데이터샤우츠
[2026-04-02 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 본문
📖 Information & Management - 3건
Why we cannot stop repetitive scrolling on short-form video apps: The roles of content types and recommendation systems
본 연구는 짧은 동영상 애플리케이션에서 반복적인 스크롤링을 멈추지 못하는 이유를 콘텐츠 유형과 추천 시스템의 역할에 초점을 맞춰 규명하고자 했다. 기존 연구들이 빠른 콘텐츠 전달과 정교한 추천 알고리즘이라는 짧은 동영상 앱의 독특한 특성을 충분히 포착하지 못했다는 문제의식에서 출발하였다. 연구팀은 확장된 자극-반응-강화(Stimulus-Response-Reinforcement) 프레임워크를 기반으로, 콘텐츠 유형과 추천 시스템이 자극으로 작용하고 사용자의 기대감이 부분적 강화로 기능하여 강박적인 스크롤링을 유발한다는 모델을 제안하였다. 연구 방법론으로는 온라인 설문조사를 실시하고 잠재 프로파일 분석(Latent Profile Analysis)을 활용하여 강박적 사용 프로파일을 식별하였다. 주요 연구 결과는 기대감(anticipation)이 강박적 스크롤링을 유의미하게 증가시키는 것으로 나타났으며, 콘텐츠 유형과 추천 시스템 간의 상호작용은 기대감에 혼합된 영향을 미친다는 점을 발견하였다. 이러한 결과는 짧은 동영상 앱 사용자의 강박적인 행동을 설명하는 데 있어 콘텐츠와 추천 메커니즘의 복합적인 역할을 이론적으로 규명하고, 실제 사용자 행동에 대한 중요한 통찰을 제공함으로써 향후 플랫폼 설계 및 디지털웰빙 연구에 학술적 의의를 지닌다고 할 수 있다.
The flight of women from the information technology profession: nuances and global perspectives
본 연구는 IT 인력 시장에서 여성 이탈을 야기하는 요인은 무엇인가라는 핵심 연구 질문을 다루었다. 설문조사 방식과 36개국 2578명의 여성 IT 종사자 데이터를 활용한 월드 IT 프로젝트 자료를 기반으로 직무 요구-자원(JD-R) 모델과 젠더 및 IT 개인차 이론(IDTGIT)을 통합하여 연구 모델을 구축하였다. 구조 방정식 모델링(SEM)과 다중 그룹 분석을 사용하여 측정 모델과 구조 모델을 검증하였다. 직무 소진은 여성의 IT 직업 이탈 의도에 직접적인 영향을 미치지 않았으나, 직무 만족도 저하를 통해 간접적으로 이탈 의도를 증가시켰다. 직무 만족도는 여성의 IT 직업 이탈 의도를 예측하는 핵심 요소로 나타났다. 환경적 요인으로, 성 불평등 지수가 낮거나 ICT 개발 수준이 낮은 국가의 여성 IT 종사자는 직무 과부하로 인한 직무 소진을 더 강하게 경험하는 경향을 보였다. 또한 낮은 성 불평등 지수와 ICT 개발 수준의 국가에서는 직무 소진이 이탈 의도로 이어지는 경향이 더 강했다. 흥미롭게도 성 불평등 지수가 높은 국가의 여성은 일-가정 갈등이 직무 만족도에 미치는 부정적 영향이 더 컸으며, 낮은 성 불평등 지수 국가의 여성은 직무 만족도가 이탈 의도를 감소시키는 효과가 더 강했다. 정체성 요인으로, 30~50세의 중년 여성은 일-가정 갈등이 직무 소진 및 직무 만족도에 미치는 부정적 영향이 오히려 약하게 나타났지만, 30세 미만과 50세 이상 여성은 일-가정 갈등으로 인한 직무 만족도 저하를 더 크게 경험했다. 기술직 여성은 직무 과부하로 인한 직무 소진과 일-가정 갈등으로 인한 직무 만족도 저하를 더 많이 겪었으며, 직무 소진 시 이탈 의도도 더 높았다. 비기술직 여성은 직무 소진이 직무 만족도에 미치는 부정적 영향이 더 강하게 나타났다. 개인적 요인으로, 친구 관계가 약한 여성은 일-가정 갈등으로 인한 직무 소진을 더 심하게 겪었고, 직무 소진 시 이탈 의도도 더 높았다. 하지만 친구 관계가 강한 여성은 일-가정 갈등이 직무 만족도에 미치는 부정적 영향이 더 강하게 나타났으며, 이는 관계 유지를 위한 감정 노동의 소모가 직무 만족도를 저해할 수 있음을 보여주었다. 자기효능감이 낮은 여성은 직무 과부하와 일-가정 갈등으로 인한 직무 소진 및 직무 만족도 저하를 더 많이 경험했으며, 직무 만족도가 이탈 의도를 감소시키는 영향도 더 강했다. 특히, 자기효능감이 높은 여성은 직무 과부하로 인한 직무 소진을 더 강하게 경험했고, 직무 소진 시 이탈 의도가 더 강했는데, 이는 유능한 여성이 소진 상황에서 대안적 경력을 모색할 가능성이 높다는 역설적 발견이었다. 본 연구는 JD-R 모델과 IDTGIT 이론을 통합하여 IT 분야에서 여성의 직무 이탈 요인을 다각도로 분석함으로써, 여성을 동질적인 집단으로 간주하지 않고 다양한 환경적, 정체성적, 개인적 맥락에서 그들의 경험을 미묘하게 이해하려는 시도를 하였다. 이는 기존 연구의 한계를 극복하고 여성 IT 종사자의 이탈을 방지하기 위한 맞춤형 정책 및 조직 개입의 필요성을 강조하는 학술적, 실무적 의의를 지닌다. 특히 성 불평등 수준, ICT 개발 수준, 경력 단계, 역할 유형, 사회적 네트워크, 자기효능감 등 다양한 요인이 여성의 직무 스트레스 및 이탈 의도에 미치는 영향을 규명하여, 글로벌 IT 인력 시장에서의 젠더 불균형 해소에 기여할 수 있는 구체적인 통찰을 제공했다.
The impact of generative artificial intelligence on software development performance: a study based on the theory of technology dominance
본 연구는 정보 시스템 개발에서 프로그래머의 인공지능(AI) 도구 의존이 시스템 개발 성과에 미치는 영향에 대한 포괄적인 연구가 부족하다는 문제의식에서 출발하였다. 기술 지배 이론에 기반을 두어 AI 의존이라는 개념을 도입하고, 과업-기술 적합성, 개인의 과업 경험, 지식 통합과 같은 다양한 요인들을 통합하여 정보 시스템 개발 성과를 예측하는 모델을 개발하였다. 연구 방법론으로는 대만 500대 기업 및 소프트웨어 서비스 산업에 종사하는 프로그램 개발 직원들을 대상으로 정량적 설문 조사를 실시하였고, 부분 최소 제곱 구조 방정식 모델링(PLS-SEM)을 활용하여 모델을 평가하였다. 주요 연구 결과는 연구 가설과 변수 간의 관계를 확인하였으며, 특히 AI 의존이 정보 시스템 개발 성과에 유의미한 영향을 미친다는 점을 명확히 입증하였다. 이러한 발견은 정보 시스템 개발자들에게 실질적인 시사점을 제공하고, 인공지능 도구 활용 전략을 최적화하려는 기업들에게 중요한 참고 자료가 된다는 학술적 및 실무적 의의를 가진다.
📖 International Journal of Information Management - 3건
Organizational learning for exploring Generative AI: CORE-sandbox experiments
이 연구는 높은 불확실성과 급변하는 환경에서 조직이 생성형 인공지능(GenAI)의 역량, 기회, 위험, 생태계(CORE)에 대해 체계적으로 학습하는 방법을 규명하고자 하였다. 기존 조직 학습 이론들을 통합하여 'CORE-샌드박스 실험' 프레임워크를 제안했으며, 이는 GenAI에 대해 '무엇을 학습할 것인가(CORE)'와 '어떻게 학습할 것인가(샌드박스 실험)'라는 두 가지 주요 질문에 답을 제시하였다. 연구 방법론으로 대규모 국제 서비스 기업에 프레임워크를 적용하여 CORE 미지점 범위 설정, 기업 생태계 내 맥락화, 병렬 실험 수행, 결과 통합이라는 네 가지 활동을 수행하였다. 경영진, 실험자, 사용자를 대상으로 심층 인터뷰, 설문조사, 몰입형 관찰 등 다양한 데이터 수집 방식을 통해 여덟 가지 샌드박스 실험을 분석하였다. 핵심 발견으로는 GenAI의 기술적 기능 식별과 직원들의 프롬프트 엔지니어링 및 이미지 생성 역량 강화, 그리고 이들을 통한 생산성 향상 및 반복 업무 경감 기회가 확인되었다. 동시에 고용 불안정성, 기술 구식화, GenAI의 환각 현상 및 신뢰성 부족, 과도한 의존, 윤리적 위험(사회적 고립 및 정보 유출) 등의 위험 요인도 도출되었다. 또한 모델 및 기능의 잦은 업데이트와 공급업체 의존성 증가로 인한 생태계의 불확실성 역시 인지되었다. 이 프레임워크는 초기 시행착오적 1차 학습을 넘어, 기존 가정과 프로세스를 재평가하는 2차 학습, 그리고 거버넌스 구조와 윤리 원칙을 조정하는 3차 학습까지 촉진하는 효과를 보였다. 학술적으로 이 연구는 GenAI 학습을 위한 구조화된 유연성과 현장 학습 및 비현장 학습의 통합적 접근 방식의 중요성을 제시하며, 불확실한 환경에서의 조직 학습 이론 발전에 기여하였다.
Bound to disclosure: An assessment of secondary data use concerns
이 연구는 소셜 미디어 사용자들의 이차 데이터 사용에 대한 우려가 페이스북에서의 자기 정보 공개 의도에 미치는 영향을 규명하고자, 프라이버시 계산 이론에 기반한 연구 모델을 제안하고 이를 실증적으로 검증하였다. 연구는 프라이버시 역설, 즉 개인의 프라이버시 염려와 실제 행동 간의 불일치를 설명하며, 사용자들은 완전한 합리성보다는 실제적 및 공학적 제약에 의해 형성되는 '제한된 합리성' 하에서 행동한다고 보았다. 방법론적으로는 제한된 합리성 하에서의 정보 공개 결정을 모델링하고 이차 데이터 사용을 프라이버시 우려의 핵심 동인으로 설정하여 프라이버시 계산 이론을 확장하였다. 핵심 발견으로, 개인 정보의 이차적 사용에 대한 우려가 사용자들의 인지된 이점을 감소시키고 위험을 높였지만, 그럼에도 불구하고 사용자들은 정보 공개의 이점이 위험보다 크다고 인식하였다. 이는 소셜 미디어 플랫폼의 불투명하고 다층적인 이차 데이터 사용 방식이 사용자들의 제한된 합리성 조건을 반영하며, 제한된 정보와 인지적 제약 속에서 개인들이 착취에 취약하게 만드는 만족화 행동을 한다는 점을 시사하였다. 본 연구의 학술적 의의는 제한된 합리성 맥락에서 이차 데이터 사용을 프라이버시 우려의 주요 동인으로 통합함으로써 프라이버시 계산 이론을 심화시켰다는 점이다.
The impact of public data openness on firm narrative R&D disclosure
이 연구는 공공 데이터 개방이 기업의 서술형 R&D 공개에 미치는 영향을 분석하였다. 연구진은 공공 데이터 플랫폼의 출시를 정책 변화로 활용하여 이중차분(DID) 접근법을 사용하였다. 분석 결과, 공공 데이터 개방이 시행된 후 기업들은 서술형 R&D 공개를 유의미하게 축소하는 경향을 보였다. 특히, R&D 집약도가 높은 기업과 경쟁적인 산업 환경에 있는 기업일수록 이러한 공개 축소 효과가 더욱 두드러지게 나타났다. 본 연구는 공공 데이터 개방이 R&D 정보 흐름에 미치는 의도치 않은 결과를 조명함으로써 R&D 정보 흐름에 관한 기존 문헌에 중요한 기여를 하였다. 또한, R&D 정보 확산에 대한 잠재적인 부정적 영향을 완화하기 위한 실질적인 권고사항을 논의하였다. 이처럼 연구는 공공 데이터 개방 정책이 기업의 정보 공개 전략에 미치는 복합적인 영향을 밝혀내었다. 연구는 공공 데이터 개방이 단순히 정보 접근성을 높이는 것을 넘어 기업의 전략적 행동 변화를 유발할 수 있음을 보여주었다. 더불어, 정책 입안자들에게 공공 데이터 개방 정책 설계 시 기업의 R&D 공개 유인에 미칠 수 있는 영향력을 고려해야 함을 시사하였다. 이 연구는 공공 데이터 정책의 파급 효과에 대한 심층적인 이해를 제공하며 향후 관련 연구의 기초를 마련하였다.
