• 정보보호학회논문지
• /
• 제32권2호
• /
• pp.201-211
• /
• 2022

최근 사이버보안 패러다임의 변화에 따라, 인공지능 구현 기술인 기계학습과 딥러닝 기법을 적용한 이상탐지 방법의 연구가 증가하고 있다. 본 연구에서는 공개 데이터셋인 NGIDS-DS(Next Generation IDS Dataset)를 이용하여 GRU(Gated Recurrent Unit) 신경망 기반 침입 탐지 모델의 이상(anomaly) 탐지 성능을 향상시킬 수 있는 데이터 전처리 기술에 관한 비교 연구를 수행하였다. 또한 정상 데이터와 공격 데이터 비율에 따른 클래스 불균형 문제를 해결하기 위해 DCGAN(Deep Convolutional Generative Adversarial Networks)을 적용한 오버샘플링 기법 등을 사용하여 오버샘플링 비율에 따른 탐지 성능을 비교 및 분석하였다. 실험 결과, 시스템 콜(system call) 특성과 프로세스 실행패스 특성에 Doc2Vec 알고리즘을 사용하여 전처리한 방법이 좋은 성능을 보였고, 오버샘플링별 성능의 경우 DCGAN을 사용하였을 때, 향상된 탐지 성능을 보였다.

• 정보화정책
• /
• 제30권1호
• /
• pp.67-88
• /
• 2023

제조물책임 범위 확장이 필요한 것은 제조물책임법 제정 시 산업 환경이 변했기 때문이다. 사람이 코딩한 알고리즘과 다르게, 인공지능은 기계학습에 따라 블랙박스화 되면서 개발자도 결과를 설명하지 못한다. 특히, 인공지능으로 인하여 발생하는 문제의 원인을 알 수 없기 때문에 책임소재도 불분명할뿐더러 피해자 배상도 쉽지 않다. 동산 등으로 한정된 제조물책임법에 따라 소프트웨어(SW)나 인공지능은 무체물로 제조물성이 인정되지 않기 때문이다. 고육지책으로 매체에 저장되거나 내장된 경우에는 제조물성이 인정될 수 있다고 한다. 그러나 매체에 따라 달리 적용되는 것은 타당하지 않다. EU는 인공지능이 포함된 경우, 제조물책임을 인정하는 제조물책임지침 개정을 추진 중이다. 피해자에 대한 보상이 제조물책임법이 추구하는 가치임에도 제조물성에 치중하여 본질을 간과해왔다. 다만, 인공지능이 채택된 서비스를 이용하여 발생한 사고라도 무조건적으로 제조물책임을 지우는 것이 아닌 실질적인 위험성에 따른 기준이 제시되는 것이 바람직하다.

• 한국융합학회논문지
• /
• 제13권1호
• /
• pp.141-147
• /
• 2022

디지털 헬스케어의 정의는 광의로는 헬스케어 산업과 ICT가 융합되어 개인건강과 질환을 관리하는 산업영역을 의미하고, 협의로는 환자의 건강을 향상시키기 위해 의료 서비스를 관리하는데 다양한 의료 기술을 사용하는 것을 포함한다. 본 논문은 디지털 헬스케어 분야에 적용되고 있는 인공지능과 기계학습 기법들의 활용사례 소개를 통해 다양한 디지털 헬스케어 분야에 인공지능 기술이 안정적이고 효율적으로 적용할 수 있도록 설계 지침을 제공하는 데 목적이 있다. 이를 위해 본 논문에서는 의료분야와 일상생활 분야로 나누어서 살펴보았다. 두 영역은 다른 데이터 특성을 갖는다. 두 개의 영역을 보다 세분화하여 데이터 특성 및 문제 정의 및 특징에 따른 인공지능 알고리즘 활용사례를 살펴보았다. 이를 통해 디지털 헬스케어 분야에서 활용되는 인공지능 기술들에 대한 이해도를 높이고 다양한 인공지능 기술의 활용에 대한 가능성을 검토하여 인공지능 기술이 헬스케어 산업과 개인의 건강한 삶에 기여할 수 있는 근본적인 가치에 대해 고찰한다.

