 15% 이상 향상시키는 등 뛰어난 성능을 보였습니다.