📖 Decision Support Systems - 2건
From text boxes to talking faces: Comparing chatbots and digital humans for online review collection
이 연구는 온라인 리뷰 수집 과정에서 디지털 휴먼(인공지능 기반의 사실적인 얼굴과 목소리를 가진 에이전트)과 텍스트 기반 챗봇에 대한 사용자 반응을 비교하는 데 목적이 있었다. 특히, 디지털 휴먼이 기존 챗봇 대비 온라인 리뷰 작성 과정에 어떠한 변화를 가져올 수 있는지 탐구하였다. 연구팀은 레스토랑 온라인 리뷰 제공 상황에서 사용자들의 반응을 조사하기 위해 온라인 실험을 수행하였다. 핵심 발견에 따르면, 디지털 휴먼은 에이전트의 인지된 인간성을 유의미하게 향상시켰으며, 이는 리뷰 과정을 보다 비공식적인 대화처럼 느끼게 하는 것으로 나타났다. 이러한 인지된 인간성과 비공식적인 대화적 특성은 인지된 효율성, 만족도, 사용 의도 증가와 같은 결과에 미치는 영향을 매개하는 역할을 하였다. 구체적으로, 텍스트 기반 챗봇을 언어적으로 상호작용하는 디지털 휴먼으로 대체하는 것이 주요 결과 측정치를 개선하는 데 중간에서 큰 수준의 긍정적인 효과를 가져왔다. 이 연구는 디지털 휴먼의 도입이 기업이 온라인 제품 및 서비스 리뷰의 양을 늘리는 데 크게 기여할 수 있음을 시사하며, 인간과 유사한 에이전트의 중요성을 학술적으로 입증하였다. 이는 미래의 고객 서비스 및 피드백 수집 방식에 대한 중요한 통찰을 제공한다.
Extracting declarative constraints for process modeling from natural language descriptions with large language models
이 연구는 조직 내 비정형 텍스트 데이터의 증가로 인해 자연어 설명으로부터 프로세스 모델을 자동 추출하는 중요성이 커지면서 기존 규칙 기반 기술의 일반화 및 제어 흐름 제약 조건 한계를 극복하고자 하였다. 연구팀은 대규모 언어 모델(LLM)을 활용하여 자연어 문장을 Declare 모델링 언어를 사용한 선언적 프로세스 제약 조건으로 변환하는 체계적인 실증 연구를 수행하였다. 이 과정에서 7가지 LLM 아키텍처를 포괄적으로 평가하였으며, 특히 미세 조정(fine-tuning) 접근 방식의 성능을 프롬프트 기법 및 기존 규칙 기반 접근 방식과 비교 분석하였다. 핵심 발견으로, 미세 조정된 모델은 97.8%의 탁월한 템플릿 정확도를 달성하였는데, 이는 기존 규칙 기반 방식의 53.8%와 프롬프트 기법의 56.5%를 훨씬 상회하는 결과였다. 특히 미세 조정 방식은 프롬프트 기법 대비 99.4% 대 56.5%로 현저히 우수한 성능을 보였다. 본 연구는 11개의 Declare 템플릿에 걸쳐 총 969개의 문장-제약 조건 쌍으로 구성된 벤치마크 데이터셋과 방향에 민감한 평가 지표, 그리고 완전한 재현 가능성 자료를 학계에 기여하였다. 이러한 결과는 LLM 기반 프로세스 모델링의 실제 배포를 위한 명확한 지침을 제공하며, 추출된 제약 조건들이 규정 준수 모니터링, 적합성 확인, 자동화된 거버넌스 대시보드 등과 같은 실용적인 의사결정 지원 애플리케이션에 활용될 수 있음을 보여주는 학술적 의의를 지닌다.
📖 Internet Research - 1건
Speaking out freely: the role of ESM platform affordances in employee online voice behavior
이 연구는 기업 소셜 미디어(ESM) 플랫폼에서의 직원 온라인 목소리 행동에 대한 ESM 활용성(아이디어화, 협업, 사회화)의 영향을 개인의 목소리 자신감(자기 효능감 및 역량)의 매개 역할을 중심으로 조사하였다. 중국 내 ESM 도입 기업 직원 730명의 횡단면 데이터를 분석한 결과, ESM의 협업 및 사회화 기능은 직원들의 목소리 자기 효능감과 역량을 강화하여 목소리 행동을 촉진하였다. 그러나 ESM의 아이디어화 기능은 인지된 역량에 유의미한 영향을 미치지 못했으며, 오히려 직원들의 목소리 자기 효능감을 감소시키는 의외의 결과를 나타냈다. 본 연구는 ESM 플랫폼에서 직원 목소리에 대한 어포던스 이론을 확장하였고, 각기 다른 활용성 범주가 자기 효능감 및 인지된 역량 경로를 통해 목소리를 상이하게 형성함을 밝혀냈다. 이러한 결과는 조직과 플랫폼 개발자들이 직원들의 목소리 자신감을 증진시키기 위해 ESM 설계 시 협업 및 사회화 기능을 우선적으로 고려해야 하며, 아이디어화 기능과 관련된 평가 압력을 완화하기 위한 정책적 고려가 필요함을 시사한다.
📖 Electronic Commerce Research and Applications - 1건
From intention to behavior: the moderating role of IT infrastructure on crowdfunding dynamics
본 연구는 개발도상국에서 크라우드펀딩 의도가 실제 행동으로 이어지지 않는 의도-행동 간극을 정보기술(IT) 인프라의 조절 역할에 초점을 맞춰 탐구하였다. 연구 질문은 IT 인프라가 개발도상국의 크라우드펀딩에서 의도-행동 간극을 줄이는지, 특히 금융 기여 및 정보 공유 의도가 실제 기여 및 정보 공유 행동으로 전환되는 과정에서 IT 인프라가 어떤 조절 역할을 하는지 알아보는 것이었다. 본 연구는 탄자니아를 연구 맥락으로 삼아 18세 이상 온라인 사용자 471명을 대상으로 한 온라인 설문조사를 통해 정량적 데이터를 수집하였다. 방법론으로는 7점 리커트 척도를 활용한 변수 조작화와 계층적 다중 선형 회귀 분석(OLS)을 포함하며, 비응답 편향 및 공통 방법 편향 검증을 실시하여 데이터의 신뢰성과 타당성을 확보하였다. 핵심 발견으로, IT 인프라가 정보 공유 의도와 정보 공유 행동 간의 관계를 긍정적으로 조절하며, 또한 정보 공유 의도와 금융 기여 행동 간의 관계를 긍정적으로 조절한다는 사실을 확인하였다. 더불어, 금융 기여 의도와 금융 기여 행동 간의 관계에서도 IT 인프라가 긍정적인 조절 효과를 가졌다. 그러나 금융 기여 의도가 정보 공유 행동에 미치는 영향에 대한 IT 인프라의 조절 역할은 예상과 달리 지지되지 않았다. 학술적 의의로는, 기존 크라우드펀딩 연구에서 주로 다루어진 의도-행동 간의 직접적 관계를 넘어, IT 인프라를 간극을 좁히는 핵심 조절 변수로 제시하여 의도 기반 모델의 이론적 한계를 확장하였다. 또한, IT 인프라의 중요성을 단순한 배경 조건이 아닌 행동 결과에 영향을 미치는 능동적 메커니즘으로 재정립하며, 크라우드펀딩에서 금전적 기여뿐만 아니라 정보 공유를 포괄하는 다차원적 참여의 중요성을 부각하여 연구 범위를 넓혔다.
📖 Journal of Retailing and Consumer Services - 3건
Selling virtual fashion in the metaverse: Behavioral evidence from blockchain transactions
본 연구는 메타버스 마켓플레이스에서 디지털 웨어러블의 구매 및 보유 기간을 유도하는 요인을 조사하였다. 소비 가치 이론과 럭셔리 가치 이론에 기반하여, 아이템 희귀성, 유용성, 미학적 도피주의, 판매자 인기가 소비자 행동에 미치는 영향을 분석하였다. 연구팀은 21개월 동안 65,000건의 실제 블록체인 거래 데이터를 활용하여 행동 데이터를 분석하는 방법론을 채택하였다. 핵심 발견은 다음과 같다: 희귀성은 예상과 다르게 작동하여, 도피적 미학을 가진 흔한 아이템이 인기 있는 판매자에 의해 판매될 때 더 높은 매출을 달성하였다. 또한, 보유 기간은 주로 미학적 요소와 관련이 있었으며, 희귀성이나 유용성은 유의미한 영향을 미치지 않았다. 이러한 결과는 기존의 소비자 가치 프레임워크가 블록체인 기반의 소매 환경에도 적용될 수 있음을 보여주었다. 더 나아가, 사회적 가시성과 미학적 매력이 물질적 희소성을 대체할 수 있음을 밝혔다. 본 연구는 메타버스 마켓플레이스에서 가상 패션을 효과적으로 디자인하고 포지셔닝하며 마케팅하려는 브랜드와 디지털 크리에이터에게 실행 가능한 통찰력을 제공하였다.
Indulgent or self-controlled? How streamer characteristics and health-threat message framing drive purchase intentions
이 연구는 라이브 스트리밍 커머스 환경에서 건강 관련 설득의 효과가 스트리머의 라이프스타일 지향적 특성, 메시지의 위협 프레이밍, 그리고 소비자의 동기 부여 지향성 간의 일치성에 따라 결정됨을 밝히고자 했다. 연구는 스키마 일치성 이론과 조절초점 이론을 통합하여 스트리머 유형과 메시지 프레이밍의 특정 조합이 언제, 왜 더 설득적인지, 그리고 이러한 효과가 인지된 진단성(diagnosticity)과 심리적 반발(psychological reactance)을 통해 어떻게 발생하는지, 그리고 어떤 소비자에게 가장 두드러지게 나타나는지를 규명하는 소스-메시지-소비자 매칭 프레임워크를 개발하고 실증적으로 검증하는 것을 주 목적으로 하였다. 이를 위해 4단계 시나리오 기반 실험 연구를 수행하였으며, 3676명의 참가자를 대상으로 케일 파우더, 로사 록스버기 주스, 블루베리 루테인 정제, 목-어깨 마사지기 등 다양한 건강 관련 제품을 활용했다. 연구 방법론으로는 시뮬레이션된 더우인(Douyin) 인플루언서 프로필을 통해 스트리머의 자기 통제 및 탐닉적 특성을 조작하고, 높은/낮은 건강 위협 메시지 프레이밍을 조작했다. 핵심 발견으로, 스트리머 특성과 메시지 프레이밍이 일치할 때(예: 탐닉적 스트리머와 낮은 건강 위협 메시지, 자기 통제적 스트리머와 높은 건강 위협 메시지) 소비자의 구매 의도가 더 높아진다는 점을 확인했다. 또한, 이러한 매칭 효과는 인지된 진단성 증가와 심리적 반발 감소를 통해 구매 의도를 매개하는 것으로 나타났다. 특히, 소비자의 조절 초점(예방 초점 대 향상 초점)이 이러한 관계를 조절하여, 예방 초점 소비자는 자기 통제적 스트리머가 전달하는 높은 건강 위협 메시지에 더 강하게 반응하는 반면, 향상 초점 소비자는 탐닉적 스트리머가 전달하는 낮은 건강 위협 메시지에 더 긍정적으로 반응함을 밝혔다. 이러한 발견은 스트리머 유형 연구를 정체성 기반의 구분을 넘어 라이프스타일 지향적 가치 신호로 확장하고, 스키마 일치성 이론을 라이브 커머스 맥락의 역할 및 메시지 기반 일치성으로 심화했다. 나아가 인지된 진단성과 심리적 반발이 스키마 일치성이 설득에 미치는 영향을 설명하는 핵심 메커니즘임을 밝히고, 조절 초점 이론이 실시간 설득 환경에서 어떻게 동기 부여적 조절 변수로 작용하는지에 대한 이해를 증진시켰다는 학술적 의의를 가진다.