• 대한원격탐사학회지
• /
• 제39권5_1호
• /
• pp.507-519
• /
• 2023

Multi-temporal optical images have been utilized for time-series monitoring of croplands. However, the presence of clouds imposes limitations on image availability, often requiring a cloud removal procedure. This study assesses the applicability of various machine learning algorithms for effective cloud removal in optical imagery. We conducted comparative experiments by focusing on two key variables that significantly influence the predictive performance of machine learning algorithms: (1) land-cover types of training data and (2) temporal variability of land-cover types. Three machine learning algorithms, including Gaussian process regression (GPR), support vector machine (SVM), and random forest (RF), were employed for the experiments using simulated cloudy images in paddy fields of Gunsan. GPR and SVM exhibited superior prediction accuracy when the training data had the same land-cover types as the cloud region, and GPR showed the best stability with respect to sampling fluctuations. In addition, RF was the least affected by the land-cover types and temporal variations of training data. These results indicate that GPR is recommended when the land-cover type and spectral characteristics of the training data are the same as those of the cloud region. On the other hand, RF should be applied when it is difficult to obtain training data with the same land-cover types as the cloud region. Therefore, the land-cover types in cloud areas should be taken into account for extracting informative training data along with selecting the optimal machine learning algorithm.

• 한국항행학회논문지
• /
• 제26권6호
• /
• pp.528-535
• /
• 2022

항공기 제작 및 운송 기술 발달로 국내 항공산업은 비약적인 발전을 이루었으나, 항공안전 사고는 지속해서 발생하고 있다. 관리 감독기관에서는 위험기반 항공안전데이터를 기반으로 위해 요인과 위험도를 분류하고, 운송사업자별 안전 경향성 파악과 취약분야를 도출하여 사전점검을 수행함으로써 사건·사고를 사전 예방중에 있다. 그러나 자연어 형식으로 기술된 항공안전데이터의 휴먼 분류는 지식과 경험, 성향에 따라 서로 다른 분류 결과를 초래하고, 이벤트 내용의 의미 파악 및 분류를 위한 작업에 상당한 시간을 소요케 한다. 이에, 본 논문에서는 KoBERT 모델을 fine-tunning하고 5천 건 이상의 항공안전데이터를 기계학습 시켜 신규 데이터의 분류 값을 예측한 결과 79.2%의 정확성을 보였다. 그리고 유사 이벤트에 대해 동일한 결과 예측과 fail 된 데이터 중 일부는 휴먼 에러에 의한 오류임을 확인할 수 있었다.

• 토지주택연구
• /
• 제14권4호
• /
• pp.95-102
• /
• 2023

도시 지역에서 객체를 탐지하기 위해 드론 고해상도 영상에 기계 학습 알고리즘을 적용하는 다양한 연구가 진행되었다. 그러나 대부분의 차량 추출 연구는 인스턴스 세그멘테이션 대신 경계 박스로 차량을 탐지하여 차량의 방향이나 정확한 경계를 알 수 없다는 한계점이 있다. 인스턴스 세그멘테이션은 개별 개체를 훈련하기 위한 노동 집약적인 레이블링 작업을 필요로 하므로, 차량 추출을 위해 자동 무감독 인스턴스 세그멘테이션을 수행하는 방법에 대한 연구가 필요하다. 따라서 본 연구에서는 드론 영상의 차량 경계 박스에 대해 무감독 SVM 분류 기반의 차량 추출 기법을 제안하였다. 연구 결과, 차량을 89% 정확도로 추출할 수 있음을 확인하였으며 차량 내의 분광 특성이 크게 다른 경우에도 차량을 추출할 수 있음을 확인하였다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.891-907
• /
• 2023

Compact Advanced Satellite 500-4 (CAS500-4) is scheduled to be launched to collect high spatial resolution data focusing on vegetation applications. To achieve this goal, accurate surface reflectance retrieval through atmospheric correction is crucial. Therefore, a machine learning-based atmospheric correction algorithm was developed to simulate atmospheric correction from a radiative transfer model using Sentinel-2 data that have similarspectral characteristics as CAS500-4. The algorithm was then evaluated mainly for forest areas. Utilizing the atmospheric correction parameters extracted from Sentinel-2 and GEOKOMPSAT-2A (GK-2A), the atmospheric correction algorithm was developed based on Random Forest and Light Gradient Boosting Machine (LGBM). Between the two machine learning techniques, LGBM performed better when considering both accuracy and efficiency. Except for one station, the results had a correlation coefficient of more than 0.91 and well-reflected temporal variations of the Normalized Difference Vegetation Index (i.e., vegetation phenology). GK-2A provides Aerosol Optical Depth (AOD) and water vapor, which are essential parameters for atmospheric correction, but additional processing should be required in the future to mitigate the problem caused by their many missing values. This study provided the basis for the atmospheric correction of CAS500-4 by developing a machine learning-based atmospheric correction simulation algorithm.