Unlocking the power of artificial intelligence in customer relationship management: a comprehensive analysis of critical success factors
본 학술 논문은 인공지능(AI)의 고객 관계 관리(CRM) 통합에 대한 기존의 획일적인 접근 방식의 한계를 인지하고, "다양한 산업 및 AI 애플리케이션에서 CRM에 AI를 성공적으로 통합하는 데 기여하는 핵심 요인은 무엇인가?"와 "CRM 내에서 AI 애플리케이션 유형에 따라 핵심 성공 요인이 어떻게 달라지는가?"라는 두 가지 연구 질문을 통해, 특정 AI 애플리케이션에 따른 CSF를 규명하고자 하였다. 연구는 귀납적 질적 접근 방식을 채택하여, 소매, 서비스, 제조 부문의 13개 기업 관리자들과 반구조화된 인터뷰를 진행하였고, 27가지 유형으로 분류된 55개의 AI 애플리케이션 사례를 분석하였다. 데이터 수집은 인터뷰, 기업 보고서 등을 활용하였으며, 이론적 포화 상태에 이를 때까지 개방형, 축별, 선택적 코딩 및 주제별 동시 발생 매트릭스를 통해 분석하였다. 핵심 발견은 CRM에서 AI 통합의 CSF가 개인화 수준과 사용자 개입 정도에 따라 상황 의존적이라는 점이다. 개인화 및 사용자 개입이 높을수록 조직 및 전략적 차원을 포함한 더 다양하고 많은 CSF가 요구되었고, 반대로 낮은 경우에는 데이터 접근성과 같은 기술적 요인에 주로 초점을 맞추었다. 데이터 접근성은 모든 유형에서 필수적이었다. 이외에도 강력한 고객 데이터 관리, 윤리적 고려사항, ICT 인프라 최적화, 데이터 기반 문화, 다기능 팀 구성, 명확한 KPI를 갖춘 전략적 변화 접근 방식 등이 핵심 요인으로 식별되었다. 학술적으로 이 연구는 CRM 맥락에 특정한 21개의 CSF를 식별하여 일반화된 AI 도입 모델을 넘어섰다. AI 애플리케이션 특성(개인화, 인간 개입)에 따라 CSF의 성격과 수가 달라짐을 보여줌으로써 서비스 맥락의 AI 문헌을 풍부하게 하고 AI-CRM 영역에서 상황 의존 이론을 강화하는 데 기여하였다.
📖 Industrial Marketing Management - 3건
In the eye of the beholder: A systematic review of the literature on customers' perceptions of salesperson appearance
이 학술 논문은 영업사원의 외모에 대한 고객의 인식이 영업사원의 성과와 기업의 실적에 미치는 중요한 영향을 다루었다. 특히, 첫인상의 핵심 요소인 영업사원의 외모에 대한 기존 문헌을 체계적으로 검토하는 것을 연구 목적으로 삼았다. 연구 방법론으로는 59편의 학술 논문(B2B 관련 16편, B2C 관련 43편)을 대상으로 한 체계적인 문헌 검토를 사용하였다. 이러한 분석을 통해 B2B 영업에 적용 가능한 네 가지 주요 발견 테마를 도출하였다. 첫째, 경우에 따라 성별이 중요하게 작용한다는 점이었다. 둘째, 인종과 연령에 대한 편견이 존재한다는 사실을 확인하였다. 셋째, 외모는 순간적인 판매에는 효과적일 수 있으나 장기적인 관점에서는 그렇지 않을 가능성이 있다는 점을 제시하였다. 넷째, 의사결정자의 특성을 고려한 복장 선택이 중요하다고 강조하였다. 연구자들은 이러한 핵심 발견을 바탕으로 새로운 연구 질문들을 공식화하였으며, B2B 및 B2C 판매 관계에서 고객 인식이 미치는 영향을 더 깊이 이해하기 위한 추가 연구 분야를 식별하였다. 본 논문은 이론적 기여와 관리자를 위한 실용적인 통찰력을 제공하면서 마무리되었다. 특히, 영업사원 외모와 고객인식이 실제 비즈니스 성과에 어떻게 연결되는지에 대한 심도 있는 탐구를 촉진할 학술적 의의를 지닌다고 할 수 있었다. 이 연구는 영업 환경에서 외모가 미치는 복합적인 영향을 종합적으로 조망하며 향후 연구 방향을 제시하였다.
Effect of dynamic marketing capabilities on new market development and sales growth: The roles of structural inertia and environmental dynamism
이 연구는 급변하는 시장 환경 속에서 기업들이 마케팅 자원을 재구성하는 방식에 주목하며, 동적 마케팅 역량(DMCs)이 신시장 개발 및 매출 성장에 미치는 영향을 탐구하였다. 구체적으로, 동적 마케팅 역량이 신시장 개발과 매출 성장에 어느 정도 영향을 미치는지, 그리고 구조적 관성(structural inertia)과 환경적 역동성(environmental dynamism)이 이러한 관계를 어떻게 조절하는지에 대한 두 가지 연구 질문을 설정하였다. 연구는 동아프리카 B2B 기업들을 대상으로 한 두 가지 독립적인 다중 연구 설계를 사용하였다. 연구 1에서는 우간다, 케냐, 르완다, 탄자니아의 물류 및 화물 운송 기업 170곳의 데이터를 이메일 설문 조사를 통해 수집하여 동적 마케팅 역량이 신시장 개발과 매출 성장에 미치는 직접적인 영향과 신시장 개발의 매개 효과를 검증하였다. 연구 2에서는 에티오피아의 상품 공급업체 186곳의 데이터를 직접 방문 설문과 2차 자료를 통해 수집하였으며, 구조적 관성(기업 규모 및 연령으로 측정)과 환경적 역동성(Jaworski and Kohli(1993)의 척도 사용)의 조절 효과까지 분석하였다. 연구 결과, 동적 마케팅 역량은 신시장 개발 및 매출 성장에 모두 긍정적인 영향을 미쳤다. 또한 신시장 개발은 동적 마케팅 역량과 매출 성장 사이에서 유의미한 매개 역할을 수행하는 것으로 나타났다. 구조적 관성은 동적 마케팅 역량과 신시장 개발 간의 관계를 부정적으로 조절하여, 관성이 낮은 경우 동적 마케팅 역량의 긍정적 효과가 더 강하게 나타났다. 반면, 환경적 역동성은 동적 마케팅 역량과 매출 성장 간의 관계를 긍정적으로 조절하여, 역동성이 높은 환경에서 동적 마케팅 역량의 긍정적 영향이 더욱 강화되었다. 이 연구는 동적 마케팅 역량이 매출 성장에 이르는 핵심 메커니즘으로 신시장 개발을 제시하고, 내부 조직적 조건(구조적 관성)과 외부 환경적 조건(환경적 역동성)을 통합한 상황적 틀을 제시함으로써 기존 동적 역량 이론을 확장하였다. 또한, 아프리카 시장의 B2B 기업들을 대상으로 한 연구를 통해 마케팅 역량 연구의 지역적 공백을 메우고 다양한 제도적 환경에서의 외부 타당성을 높였다는 학술적 의의를 가진다.
Technology sourcing: How and why Bang & Olufsen’s capability, identity, and supplier interface change
이 연구는 기술 소싱 결정, 조직 역량, 그리고 조직 정체성이 시간이 지남에 따라 어떻게 공동 진화하며 구매자-공급자 인터페이스를 재구성하는지에 대한 연구 질문을 다루었다. 본 연구는 뱅앤올룹슨(B&O)의 방송 기술 소싱 사례를 세 가지 기술 시대를 거쳐 종단적으로 분석하는 단일 사례 연구 방법론을 채택하였다. 2019년부터 2020년까지, 그리고 1998년부터 2002년까지의 심층 인터뷰 데이터와 내부 문서, 외부 자료를 활용하여 복잡한 현상이 시간의 흐름에 따라 어떻게 전개되는지 탐색하였다. 핵심 발견 사항으로는 기술 소싱이 단순히 전략적 경계 설정이 아니라, 기업이 할 수 있는 일(역량)을 재구성하고, 스스로를 어떻게 인식하는지(정체성)를 혼란시키며, 궁극적으로 공급자와의 관계 방식을 변화시킨다는 점이 밝혀졌다. 특히 역량 경계는 기술 소싱 결정에 비교적 빠르게 반응하여 재배치되거나 재구성되었으나, 조직 정체성은 축적된 경험과 내부 서사, 강력한 신념에 의해 형성되어 역량 변화보다 느리게 변화하는 경향을 보였다. 이러한 역량과 정체성 간의 속도 불일치는 기능 전반에 걸쳐 상충하는 정체성 주장을 야기하고, 공급자 인터페이스의 재구성을 복잡하게 만들며, 기업이 실제 기술적 위치를 반영하지 못하는 관계적 배열에 갇히게 할 수 있다는 사실을 확인하였다. B&O의 경우, 제조 역량을 외부화한 후에도 특정 기능 내에서 "엔지니어링 하우스"라는 정체성이 지속되어 표준화된 공급자 인터페이스로의 전환을 늦추고 LG와 같은 파트너에게 일관된 가치 제안을 전달하는 데 어려움을 겪었다. 학술적으로 이 연구는 조직 정체성을 역량 선택의 인지적 전제 조건으로 제시하며, 기술 소싱이 역량 구성과 조직 정체성을 어떻게 재형성하는지에 대한 문헌을 확장하였다. 또한, 공급자 인터페이스 문헌에 조직 정체성 및 역학이 인터페이스 구성을 형성하는 방식에 대한 새로운 통찰을 제공하며, 역량 변화와 정체성 변화가 서로 다른 속도로 전개되어 인터페이스 재구성을 지연시키는 시간적 불일치를 강조함으로써 새로운 이론적 질문을 제기하였다. 이러한 연구 결과는 급변하는 기술 환경 속에서 기업이 역량과 정체성, 공급자 관계를 전략적으로 관리하는 데 중요한 시사점을 제공하였다.
📖 Journal of Business Research - 3건
From handshakes to hashtags: Fostering digital human touch in business interactions
본 연구는 B2B 기업이 이해관계자 관계 및 비즈니스 성과 증진을 위해 소셜 미디어(SM) 상호작용에서 디지털 휴먼 터치를 어떻게 통합하고, 위기 상황에서 소통을 조정하여 이를 유지하는지 분석하였다. 심층 질적 접근 방식과 3단계 연구 설계를 통해 이를 진행하였다. 1단계에서는 팬데믹 이전 B2B SM 관행과 휴먼 터치 차원을 20개 기업 인터뷰로 파악하였다. 2단계에서는 팬데믹 중 10개 기업 인터뷰와 알리바바 고객 리뷰 11,543건 분석으로 위기 적응과 발견을 검증하였고, 3단계에서는 팬데믹 이후 3개 기업 인터뷰로 '뉴 노멀'을 탐색하였다. 주요 결과는 다음과 같다. 팬데믹 이전에는 따뜻함과 배려, 개방적인 소통, 디지털 진정성이 디지털 휴먼 터치의 핵심 차원이었다. 팬데믹 중에는 SM이 필수적인 위기 대응 도구이자 '생존 확인' 수단으로 부상하였으며, 용서와 관용, 손상된 관계의 화해 차원이 추가되었다. 특히 공급업체가 실수를 인정하고 신속히 대응할 때 구매자들의 관용이 증가하였다. 팬데믹 이후에는 실시간 연결성이 새로운 차원으로 나타났다. 본 연구는 휴먼 터치가 물리적 접촉을 넘어 디지털 환경에서도 효과적으로 형성될 수 있음을 보여주며, 디지털 휴먼 터치의 개념적 발전에 기여하였다. 또한 위기 상황에서 관계 구축의 중요성과 기술만으로는 불충분하며 디지털 휴먼 터치 개발이 필수적임을 강조하며, 가상 상호작용에 대한 의인화 적용을 확장하였다. 이러한 발견은 B2B SM 플랫폼의 전략적 중요성을 재확인하였다.
To balance between efficiency and fairness: leveraging CSR as optimal distinctive instrument
기업의 사회적 책임(CSR)이 전략적으로 중요해졌지만, CSR의 순응과 차별화 사이의 균형점에 대한 이해는 여전히 부족하였다. 본 연구는 최적 독특성 이론(ODT)을 기반으로 CSR 범위 순응과 강조 차별화가 기업의 효율성 및 공정성에 미치는 영향을 탐구하였다. 연구 방법론으로 2010년부터 2019년까지 중국 상장 기업의 8,252개 기업-연도 관측치를 분석에 활용하였다. 핵심 연구 결과에 따르면, 효율성 측면에서 CSR 범위 순응과 총요소생산성(TFP) 사이에는 역U자형 관계가 존재하였으며, 이는 CSR 강조 차별화에 의해 완화되는 경향을 보였다. 또한, CSR 강조 차별화와 TFP 사이에는 U자형 관계가 확인되었다. 공정성 측면에서는 CSR 범위 순응과 강조 차별화 모두 임원과 직원 간의 보수 격차를 증가시키는 것으로 나타났다. 특히, 범위 순응은 정상적인 보수 격차를 확대하였고, 강조 차별화는 초과 보수 격차를 증가시켰으며, 이러한 초과 보수 격차는 순응에 의해 더욱 증폭되는 상이한 경로를 통해 발생하였다. 이러한 발견을 바탕으로 이론적으로 두 가지 최적 독특성(OD) 구성을 식별할 수 있었으나, 실질적으로 모든 기업에 적용 가능한 단일한 OD 솔루션은 존재하지 않는다는 학술적 의의를 제시하였다. 본 연구는 CSR 전략의 복잡성과 그 효과에 대한 심층적인 이해를 제공하며, 기업들이 효율성과 공정성이라는 두 가지 목표 사이에서 균형을 찾아야 함을 강조하였다.
Douse the flames or fuel the fire? The impact of ESG mutual funds on strategic textual disclosure in ESG reports
본 연구는 ESG 상호 펀드가 ESG 보고서의 전략적 텍스트 공개에 미치는 영향을 탐구하였다. 연구는 2013년부터 2023년까지 중국 A주 상장 기업을 표본으로 사용하여 ESG 상호 펀드 소유권과 전략적 텍스트 공개 간의 관계를 분석하는 방법론을 채택하였다. 핵심 발견으로, ESG 상호 펀드 소유권이 높을수록 전략적 텍스트 공개가 감소하며, 이는 효과적인 모니터링 가설을 지지하는 결과이다. 또한, 메커니즘 테스트는 내부 및 외부 거버넌스가 보완적인 역할을 수행하여 ESG 상호 펀드의 모니터링 효과를 강화함을 보여주었다. 이질성 분석을 통해 이러한 모니터링 효과가 산업 환경, 경영진 특성 및 외부 정보 환경에 따라 다르게 나타난다는 점을 확인하였다. 경제적 결과 분석에서는 ESG 상호 펀드에 의해 감소된 전략적 텍스트 공개가 ESG 등급 불일치 감소, 애널리스트 예측 분산 축소 및 주식 가격 오류 감소와 연관되어 있음을 입증하였다. 본 연구는 ESG 상호 펀드가 단순한 자금 제공자를 넘어 기업의 정보 공개 전략에 중요한 영향을 미치는 효과적인 모니터링 주체임을 밝혀내어, 지속 가능한 투자 및 기업 지배 구조 분야에 중요한 학술적 의의를 제공한다.
📖 Technological Forecasting and Social Change - 3건
Unlocking the institutional foundations of green innovation: A machine learning analysis
이 연구는 기업의 녹색 혁신에 미치는 제도적 요소들의 상대적 중요성과 비선형적 영향에 대한 포괄적인 이해가 부족하다는 기존 연구의 한계를 극복하고자 하였다. 제도 이론에 기반하여, 중국 A주 상장 기업들의 2011년부터 2022년까지의 데이터를 활용하였으며, 다중 기계 학습 알고리즘과 SHAP 값 분석을 사용하여 규제적, 규범적, 문화-인지적 요소들이 기업의 녹색 혁신에 미치는 영향을 체계적으로 평가하였다. 연구 결과에 따르면, 제도적 요소들 중 문화-인지적 요소가 기업의 녹색 혁신에 가장 중요한 영향을 미치는 것으로 나타났다. 특히, 중앙 감사, 대중의 관심, 그리고 산업 수준의 녹색 지향성이 각 제도 범주 내에서 지배적인 요인으로 확인되었다. 대부분의 제도적 요소들은 녹색 혁신과 유의미한 비선형적 관계를 보였다. 추가 분석을 통해 문화-인지적 요소는 특정 조건에서 녹색 혁신을 저해할 수 있는 반면, 규제적 및 규범적 요소들은 일반적으로 녹색 혁신을 촉진한다는 사실이 밝혀졌다. 더욱이, 제도적 요소들의 영향은 지역, 산업, 그리고 기업 규모에 따라 상당한 이질성을 나타냈다. 이 연구는 기업의 녹색 혁신을 형성하는 데 있어 제도적 요소들의 중요성과 상호작용을 강조하였으며, 신흥 경제국들이 정책을 맞춤화하고 기업의 지속 가능한 전환을 지원하는 데 통찰력을 제공하는 학술적 의의를 지닌다.
Integrating human support with algorithmic control: Psychological reactance in platform work
이 연구는 플랫폼 노동에서 알고리즘 통제와 인간적 지원이 근로자의 심리적 반발심에 미치는 복합적인 영향을 자기결정 이론에 기반하여 탐구하였다. 기존 연구가 플랫폼 거버넌스를 비인격적인 기술적 통제로만 다루는 한계를 넘어, 본 연구는 알고리즘 통제와 인간적 지원이 근로자의 반응을 공동으로 형성한다는 공동 관리형 인간-알고리즘 거버넌스 관점을 제시하였다. 이를 위해 근로자의 심리적 반발심을 인지적 형태와 정서적 형태로 분해하고, 각각의 동기적 선행 요인을 명확히 규정하였다. 플랫폼 기반 배달 근로자를 대상으로 한 연구 결과, 알고리즘 통제가 근로자의 관계성(relatedness) 감각을 저해하여 정서적 반발심을 유발한다는 사실을 발견하였다. 반면, 유능성(competence) 관련 메커니즘은 이러한 환경에서 제한적인 역할을 하는 것으로 나타났다. 특히, 관리자의 지원은 저해된 관계성 감각과 정서적 반발심 간의 연관성을 약화시키는 완충 역할을 수행하였으며, 이는 알고리즘 매개 작업 환경에서 인간 개입의 보상적 기능을 강조하는 중요한 발견이었다. 본 연구는 통제의 알고리즘적 요소와 인간적 요소를 통합하고 반발심의 동기적 구조를 차별화함으로써, 플랫폼 노동에서 근로자 주체성의 사회적, 기술적 기반에 대한 이론적 이해를 풍부하게 하였다.
Proximity and cross-regional academia-industry collaboration: The moderating role of regional government support
이 연구는 지리적 근접성만으로는 설명하기 어려운 중국 내 교차 지역 산학 협력의 활성화 현상을 규명하고자 했다. 기존 연구들이 지리적 근접성에 초점을 맞춘 한계를 넘어서, 연구는 지역 정부 지원의 중재적 역할을 지리적 및 경제적 근접성과 함께 탐색하였다. 이를 위해 중국과학원 산하 연구기관과 기업 간의 교차 지역 협력을 지수 랜덤 그래프 모델을 사용하여 분석하였다. 연구 결과, 지리적 근접성은 교차 지역 협력과 긍정적인 관계를 보였으나, 경제적 근접성은 부정적인 관계를 나타냈다. 특히, 기업 파트너 지역의 정부 혁신 지원이 협력 확률을 직접적으로 증가시키고 근접성 요소의 영향을 조절한다는 중요한 발견을 하였다. 즉, 기업 파트너가 강력한 정부 혁신 지원을 받는 지역에 위치할 경우, 지리적 근접성의 긍정적 영향은 약화되었고, 경제적 근접성의 부정적 효과는 강화되었다. 이러한 결과는 학술 기관들이 강력한 제도적 혁신 지원을 제공하는 지역의 기업들과 협력하기 위해 공간적 및 경제적 장벽을 기꺼이 극복하려 한다는 점을 시사한다. 본 연구는 중국 산학 협력의 공간적 패턴에 대한 새로운 통찰력을 제공하며, 학술 기관들이 정부의 강력한 혁신 지원이 있는 지역에 협력 노력을 집중하는 경향이 있음을 밝혔다.
📖 Journal of Big Data - 1건
Legal challenges in e-commerce and the influence of data protection and consumer protection laws on online businesses
전자상거래의 급속한 성장은 데이터 프라이버시 및 소비자 안전 규정과 관련된 복잡한 법적 문제를 야기하였으며, 기존 방법론으로는 온라인 상거래의 동적인 특성에 대응하기 어려워 규정 준수 격차, 비효율적인 보안 시스템, 그리고 고객 신뢰 상실을 초래하였다. 본 연구는 이러한 운영상의 문제를 해결하고자 온라인 비즈니스 플랫폼을 위한 즉각적인 법적 규정 준수 확인 및 보안 위험 모니터링 시스템을 개발하는 것을 목표로 하였다. 제안된 SecureE-commerce-SDN/IoT 시스템은 세 가지 주요 구성 요소를 포함하였는데, 먼저 DAF-LEGAL-BERT를 활용하여 텍스트 데이터에서 법적 문맥 특징을 추출하는 법적 특징 추출 모듈을 사용하였다. 다음으로 뻐꾸기 필터와 개미 군집 최적화(ACO) 및 교차 탐색 전략을 결합한 하이브리드 시스템인 CFACO-XSelect를 통해 특징 중요도를 결정하고 중복 특징을 제거하는 과정을 수행하였다. 마지막으로 다양한 데이터 유형을 위한 완전한 평가 시스템으로 Deep-Legal-CNN을 활용하였다. 또한, 이 시스템 프레임워크는 최적의 실시간 위협 감지 성능을 달성하기 위해 오토인코더, 장단기 메모리(LSTM), Isolation Forest를 결합한 Hybrid AE-LSTM Isolation Forest 방식의 흐름 내 이상 감지 기능을 구현하였다. 실험 결과, 제안된 프레임워크는 99.07%의 높은 정확도와 97.45%의 정밀도를 달성하며 우수한 성능을 입증하였다. 이는 현재의 디지털 경제 환경에서 법적 규정 준수를 보장하고 보안을 강화하는 데 효과적인 역량을 보여주는 중요한 학술적 의의를 지니고 있다.
📖 Scientific Data - 3건
Comprehensive UAV and ground data for typical semiarid sites in the midstream of the Heihe River Basin
이 데이터 기술서는 건조 및 반건조 환경의 지표면 과정을 이해하고 생태계 역학과 수자원 관리에 기여하기 위한 포괄적인 데이터셋을 제시하였다. 연구팀은 2020년 6월부터 10월까지 중국 하이허강 유역 중류의 전형적인 반건조 지역에서 UAV(무인항공기) 원격 감응을 이용한 지표면 온도 다중 스케일 관측 실험(MUSOES-UAV)을 수행하였다. 이 실험을 통해 고해상도 열적외선(TIR) 및 다중 스펙트럼 이미지를 획득하였으며, TIR 데이터는 온도 드리프트 보정을 거쳤고 다중 스펙트럼 이미지는 데이터 일관성을 위해 방사 측정 상대 정규화를 진행하였다. 동시에 TIR 복사계와 자동 기상 관측소를 통한 지상 기반 관측도 함께 수집하였다. 데이터 처리 과정에서는 UAV 이미지 스티칭 및 정사 모자이크 생성을 위해 Pix4D Mapper를, 데이터 플로팅 및 시각화를 위해 OriginPro를, 지도 제작을 위해 ArcMap을 활용하였다. 특히, DRAT 방법과 다중 스펙트럼 이미지의 상대 방사 측정 정규화와 같은 보정 알고리즘을 위한 핵심 맞춤형 Python 스크립트(v3.10)는 재현성을 높이고자 Zenodo 저장소에 공개하였다. 최종적으로 제공되는 데이터셋은 온도 드리프트가 보정된 TIR 밝기 온도 정사 모자이크, 다중 스펙트럼 정사 모자이크, 그리고 정규화 식생 지수(NDVI) 맵으로 구성되었으며, 지상 기반 측정값으로 보완되었다. 이 다중 스케일 데이터셋은 국립 티베트 고원 데이터 센터를 통해 자유롭게 이용 가능하며, 환경 변화 모니터링을 위한 귀중한 자료로 활용될 수 있다. 또한, UAV 원격 감응 애플리케이션을 위한 알고리즘 개발 및 검증에 중요한 기초 자료를 제공하는 학술적 의의가 있다.
Dataset of cortical and subcortical single neuron activity during value-based tasks in macaque monkey
인지 신경과학에서 불확실한 환경에서 뇌가 보상 지향적인 선택 행동을 어떻게 유도하는지에 대한 설명은 핵심적인 과제이며, 전두엽 피질과 피질하 구조 간의 상호작용이 의사결정에 중요함에도 불구하고, 전두엽 피질의 개별 하위 영역들이 의사결정에 어떻게 고유하게 기여하는지는 명확하게 밝혀지지 않았다. 또한, 각 하위 영역의 뉴런들이 서로 어떻게 상호작용하는지에 대한 교차 영역 역학도 충분히 연구되지 않았다. 본 연구에서는 이러한 미해결 문제들을 해결하기 위해 두 마카크 원숭이로부터 340회 행동 세션에 걸쳐 해부학적으로 검증된 22개 영역에서 기록된 16,495개의 뉴런 데이터셋을 제시하였다. 실험에서 원숭이들은 단일 및 이지선다 확률 기반 가치 의사결정 과제를 수행하며, 다양한 맛의 주스 보상과 연관된 자극에 반응하는 양상을 보였다. 이 데이터셋은 행동 데이터, 뉴런 스파이크 시간, 그리고 Nissl 및 면역조직화학 염색 조직의 세포구축학적 특징에 기반한 전극 위치 정보를 상세하게 포함하고 있다. 이 방대한 데이터셋은 연구자들이 보상 지향적 의사결정 과정에서 전두엽 피질과 피질하 뇌 영역의 기능 및 상호작용을 더욱 심층적으로 규명하는 데 활용될 수 있어, 뇌의 복잡한 의사결정 메커니즘에 대한 이해를 증진하는 데 중요한 학술적 의의를 가진다.