• 한국컴퓨터정보학회논문지
• /
• 제29권6호
• /
• pp.113-120
• /
• 2024

정보통신 기술이 발전함에 따라 우리는 일상에서 다양한 형태의 데이터를 손쉽게 생성하고 있다. 이처럼 방대한 데이터를 효율적으로 관리하려면, 체계적인 카테고리별 분류가 필수적이다. 효율적인 검색과 탐색을 위해서 데이터는 트리 형태의 계층적 구조인 범주 트리로 조직화되는데, 이는 뉴스 웹사이트나 위키피디아에서 자주 볼 수 있는 구조이다. 이에 따라 방대한 양의 문서를 범주 트리의 단말 노드로 분류하는 다양한 기법들이 제안되었다. 그러나 범주 트리를 대상으로 하는 문서 분류기법들은 범주 트리의 높이가 증가할수록 단말 노드의 수가 기하급수적으로 늘어나고 루트 노드부터 단말 노드까지의 길이가 길어져서 오분류 가능성이 증가하며, 결국 분류 정확도의 저하로 이어진다. 그러므로 본 연구에서는 사용자의 요구 분류 정확도를 만족시키면서 세분화된 분류를 구현할 수 있는 새로운 노드 확장 기반 분류 알고리즘을 제안한다. 제안 기법은 탐욕적 접근법을 활용하여 높은 분류정확도를 갖는 노드를 우선적으로 확장함으로써, 범주 트리의 분류 정확도를 극대화한다. 실데이터를 이용한 실험 결과는 제안 기법이 단순 방법보다 향상된 성능을 제공함을 입증한다.

• 융합보안논문지
• /
• 제23권5호
• /
• pp.135-142
• /
• 2023

생활 폐기물 쓰레기는 기후 변화, 자원 부족, 환경 오염을 불러오는 대표적인 문제로서, 이러한 문제를 해결하기 위해 지능적으로 쓰레기를 분류하는 방식을 연구하였고, 전통적인 분류 알고리즘부터 기계학습, 신경망에 이르기까지 많은 연구가 진행되고 있다. 그러나, 다양한 환경과 조건에서 쓰레기를 분류하기에는 여전히 데이터셋이 부족하고, 신경망 네트워크 구성 복잡도가 증가하며, 성능 측면에서도 실생활에 적용하기에 아직 미흡하다. 따라서 본 논문에서는 신속한 분류와 정확도 향상을 위해 i-YOLOX를 제안하고, 네트워크 매개변수, 검출속도, 정확도 등을 평가한다. 이를 위해 17개의 폐기물 범주를 포함하는 10,000개의 가정용 쓰레기 대상 샘플로 데이터 세트를 구성하고, YOLOX 구조에 Involution 채널 컨볼루션 연산자와 CBAM(Convolution Branch Attention Module)을 도입하여 i-YOLOX를 구성하고, 기존의 YOLO 구조와 성능을 비교한다. 실험 결과 복잡한 장면에서 쓰레기 객체 검출 속도와 정확도가 기존의 신경망에 비해 향상되어, 제안한 i-YOLOX 구조가 생활 폐기물 다중 객체 검출과 분류에 효과적임을 확인하였다.

• 실천공학교육논문지
• /
• 제16권1_spc호
• /
• pp.65-70
• /
• 2024

인공지능 교육에 대한 관심이 증가함에 따라, 연구자들은 인공지능 교육 프로그램을 실시하기 위해 노력하였다. 그러나 예비 교사를 대상으로 개발된 연구는 현재까지 제한적인 것으로 나타났다. 따라서 이 연구는 예비 중등교사를 위한 인공지능 리터러시 교육 프로그램을 개발하기 위해 실시되었다. 연구 결과, 주차별 주제는 인공지능의 정의와 적용, 지능 에이전트 분석, 데이터의 중요성, 기계학습의 이해, 예측과 분류에 대한 실습, 분류와 군집에 대한 실습, 비정형 데이터에 대한 실습, 딥러닝의 이해, 딥러닝 알고리즘의 활용, 공정성, 투명성, 책무성, 안전성, 사회통합으로 구성되었다. 이 연구를 통해 예비 교사를 대상으로 인공지능 리터러시 교육 프로그램이 확대되기를 희망한다. 추후에는 교원양성기관에서 관련 교육을 실시하고, 그 효과를 분석하는 후속 연구들이 실행되기를 희망한다.