A global dataset of reservoir in-situ water levels for hydrological and remote sensing applications
Mingyang Zhang 외 다수 연구진은 위성 원격 탐사 기반의 저수지 모니터링 알고리즘의 효과적인 검증과 상호 비교를 가로막았던 통합된 대규모 현장 데이터셋의 부재 문제를 해결하고자 하였다. 연구팀은 전 세계, 국가 및 지역 출처로부터 공개적으로 이용 가능한 현장 수위 및 저수량 시계열을 체계적으로 취합하는 방법론을 사용하였고, 모든 기록을 단위 표준화 및 다단계 품질 관리를 포함하는 조화로운 워크플로우를 통해 처리하였다. 또한, 공간 범위 확장을 위해 고도계 기반 수위 데이터를 통합하고 현장 관측 자료와 교차 검증하였다. 이러한 노력의 결과로 Global Reservoir Observed Water Levels (GROWL) 데이터셋이 개발되었다. 최종 GROWL 데이터셋은 3,154개의 현장 관측 기록, 973개의 위성 고도계 기반 기록, 그리고 7개의 문헌 기반 기록을 포함하여 총 4,134개의 장기 시계열로 구성되었다. 이 중 77%는 일일 시간 해상도로 제공되며 23%는 월간 해상도로 제공되었고, 대부분의 저수지는 5~40년(평균 28년)의 기록 길이를 가졌다. 이 데이터셋은 위성 기반 저수지 모니터링 알고리즘 및 수문 모델을 보정하고 검증하는 데 핵심적인 기준점을 제공하며, 저수지 관련 딥러닝 알고리즘을 지원함으로써 재현 가능한 과학을 촉진하고 지구 관측 및 수자원 분야의 발전을 가속화하는 학술적 의의를 지닌다.
📖 Knowledge-Based Systems - 3건
Complex wavelet convolutional neural network for interpretable and robust seizure prediction
기존 경련 예측용 컨볼루션 신경망(CNN)은 단일 스펙트럼 스케일의 실수값 커널을 사용하여 진폭에만 초점을 맞추고 발작 전 뇌전도(EEG) 활동의 위상 역학을 간과하며 해석 가능성이 제한적이라는 문제점이 있었다. 이러한 한계를 극복하고자 본 연구에서는 기존 컨볼루션 커널을 매개변수화된 복소수 모를레 웨이블릿 커널로 대체하는 복소 웨이블릿 컨볼루션 네트워크(CWCN)를 제안하였다. CWCN의 각 커널은 단 두 개의 학습 가능한 매개변수(스케일 및 위상)만으로 구성되어, 현저히 감소된 매개변수 footprint를 가지면서 EEG 진폭 및 위상을 종단간 방식으로 공동 모델링하며 특정 시간-주파수 해석을 가능하게 했다. 두 장기 두피 EEG 데이터베이스인 CHB-MIT(소아)와 SH-SDU(혼합 연령)에 대한 평가 결과, CWCN 기반 모델은 CHB-MIT에서 99.03%의 정확도와 98.39%의 AUC를, SH-SDU에서는 96.94%의 정확도와 96.54%의 AUC를 달성하여 다양한 인구 집단과 기록 조건에서 강력한 성능을 입증하였다. CWCN은 웨이블릿 분석을 컨볼루션 연산과 통합함으로써 생리학적으로 의미 있는 진동 구조를 직접 인코딩하며, 해석 가능하고 간결하며 고성능의 경련 예측 프레임워크를 제공하여 진폭 중심의 블랙박스 CNN에 대한 원칙적인 대안을 제시하였다.
FedPDM: Representation enhanced federated learning with privacy preserving diffusion models
기존 준매개변수 공유 연합 학습(FL) 프레임워크는 생성 모델을 사용하여 클라이언트의 데이터 프라이버시를 향상시켰으나, 취약한 표현 견고성으로 인해 모델 유틸리티 저하를 겪었다. 또한, 지역 모델과 전역 모델 간의 표현 불일치는 비독립동일분포(non-IID) 환경에서 클라이언트 드리프트를 악화시켰으며, 생성자 공유와 관련된 표현 유출 위험을 간과하고 프라이버시와 유틸리티의 균형을 맞추지 못하는 문제점이 있었다. 이러한 과제를 해결하고자, 본 연구에서는 프라이버시 보존 확산 모델(PDM)을 기반으로 하는 준매개변수 공유 연합 학습 프레임워크인 FedPDM을 제안하였다. FedPDM은 프라이버시 추출기의 직접적인 노출 없이 해당 추출기의 특징을 통해 모델 정렬을 가능하게 하여, 취약한 표현 견고성으로 인한 유틸리티 저하를 효과적으로 완화하였다. 나아가, 표현 유출을 방지하기 위해 PDM의 최적화 목표에 특징 수준 페널티 항을 도입하였다. 또한, 지식 증류를 위한 가우시안 제약 조건이 있는 초기화 보정을 통해 표현 불일치를 다루는 2단계 집계 전략을 설계하였다. 본 연구는 준매개변수 공유 연합 학습에 대한 최초의 이론적 수렴 분석을 제공하였으며, O ( 1 / T )의 수렴 속도를 보임을 증명하였다. 네 가지 데이터셋을 대상으로 한 광범위한 실험 결과, FedPDM은 다양한 최신 기준선에 비해 평균 1.78%에서 5.56%의 정확도 향상을 달성하였다. 이는 제안된 FedPDM이 연합 학습 환경에서 데이터 프라이버시를 효과적으로 보호하면서도 모델 성능과 안정성을 크게 개선하였음을 시사한다.
MRDNet: Multivariable Relational Decomposition Network for Multivariate Time Series Forecasting
다변량 시계열 예측에서 변수 간 상관관계의 정확한 모델링은 필수적이다. 그러나 이상치, 결측값 및 노이즈와 같은 이상 현상으로 인해 변수 간의 진정한 관계가 가려지고 예측 정확도가 저하되는 문제가 지속적으로 제기되어 왔다. 이러한 문제점을 해결하기 위해 본 연구는 다변량 관계 분해 네트워크(MRDNet)를 제안하였다. MRDNet은 변수 관계를 전역 및 지역 구성 요소로 분리하였다. 전역 구성 요소는 학습 가능한 잠재 벡터를 사용하여 변수 간의 공유 계절 패턴을 포착함으로써 안정적인 장기 상관 관계를 확립하였다. 한편, 지역 구성 요소는 평활화된 시계열 데이터의 추세를 분석하여 특정 윈도우에 국한된 관계에 집중하였다. 또한, 이 연구는 이러한 관계를 정교화하고 이상 현상의 영향을 완화하기 위해 적응형 신경망을 설계하였다. 이처럼 MRDNet은 각 구성 요소를 통합함으로써 다변량 시계열 이상 현상으로 인한 문제를 효과적으로 해결하고, 안정적인 전역 종속성과 동적인 지역 패턴을 모두 포착하였다. 벤치마크 데이터셋을 이용한 광범위한 실험 결과는 MRDNet이 우수한 예측 성능을 달성하여 다변량 시계열 이상 현상이 야기하는 난제를 성공적으로 해결했음을 입증하였다. 이 연구는 시계열 데이터의 복잡한 특성, 특히 이상 현상이 존재하는 환경에서 예측 모델의 견고성과 정확성을 크게 향상시키는 데 학술적 의의가 있다.
📖 Pattern Recognition - 2건
Pathological graph self-supervised learning for clear-cell renal cell carcinoma survival prediction
이 연구는 복잡한 조직 위상과 종양 미세환경이 기존 분석 방식에 제기하는 난제에 대응하여, 전슬라이드 이미지(WSI) 기반 투명세포신세포암(ccRCC) 생존 예측을 위한 병리학적 그래프 자기지도 학습(PGSL) 방법론을 제안하였다. 연구팀은 1000개 이상의 ccRCC WSI를 활용하여 대규모 그래프 자기지도 사전 학습을 수행했으며, 이는 노드를 무작위로 마스킹하고 연결성을 예측하는 마스킹된 링크 예측 작업을 통해 국부적 위상 및 종양 미세환경 의미론을 복구하는 방식으로 이루어졌다. 추론 단계에서는 사전 학습된 모델이 가중치 인접성을 유도하여 슬라이드 수준 계산에 위상 인식적 지침을 제공하였고, 이 학습된 그래프는 초기 패치 특징과 함께 그래프 신경망(GNN)에 의해 처리되어 전역 WSI 맥락을 통합하고 환자 수준의 위험 점수를 산출하였다. PGSL은 두 개의 사설 코호트와 공개 TCGA-KIRC 데이터셋에서 평가되었으며, 생존 과제 전반에 걸쳐 다중 인스턴스 학습 및 기존 그래프 기준선보다 일관되게 우수한 성능을 보였다. 이러한 성능 향상은 휴리스틱 구성을 대체하는 데이터 적응형 그래프 유도와 유도된 위상에 대한 효과적인 집계에서 비롯되었다. 궁극적으로 PGSL은 강력한 일반화 능력을 입증하였고, 예후 병리학과 일치하는 해석 가능한 주의 패턴을 제공함으로써 병리학적 그래프 분석 및 ccRCC 생존 계층화를 위한 효과적이고 확장 가능한 프레임워크로서의 학술적 의의를 가진다.
W-EICMFusion: A fusion network for infrared and visible images utilising WOA hyperparameter optimisation
최근 적외선 및 가시광선 이미지 융합 연구는 주로 네트워크 아키텍처 설계와 손실 함수 구성에 집중하였으나, 손실 함수의 초매개변수 조정 및 최적화의 중요성을 간과하는 경향이 있었다. 이러한 초매개변수 선택은 네트워크의 반복 방향을 결정하고 최종 결과에 중대한 영향을 미치므로 매우 중요하였다. 본 연구는 이러한 문제점을 해결하기 위해 고래 최적화 알고리즘 기반 초매개변수 적응형 최적화 기능을 갖춘 이미지 융합 네트워크인 W-EICMFusion(whale optimisation algorithm-edge invertible CMamba fusion)을 제안하였다. 연구 방법론으로, 먼저 국부 및 광범위 수용 영역 내에서 공통 정보 특징을 효과적으로 추출하는 CMamba 모듈을 도입하였다. 또한, 두 가지 양식에서 에지 세부 정보를 캡처하는 에지 추출 가역 신경망(EE-INN) 모듈을 설계하였으며, 보완 정보 추출을 강화하기 위한 잔차 밀집 효율 채널 주의 네트워크(RDENet) 융합 레이어를 사용하였다. 기존 수동 매개변수 튜닝 방식과 달리, 본 연구는 고래 최적화 알고리즘(WOA)을 활용하여 최적의 초매개변수를 적응적으로 결정하였다. 핵심 발견으로, 제안된 융합 네트워크는 11가지 최신 고급 방법과 비교했을 때 가장 우수한 전반적인 성능을 입증하였다. 특히 MSRS, LLVIP, Road-Scene, M3FD 데이터셋에서 가장 높은 종합 점수를 달성하였으며, 객체 감지와 같은 후속 작업에서도 최고의 감지 정확도를 기록하였다. 최적화 알고리즘 일반화 실험에서 초매개변수 적응형 최적화 접근 방식이 더 뛰어난 분류 결과를 도출하였다. 학술적 의의는 이미지 융합 분야에서 초매개변수 최적화의 중요한 공백을 메우고, 이를 통해 객체 감지 등 후속 작업의 성능을 크게 향상시킬 잠재력을 보여주었다는 점이다.
📖 Pattern Recognition Letters - 3건
Guiding multimodal LLMs for efficient visual place recognition
이 연구는 로봇의 장기 내비게이션 및 루프 폐쇄 감지에 필수적인 환경 인식을 다루었으며, 멀티모달 대규모 언어 모델(MLLM)이 가진 높은 지연 시간과 계산 비용 문제로 인해 리소스가 제한된 로봇 플랫폼에 배포하기 어렵다는 점을 해결하고자 하였다. 연구진은 효율적인 로봇 시각 장소 인식(VPR)을 위한 언어 유도 추론을 활용하는 새로운 제로샷 프레임워크를 제안하였다. 이 프레임워크는 상황 인지적 인식 메커니즘인 다중 스케일 의미론적 차이 가지치기(MS-SDP)를 도입하였다. MS-SDP는 동적 노이즈(예: 움직이는 차량)를 동적으로 필터링하고 교차 모달 의미론적 관련성을 기반으로 시각적 토큰을 압축하는 기능을 수행하였다. 또한, 이 방법은 구조화된 사고 연쇄 프롬프팅을 통해 중간 텍스트 생성을 우회함으로써 에이전트가 직접적인 종단 간 유사성 추론을 수행할 수 있도록 하였다. 광범위한 실험 결과, 제안된 접근 방식은 기존 센서가 실패하는 어려운 내비게이션 시나리오에서 최첨단 제로샷 성능을 달성했을 뿐만 아니라 223배의 속도 향상을 이루어냈다. 이러한 결과는 MLLM 기반 인식을 실시간 자율 시스템에 적용 가능하게 하는 학술적 의의를 지닌다고 할 수 있다.
3D ear reconstruction with Neural-Powell optimized SOP and curvature guidance
이 연구는 단일 시점 이미지에서 3차원(3D) 귀 재구성 시 발생하는 제한적인 정밀도 문제를 해결하고자 하였다. 연구팀은 엔드투엔드 재구성을 위한 키포인트 기반의 하이브리드 최적화 방법을 제안하였다. 이 방법의 핵심은 Neural-Powell 최적화 SOP(scaled orthographic projection)로, 이는 3DMM 기반의 최소제곱 선형 솔루션, Powell의 경사도 없는 비선형 최적화, 그리고 신경망 기반의 비선형 정제 등 세 가지 전략을 통합하여 SOP 매개변수의 고정밀 추정을 가능하게 하였다. 또한, 이 연구는 곡률 유도 개인화 3D 재구성 모듈을 개발하여 가우시안 곡률 유도 라플라시안 스무딩을 통해 기하학적 세부 사항을 보존하고 표면 연속성을 확보하였다. 추가적으로, 표면 법선 분석 및 양선형 보간법을 활용한 가시성 인식 적응형 텍스처 매핑 알고리즘을 제안하여 고품질 텍스처 재구성을 달성하였다. 실험 결과에 따르면, 제안된 Neural-Powell 최적화 SOP는 기존 3D Morphable Models(3DMM) 대비 정규화된 제곱근 평균 제곱 오차(RMSE)를 80.7%, 정규화된 평균 오차(NME)를 81.2% 감소시켰다. 이러한 결과는 개인화된 특징 표현 및 기하학적 세부 사항 보존에서 상당한 이점을 보였다. 본 연구는 3D 귀 데이터셋의 제한적인 가용성 문제를 해결하는 새로운 기술적 경로를 제시하였다.
Metadata, wavelet, and time aware diffusion models for satellite image super resolution
이 논문은 위성 이미지 초해상도(SR) 문제 해결을 위한 새로운 잠재 확산 모델인 MWT-Diff를 제안하였다. 기존 초해상도 기술들이 직면했던 고비용, 해상도 제한, 그리고 특징 정렬 및 표현력 부족과 같은 난제를 극복하고자 하였다. 연구진은 파형 변환(wavelet transform)과 조건부 생성 방식을 통합하여 세밀한 특징과 문맥적 관계를 효과적으로 포착하는 방법론을 개발하였다. 제안된 MWT-Diff 모델의 핵심은 메타데이터(Metadata), 파형(Wavelet), 그리고 시간(Time) 정보를 인식하는 인코더(MWT-Encoder)이다. 이 인코더는 위성 이미지에 수반되는 수치 메타데이터와 시간 정보를 정현파 시간 단계 임베딩으로 인코딩하며, 사전 학습된 Wavelet Vision Transformer(WaveViT)를 활용하여 파형 변환으로부터 특징을 추출하였다. WaveViT는 이미지의 이산 파형 변환을 통해 저주파수 및 고주파수 구성 요소를 동시에 포착하여 위성 이미지의 복잡한 질감과 세부 사항을 보존하는 데 중요한 역할을 하였다. 실험은 fMoW 및 fMoW-Sentinel 데이터셋에서 수행되었으며, MWT-Diff 모델은 FID(Fréchet Inception Distance) 및 LPIPS(Learned Perceptual Image Patch Similarity)와 같은 평가 지표에서 기존 CNN 기반 모델 및 다른 확산 모델들보다 우수한 성능을 보였다. 특히, 메타데이터가 전역적 의미 일관성을 보장하고 파형 정보가 지역적 구조적 충실도를 향상시켜 상호 보완적인 역할을 한다는 점을 ablation 연구를 통해 확인하였다. 결론적으로, MWT-Diff는 향상된 이미지 충실도와 세부 사항을 제공하며, 도시 계획, 환경 모니터링, 재난 관리와 같은 실제 위성 이미징 응용 분야에서 고품질의 지상 실측치와 유사한 이미지를 생성할 수 있는 능력을 입증하였다. 향후 연구에서는 다중 주파수 임베딩에 조건화된 확산 프로세스의 수렴 특성을 모델링하여 고차원 원격 감지 데이터에 대한 보다 효율적인 샘플링 전략을 탐색할 수 있을 것으로 전망하였다.
📖 ACM Transactions on Intelligent Systems and Technology - 1건
Shiny Stories, Hidden Struggles: Investigating the Representation of Disability Through the Lens of LLMs
현대 대규모 언어 모델(LLM)은 인간 행동을 시뮬레이션하고 특정 인구 집단의 관점을 반영하는 텍스트를 생성하는 능력으로 주목받았다. 이러한 능력은 다양한 분야에 걸쳐 폭넓은 응용 가능성을 열어주지만, 모델이 다양한 대상 집단을 어떻게 재현하는지 면밀히 검토하는 것이 중요하다고 연구팀은 강조했다. 특히, LLM은 역사적으로 소외된 공동체에 대한 편향이나 차별을 영속화하거나 증폭시킬 수 있으며, 반대로 편향 제거 노력의 결과로 지나치게 긍정적인 고정관념으로 과잉 보정하여 현실적인 복잡성과 어려움을 지워버릴 수 있다고 지적했다. 이 연구는 LLM이 장애를 어떻게 표현하는지 조사하기 위해 장애인의 관점을 시뮬레이션하여 소셜 미디어 게시물을 생성하고, 이를 실제 장애인이 작성한 게시물과 감정적 톤, 정서, 대표 단어 및 주제를 중심으로 비교 분석했다. 분석 결과, 첫째, LLM은 장애인의 경험을 이상화하여 실제 삶의 현실을 진정성 있게 담아내지 못하는 지나치게 긍정적인 고정관념을 생성하는 경향을 보였다. 둘째, 장애가 없는 개인의 게시물과 시뮬레이션된 게시물을 비교했을 때, 경력 및 엔터테인먼트와 같은 특정 주제가 비장애인과 불균형적으로 연관되어 배타적인 내러티브와 과도하게 이상화된 장애 묘사를 강화하며 실제 이 공동체가 직면하는 도전들을 잘못 표현하고 있었다. 이러한 발견은 LLM이 사회의 다양한 현실, 특히 소외된 집단의 미묘한 경험을 반영하는 데 어려움을 겪는다는 광범위한 우려와 지속적인 연구 결과와 일치하며, LLM의 표현에 대한 비판적 조사의 필요성을 강조한다.
📖 Expert Systems with Applications - 2건
Quadruplet-attention transformer for scale-invariant robot place recognition
기존 로봇 위치 인식 방법론들이 저조도나 동적 환경과 같이 까다로운 조건에서 환경 변화와 가려짐으로 인해 신뢰성 있는 시각적 단서를 포착하지 못하는 한계에 직면하였다. 본 연구는 이러한 문제를 해결하고자 대규모 로봇 위치 인식을 위한 AQPT(Aggregated Quadruplet Pyramid Transformer)를 제안하였다. AQPT는 다중 스케일 어텐션 메커니즘을 활용하여 여러 해상도에서 강력한 특징을 추출하며, 훈련 과정에서 이미지 일부를 의도적으로 가리는 마스크 특징을 통해 가려짐에 대한 복원력을 향상시켰다. 모델 훈련에는 앵커를 긍정 일치 샘플과 두 개의 부정 샘플에 비교하는 쿼드러플렛 손실 함수를 적용하여 특징의 분리 및 일반화 성능을 극대화하였다. 또한, 효율적인 검색을 위해 해시 코딩을 통해 압축된 이진 코드를 생성하고, 베이지안 재순위화 모듈을 사용하여 후보 일치 항목의 정확도를 정제하는 방법론을 도입하였다. 벤치마크 데이터셋과 실제 시나리오에서 진행된 실험 결과, AQPT가 기존 방법론들에 비해 월등한 견고성과 확장성을 제공하며 우수한 성능을 보여주었다. 이 연구는 로봇 시각적 현지화 및 내비게이션 분야에서 어려운 환경에서도 신뢰할 수 있는 위치 인식을 가능하게 하는 중요한 학술적 기여를 하였다.
Cross-modal feature disentangling via bidirectional distillation for multimodal recommendation
기존 멀티모달 추천(MMRec) 모델은 복잡한 멀티모달 콘텐츠를 단일 잠재 표현 공간에 통합하여 다양한 선호도 단서의 얽힘을 초래하는 한계를 지니고 있었다. 본 연구는 이러한 문제에 주목하여, 교차 모달 특성 이분화 양방향 증류(CFDTBD)라는 새로운 모델을 개발하였다. CFDTBD는 멀티모달 선호 표현을 차등적 특성 학습(모달리티별 고유 신호)과 공통 특성 학습(공유된 의미론)으로 명시적으로 분리하였다. 특히, 양방향 증류 전략을 사용하여 차등 특성 임베딩 공간은 서로 멀어지게 하고 공통 특성은 더 가까워지게 함으로써 다중 측면 특성 학습을 보장하였다. 이 이분화된 프레임워크는 기존의 얽혀있던 거친 아이템 임베딩에서 세분화된 교차 모달 선호 단서를 추출할 수 있게 하였다. CFDTBD의 효과는 Amazon의 Beauty 및 Arts_crafts_and_Sewing, Alibaba의 Taobao를 포함한 세 가지 공개 전자상거래 데이터셋에 대한 광범위한 실험을 통해 성공적으로 검증되었다. 이는 멀티모달 콘텐츠 내의 고유하고 중첩되는 측면의 상대적 기여를 기반으로 사용자 선호도를 더욱 완전하고 일관되게 포착하는 데 중요한 학술적 의의를 지닌다.
📖 AI & Society - 2건
The cost of language: tokenization as a metric of labor
이 연구는 자연어 처리(NLP) 분야의 토큰화를 언어, 기술 및 정치 경제의 교차점에서 분석하였다. 특히 다국어 대규모 언어 모델(LLM)에서 서브워드 토큰화가 비라틴어 스크립트에서 불균등하게 처리 비용을 발생시키며 언어적 가치와 노동의 지표로 작용하는 방식을 규명하였다. 연구는 토큰화를 순수한 언어학적 또는 계산학적 문제를 넘어 번역의 인식론적 문제와 사회 생산성 체제를 매개하는 사회 기술적 인프라의 역사적 맥락에 놓았다. 마르크스주의적 및 구조주의적 언어 가치 이론과 포스트식민주의적 기호 표준화 비판을 활용하여, 이 연구는 토큰이 중립적인 기술 단위가 아니라 언어적 노동의 정량화 및 자동화를 가능하게 하는 운영적 측정치임을 보여주었다. 핵심 발견으로는 텔루구어와 같은 저자원 언어가 영어에 비해 5배 높은 토큰화 비용을 발생시키는 불균형, 그리고 모스 부호와 중국어 전보 코드 사례에서 볼 수 있는 "알파벳 노동 시간"의 역사적 선례를 들었다. 또한, 언어와 노동의 생산적 상동성을 강조한 페루치오 로시-란디와 쩐 득 타오의 관점을 재조명하며, 현대의 "언어 기계"가 단순한 언어적 노동을 넘어선 집단적 노동 기계임을 주장하였다. 이러한 토큰화는 언어와 마찬가지로 노동 분할에도 작동하며, 알고리즘적 예측과 최적화 논리에 따라 관행을 재편성하는 확률적 문법을 구현한다고 보았다. 이 연구는 토큰화의 기술적 및 사회경제적 의미를 동시에 탐구하며, 언어 기계의 효율성뿐만 아니라 이들이 강화하거나 방해하는 더 넓은 사회경제적 구조 및 국제적인 노동 분할과의 교차점에 대한 새로운 이해를 제공한다는 점에서 학술적 의의를 지닌다.
Conversing with machines
AI & Society" 저널의 편집 논문은 대화 시스템의 공감 능력 개발에 대한 증가하는 관심 속에서, AI가 의료 분야에서 공감을 지원할 가능성과 인간-AI 상호작용에서의 공감 측정 방식을 탐구할 필요성을 제기하였다. 본 논문은 공감 모방 대화 시스템 구축의 윤리적 책임과 동기에 의문을 던지며, 향후 연구가 텍스트를 넘어 음성 및 사회 로봇 공학 분야로 확장되어야 함을 강조하였다. Howcroft et al.(2025)의 연구 검토 결과, 생성형 AI 챗봇이 인간 의료 전문가보다 더 공감적으로 인식될 수 있다는 점이 밝혀져 인간 고유의 공감 능력에 대한 기존 가정을 재고하게 되었다. Kang et al.(2025)은 언어적 단서가 사회적 존재감과 진정성, 신뢰 및 친밀도를 높일 수 있음을 보고하였다. 반면 Concannon et al.은 최첨단 대화 시스템이 방대한 양의 인간 대화 데이터를 학습한 '정교한 앵무새'에 불과하며 '인공 공감' 개념의 모호성을 지적하였다. 한편, 캠브리지 대학교와 크렘스 대학교의 협력 프로젝트에서는 간호 학생들의 집단 활동(음악, 춤, 호흡 등)이 스트레스 관리와 공감 능력 향상에 효과적임을 입증하였다. 논문은 공감에 대한 표준 정의가 부재하지만, 타인의 감정과 관점을 이해하고 공유하는 사회적 능력으로 폭넓게 이해되며, 이를 집단적이면서 상상적인 복합 개념으로 다루었다. 상호작용적 동기화가 사회성, 공감 및 번아웃 예방에 기여한다고 언급하였다. 궁극적으로 이 연구는 공감을 모방하는 AI 시스템에 대한 심층 검토와 사용자로부터의 직접적인 경험적 피드백 수집의 중요성을 강조하며, 공감과 웰빙 증진에 있어 '사회적' 측면의 가치를 부각하였다는 학술적 의의를 지닌다.
📖 Artificial Intelligence - 2건
One mind, many tongues: A deep dive into language-agnostic knowledge neurons in large language models
대규모 언어 모델(LLM)은 방대한 사실적 지식을 습득하고 다국어 능력으로 이를 표현하지만, 내부 지식 저장 메커니즘은 여전히 불분명하였다. 기존 연구는 언어 불가지론적 지식 뉴런을 발견하였으나, 프롬프트 기반 탐침의 불확실성으로 인한 탐지 결과의 부정확성 및 영어와 중국어에만 국한된 분석으로 일반화 가능성이 낮다는 한계를 지니고 있었다. 본 연구는 이러한 문제점을 해결하기 위해 각 사실에 대한 고품질의 빈칸 채우기 형식 다국어 병렬 질문을 포함하는 새로운 벤치마크인 Rephrased Multilingual LAMA (RML-LAMA)를 구축하였다. 더 나아가, 지식 탐지 과정에서 질문과 언어 전반의 불확실성을 정량화하는 Multilingual Integrated Gradients with Uncertainty Estimation (MaTrice)라는 혁신적인 방법론을 제안하였다. 광범위한 실험을 통해 MaTrice 방법이 언어 불가지론적 지식 뉴런을 정확하게 탐지할 수 있음을 성공적으로 입증하였다. 또한, 본 연구는 언어 불가지론적 지식 뉴런이 교차 언어 지식 편집, 지식 강화 및 새로운 지식 주입에 어떻게 활용될 수 있는지 그 역할에 대해서도 심층적으로 조사하였다. 이러한 연구 결과는 LLM의 내재된 지식 표현 방식에 대한 이해를 심화시키고, 다국어 환경에서 LLM의 견고성과 활용도를 높이는 데 중요한 학술적 기여를 하였다.
Learning semi-parametric tree models from mixed data
인공지능 시대에 잠재 변수와 구조를 포함하는 인과 관계 발견 및 표현은 실제 데이터 이해에 있어 중요한 역할을 하며 점점 더 큰 관심을 받고 있다. 기존의 많은 방법이 순수 연속형 데이터 또는 순수 이산형 데이터에만 초점을 맞추었기에, 본 논문은 혼합형 데이터로부터 잠재 구조를 학습하는 난제를 다루었다. 연구진은 혼합형 데이터를 처리할 수 있는 새로운 준모수적 트리 모델을 제안하였으며, 이 모델의 구조를 부가 정보 거리를 사용하여 학습하는 알고리즘을 개발하였다. 이 알고리즘은 주어진 정보 거리를 바탕으로 참 구조를 효율적이고 정확하게 복구한다는 것을 입증하였다. 추가적으로, 구조 학습 알고리즘의 표본 기반 버전은 확률적 근사 정확성을 달성하며, 정확한 구조 복구를 위한 유한 표본 경계를 설정하였다. 제안된 알고리즘의 성능을 평가하기 위해 시뮬레이션 데이터와 실제 데이터를 모두 활용하였고, 실험 결과는 본 알고리즘이 혼합형 데이터 뒤에 숨겨진 잠재 계층 구조를 효과적으로 발견할 수 있음을 보여주었다. 이는 혼합형 데이터 분석의 한계를 극복하고 보다 실제적인 데이터 환경에서의 인과 관계 이해를 심화하는 데 학술적으로 중요한 기여를 하였다.
📖 Engineering Applications of Artificial Intelligence - 3건
A novel deep learning-based model for fault diagnosis of complex systems with high uncertainty
본 연구는 복잡하고 불확실성이 높은 시스템의 고장 진단에서 기존의 결정론적 CNN-GRU-SC 모델의 한계를 극복하고자 새로운 딥러닝 모델을 제안하였다. 연구자들은 인터벌 타입-2 퍼지 집합(IT2FS)을 CNN, GRU, 그리고 SC 모델의 연산에 통합하여 IT2FS-CNN, IT2FS-GRU, IT2FS-SC 모델을 개발하였으며, 이를 결합하여 IT2FS 기반의 딥러닝 모델을 구축하는 방법론을 사용하였다. AP1000 원자로 냉각 시스템(RCS) 데이터를 활용한 실험 결과, 제안된 모델은 낮은 노이즈 환경(표준편차 0.1)에서 99.71%의 정확도와 1.00의 AUC를 달성하였고, 높은 노이즈 환경(표준편차 0.5)에서도 87.14%의 정확도와 0.98의 AUC를 기록하였다. 특히, 이 모델은 높은 불확실성 상황에서 고장 모드, 위치 및 심각도를 식별하는 데 있어 기존 모델들을 능가하는 성능을 보였다. 이러한 핵심 발견은 공학 응용 분야에서의 진단 신뢰도를 크게 향상시키며, 본 연구는 내재된 불확실성을 가진 안전 필수 시스템에 광범위하게 적용될 수 있는 학술적 의의를 지닌다고 할 수 있다.
Enhanced graph neural network for rapid multi-field seismic prediction in shield tunnels with contact loss defects
쉴드 터널의 라이닝과 주변 토양 사이에 발생하는 접촉 손실 결함(CLD)은 터널의 토양-구조물 상호작용 및 지진 거동에 중대한 영향을 미치지만, 기존의 유한요소법(FEM) 분석은 복잡성과 높은 계산 비용으로 인해 대규모 또는 다중 시나리오 평가에 비실용적이라는 문제가 있었다. 본 연구는 이러한 한계를 극복하고자 CLD를 가진 쉴드 터널의 다중 물리 지진 반응을 신속하게 예측하는 그래프 신경망(GNN) 기반 프레임워크를 개발하였다. 연구팀은 실제 검사 데이터를 훈련 데이터셋으로 변환하였고, 지표 투과 레이더(GPR)로 식별된 CLD 매개변수와 전단파 속도를 입력 특징으로 사용하였다. 이를 위해 다층 퍼셉트론(MLP)과 GNN을 결합한 하이브리드 아키텍처를 도입하여 방사형 변위, 미세스 응력, 손상 영역 분포를 동시에 예측하였다. 실제 쉴드 터널 프로젝트에 적용한 결과, 모델은 변위에서 R2=0.98, 응력에서 R2=0.95, 손상에서 R2=0.92의 높은 예측 정확도를 달성하였으며, 총 손실은 5.4였다. 특히 각 예측에 단 0.15초가 소요되어 FEM 시뮬레이션보다 5800배 이상 빠른 처리 속도를 보였다. 이 연구는 쉴드 터널의 효율적이고 확장 가능한 지진 성능 평가에 대한 강력한 잠재력을 입증하였고, 실용적인 활용을 위해 CLD-QuakePredictor V1.0이라는 대화형 도구로 구현되었다. 이처럼 본 연구는 복잡한 공학 문제 해결에 인공지능 기술을 효과적으로 적용하여, 기존 방법의 한계를 넘어서는 새로운 해결책을 제시하였다.
Adaptive critical speed prediction for straddle-type monorail operational safety: A meta-learning framework with few-shot deployment
전 세계적인 도시화 가속에 따라 효율적이고 지속 가능한 운송 솔루션의 중요성이 증대되는 가운데, 경량 구조, 낮은 인프라 비용, 그리고 독특한 고가 공간 효율성을 가진 현수식 모노레일 시스템(SMS)은 도시 통근 네트워크 최적화의 핵심으로 부상하였다. 그러나 현수식 모노레일 차량(SMV)의 운영 안전에 있어 가장 큰 과제는 횡방향 쉬미 진동 불안정성이며, 기존의 동적 모델링 방식은 계산 비효율성과 낮은 매개변수 일반화 능력으로 인해 쉬미 분기 경계를 효과적으로 예측하는 데 어려움이 있었다. 이러한 한계를 극복하기 위해 본 연구에서는 소수 데이터만으로도 임계 속도를 예측할 수 있는 새로운 메타 학습 프레임워크인 MAML-CNN-LSTM-Attention (M-CLA)을 제안하였다. M-CLA 프레임워크는 모델 불가지론적 메타 학습(MAML), 합성곱 신경망(CNN), 장단기 기억(LSTM), 그리고 어텐션 메커니즘을 통합하여 구성되었다. 7자유도 차량-궤도 결합 모델을 기반으로 횡방향 변위 및 속도 시계열 데이터를 처리하도록 훈련된 이 프레임워크는 소수 조건에서도 임계 속도 예측에서 99.67%의 높은 정확도를 달성하였다. M-CLA는 최소한의 데이터로도 다양한 시나리오에 빠르게 적응하고 우수한 일반화 능력을 보여주었으며, 기존 딥러닝 방법보다 예측 정확도와 교차 조건 일반화 측면에서 뛰어난 성능을 입증하였다. 이는 SMS의 안전성을 향상하고 유지보수 비용을 절감하며 탈선을 방지하는 실용적인 인공지능 도구를 제공하며, 인프라 관리자에게 SMS의 동적 최적화 및 안전 평가를 위한 AI 기반 도구를 제공함으로써 다양한 도시 철도 환경에서 운영 안전을 강화하는 데 효과적으로 기여하였다.
📖 Neural Networks - 3건
Metamon-GS: Enhancing representability with variance-guided densification and light encoding
3D Gaussian Splatting (3DGS)은 새로운 시점 합성에 기여하였지만, 기존의 앵커 기반 3DGS 변형 모델들은 재구성 성능을 향상시켰음에도 불구하고 다양한 조명 조건에서의 정확한 색상 표현 부족과 희소하게 초기화된 영역에서의 밀집화 전략 부재로 인한 렌더링 성능 저하 문제를 겪었다. 이러한 한계는 이미지가 바래 보이거나 흐릿한 바늘 모양의 아티팩트를 유발하였다. 본 연구는 이러한 문제를 해결하고자 Metamon-GS를 제안하였다. Metamon-GS는 분산 유도 밀집화 전략과 다단계 해시 그리드를 핵심 방법론으로 채택하였다. 분산 유도 밀집화 전략은 픽셀 내 높은 기울기 분산을 갖는 가우시안을 중심으로, 추가 가우시안을 통해 중요 영역을 보완하여 재구성 품질을 향상시켰다. 동시에, 다단계 해시 그리드는 암묵적인 전역 조명 조건을 효과적으로 인코딩하여 여러 시점에서 정확한 색상 재현 및 특징 임베딩을 가능하게 하였다. 공개 데이터셋을 활용한 철저한 실험 결과, Metamon-GS는 기존 기준 모델 및 다른 변형 모델들보다 뛰어난 성능을 보였으며, 새로운 시점 렌더링에서 우수한 품질을 제공하였다. 이 연구는 3DGS 기술의 렌더링 정확도와 시각적 품질을 크게 개선하여 신규 시점 합성 분야에 중요한 학술적 진보를 이루었다.
Regression-based multisource conditional domain adaptation for policy outcome prediction
사회 과학 분야에서 정책 결과 예측은 중요하지만, 기존 연구는 미지 정책 결과를 예측할 적절한 방법론과 정책 시행 후 예측 오류 한계에 대한 이론적 보장이 부족하며, 회귀 문제보다 분류 문제에 더 중점을 두었다는 한계가 있었다. 본 연구는 이러한 간극을 해소하고자 조건부 비지도 도메인 적응(CUDA) 프레임워크를 제안하였다. 이 프레임워크는 불가지론적 PAC 학습 설정 내에서 목표 모델에 대한 일반화 오류 한계를 도출하여 정책 후 기간 회귀 작업의 예측 오류 보장을 확립하고, 예측의 신뢰성과 안정성을 확보하였다. 구체적으로, 전처리 결과를 기반으로 한 경험적 위험 함수와 후처리 기간 도메인 적응의 경험적 오류 함수를 공동으로 최소화함으로써 강력한 일반화 가능성을 지닌 에스티메이터를 생성하였다. 이론적 분석을 통해 정책 구현 후 소스 및 타겟 도메인 간의 분포 변화와 연속적인 레이블 공간으로 인한 무한한 회귀 레이블 수라는 두 가지 핵심 과제를 식별하였으며, 이러한 통찰을 바탕으로 정책 결과 예측을 위한 회귀 문제의 비지도 도메인 적응을 다루는 조건부 비지도 다중 소스 도메인 적대 네트워크(CUMDAN)라는 적대적 학습 알고리즘을 개발하였다. 최종적으로, 중국의 사법 개혁이 기업 및 자본 시장 발전에 미치는 영향을 예측하기 위해 네 가지 실제 데이터 세트에 대한 실험을 수행하였고, 비교 분석 결과 제안된 방법의 효과성이 성공적으로 입증되었다. 본 연구는 정책 결과 예측 방법론의 발전에 기여하고, 회귀 문제를 위한 비지도 도메인 적응의 이론적 및 실제적 적용 가능성을 확장하였다는 점에서 중요한 학술적 의의를 가진다.
Graph-level contrastive learning with self-aware and cross-sample topology augmentation for brain disorder diagnosis using rs-fMRI
휴지기 기능적 자기공명영상(rs-fMRI)은 뇌 질환 진단 및 분석에 널리 사용되지만, 기존 fMRI 연구들은 학습 기반 접근 방식이 레이블링된 훈련 데이터에 크게 의존하며, 이는 임상 환경에서 주석 작업에 상당한 시간과 노력이 필요하여 얻기 어렵다는 한계점을 가지고 있었다. 이러한 문제를 해결하고자 본 연구진은 rs-fMRI를 활용한 뇌 질환 진단 및 분석을 위해 자기인식 및 교차 샘플 위상학적 증강을 이용한 그래프 수준 대조 학습(GCSC-TA)을 제안하였다. 제안된 GCSC-TA는 자기인식 및 교차 샘플 위상학적 증강을 도입하여 각 피험자에 대해 두 개의 상보적인 증강된 뇌 네트워크를 생성하였다. 이러한 이중 관점 전략은 개별 특이적 특징 식별을 향상시켰으며, 피험자 간 기능적 이질성을 증폭시켰다. 또한, 증강된 뇌 네트워크를 수용하기 위한 최소-최대 대조 손실 함수를 설계하여, 기존의 투영 기반 방법론의 한계를 극복하는 동시에 뇌 위상 구조의 원본 무결성에 대한 그래프 수준 대조 학습을 수행하였다. 주요 우울 장애(MDD) 개인 데이터셋과 공개된 자폐 스펙트럼 장애(ABIDE) 데이터셋에 대한 광범위한 실험을 통해 GCSC-TA가 여러 최첨단 방법론에 비해 우수한 분류 성능을 보였음을 입증하였다. 더 나아가 GCSC-TA는 MDD 및 ASD와 관련된 비정상적인 뇌 연결성 패턴을 식별하여 임상 진단을 위한 rs-fMRI의 해석 가능성과 임상적 유용성을 발전시키는 데 기여하였다.
📖 Neurocomputing - 3건
BR Net: A novel deep learning model guided by brain region features for decoding single-trial visual EEG signals
기존 연구에서 단일 시행 뇌전도(EEG) 신호를 기반으로 하는 인간 시각 디코딩은 주로 시각 관련 뇌 영역에 집중하여 다른 뇌 영역의 유효한 정보를 충분히 활용하지 못함으로써 디코딩 성능에 한계를 보였다. 이 문제를 해결하기 위해, 본 논문은 뇌 영역 특징을 활용하는 새로운 딥러닝 모델인 Brain Region Net(BR Net)을 제안하였다. BR Net은 뇌 영역 특징 추출(BRFE), 뇌 영역 특징 융합(BRFF), 전체 뇌 특징 추출(WBFE), 그리고 완전 연결 분류 출력(FCCO)의 네 가지 주요 구성 요소로 이루어졌다. 특히, BRFE 모듈은 데이터 분할 전처리와 컨볼루션 설계를 통합하여 개별 뇌 영역에서 시간-주파수 도메인 특징을 효과적으로 추출하였으며, BRFF 모듈은 개선된 자기 어텐션 메커니즘을 적용하여 개별 뇌 영역 특징을 가중하고 통합하여 전체 뇌 특징을 구성하였다. 또한, WBFE 모듈은 듀얼 브랜치 구조를 채택하여 전체 뇌 특징 내의 영역 간 관계를 추가로 포착하고 BR Net의 견고성을 향상시켰다. 최종적으로 FCCO 모듈을 통해 디코딩 결과를 도출하였다. BR Net은 6개 클래스 디코딩 작업에서 54.52%, 72개 클래스 디코딩 작업에서 30.40%의 높은 정확도를 달성하며, 이는 기존 모델보다 우수한 성능을 보여주었다. 이러한 결과는 제안된 BR Net의 효과성과 타당성을 강력하게 입증하였다. 이 연구는 뇌파 신호 디코딩의 정확도를 향상시켜 뇌-컴퓨터 인터페이스 및 뇌 기능 이해 증진에 중요한 기여를 할 것으로 기대된다.
Graph-constructed adaptive semantic fusion for heterophilic graph contrastive learning
기존 그래프 대조 학습(GCL) 방식은 동질성 가정에 기반하여 연결된 노드들이 상이한 속성이나 레이블을 갖는 이질성 그래프에서는 비효율적인 한계가 있었다. 본 연구는 이러한 문제를 해결하기 위해 이질성 그래프 대조 학습을 위한 그래프 구성 적응형 의미 융합(Graph-constructed Adaptive Semantic Fusion for Heterophilic Graph Contrastive Learning) 방법을 제안하였다. 이 방법은 그래프 구조와 노드 의미론의 이중 공간에서 동질성 뷰, 이질성 뷰, 증강 뷰의 세 가지 의미론적으로 구별되는 뷰를 구성하는 새로운 다중 뷰 구성 패러다임을 도입하였다. 구체적으로, 동질성 뷰는 근접성 기반 유사성을 포착하고, 이질성 뷰는 불유사성 및 장거리 의존성을 명시적으로 모델링하며, 증강 뷰는 대조 학습을 위한 앵커 역할을 수행하였다. 다양한 뷰에 인코딩된 신호를 강화하기 위해 저역 통과 및 고역 통과 필터를 적용한 후 인코더를 사용하여 뷰별 표현을 얻었다. 또한, 동질성 수준이 다른 뷰에서 파생된 표현 간의 의미론적 격차를 완화하고자 동질성 뷰와 이질성 뷰의 표현을 동적으로 융합하여 의미론적으로 일관된 노드 임베딩을 생성하는 적응형 의미 융합 메커니즘을 제안하였다. 최종적으로 증강 뷰를 앵커로 하는 공동 그래프 대조 학습 목적 함수를 사용하였다. 다양한 동질성 수준의 데이터셋에 대한 광범위한 실험 결과, 제안된 방법은 노드 분류, 노드 클러스터링 및 링크 예측 작업에서 대표적인 기준선들보다 일관되게 우수한 성능을 보였다. 이는 이질성 그래프에서의 GCL 한계를 극복하고 다양한 그래프 학습 작업의 성능을 향상시키는 데 중요한 학술적 의의를 지닌다.
The unsupervised sequential bio-tomographic image registration method based on deep wavelet transform and manifold symmetry constraints
생체 단층 영상의 정합은 조직 분석 및 병리학적 진단에 중요한 역할을 한다. 기존의 정합 방법들은 각 단층 슬라이스 내용과 기하학적 특징의 차이로 인해 정확한 정렬에 실패하는 경우가 많았다. 이에 본 연구는 대부분의 동물이 양측 또는 방사형 대칭을 나타낸다는 점에 착안하였다. 연구팀은 딥 웨이블릿 변환 및 매니폴드 대칭 제약을 기반으로 하는 새로운 윤곽선 정합 방법을 제안하였다. 이 방법은 먼저 단층 슬라이스에서 닫힌 루프 윤곽선을 추출하여 이를 1차원 에지 매니폴드 시리즈로 표현했다. 다음으로, 딥 섀넌-코사인 웨이블릿 변환을 사용하여 이 매니폴드들의 대칭 기하학적 구조에서 형태 특징을 포착하였다. 마지막으로, 형태 구조에 희소 분해를 적용하여 정합 작업을 외부 윤곽선 매핑 관계를 설정하는 문제로 변환하였다. 이 방법은 다섯 가지 순차적 생물학적 단층 영상 데이터셋에 대해 검증되었다. 실험 결과, 제안된 접근 방식이 우수한 정합 정확도와 견고성을 달성했음을 입증하였다. 이는 생물학적 영상 분석을 위한 효과적인 잠재력을 확인시켜 주었다.
📖 Applied Soft Computing - 3건
A rate-distortion optimal evolutionary algorithm under the fixed bit-rate constraints for the JPEG quantization table optimization
JPEG 압축에서 양자화 테이블 최적화는 지난 30년간 널리 활용되어 온 JPEG 표준과의 호환성을 유지하며 이미지 저장 및 전송의 핵심인 압축 효율성을 높이는 데 중요하다고 이 논문은 언급하였다. 기존 진화 알고리즘(EA) 기반의 JPEG 양자화 테이블 최적화 기법들이 주로 휘도 양자화 테이블 최적화에 중점을 두었으며, 특정 비트율에 맞춰 최적화될 수 없다는 한계점을 본 연구는 지적하였다. 이러한 문제를 해결하고자, 본 논문은 고정 비트율 제약 조건 하에서 JPEG 양자화 테이블 최적화를 위한 율-왜곡 최적 진화 알고리즘을 제안하였다. 이 방법론은 비트율 제약이 있는 개체군과 제약이 없는 개체군이라는 두 개의 개체군을 활용하는 공진화 알고리즘을 통해 양자화 테이블을 최적화하였다. 각 개체군은 율-왜곡 최적 원리에 기반한 개체군 업데이트와 서로 다른 환경 선택 전략을 채택하였으며, 두 개체군이 동시에 진화하고 상호 협력하여 최적화 성능을 향상시켰다. 고전적인 벤치마크 데이터셋에 대한 실험 결과, 제안된 방법은 압축 효율성 및 이미지 품질 측면에서 현재 최첨단 알고리즘보다 더 나은 양자화 테이블을 달성했다고 보고되었다. 또한, 이 방법을 통해 JPEG 압축을 위한 보다 정확한 목표 비트율을 얻을 수 있었음이 확인되었다. 본 연구는 고정 비트율 제약을 고려한 JPEG 양자화 테이블 최적화의 난제를 해결하고, 압축 효율성, 이미지 품질, 그리고 목표 비트율의 정확성을 동시에 개선하는 혁신적인 접근 방식을 제시함으로써, 이미지 압축 기술 발전에 중요한 학술적 의의를 가졌다.
A learning-driven artificial bee colony algorithm for mobile robot multi-objective path planning
이 연구는 모바일 로봇의 다중 목표 경로 계획 문제를 해결하기 위해 학습 기반 인공 벌 군집 알고리즘(LBABC)을 제안하였다. 특히 경로 길이, 경로 안전성, 경로 부드러움이라는 세 가지 목표를 동시에 최적화하는 데 중점을 두었다. 제안된 방법론은 다양한 초기 해를 생성하기 위한 경쟁 기반 초기화 전략을 포함하였다. 숙련된 벌 단계에서는 전역 탐색 능력을 향상시키기 위해 차등 진화 전략을 개발하였으며, 경로 계획 문제의 특정 특성에 맞게 차등 돌연변이 및 교차 연산자를 재설계하였다. 관찰 벌 단계에서는 지역 탐색 능력을 개선하고자 6가지 문제별 진화 연산자를 활용하는 Q-학습 기반 진화 연산자 선택 전략을 설계하였다. 마지막으로 정체된 해를 유망한 해로 대체하여 군집 활동을 강화하는 적응형 진화 재시작 전략을 정찰 벌 단계에 도입하였다. LBABC의 성능을 검증하기 위해 이 알고리즘을 4가지 환경의 16개 인스턴스에 걸쳐 7가지 최신 알고리즘과 비교하였다. 또한, LBABC의 각 구성 요소는 제거 테스트를 통해 면밀히 검토되었다. 실험 결과, 제안된 LBABC는 하이퍼볼륨 및 역세대 거리 측정에서 두 번째로 우수한 성능을 보인 알고리즘과 비교하여 각각 평균 1.37% 및 40.74%의 향상을 달성하였다. 이러한 결과는 설계된 구성 요소의 효과성과 다중 목표 경로 계획 문제 해결에 있어 제안된 LBABC의 우수한 성능을 입증하였다. 이 연구는 복잡한 로봇 경로 계획 분야에 중요한 학술적 기여를 하였다.
An adaptive exploration-exploitation framework for success history based differential evolution
Differential evolution (DE) 알고리즘, 특히 SHADE 및 그 변형들은 뛰어난 성능으로 다양한 최적화 문제에 널리 적용되어 왔다. 그러나 다중 모드 문제에 직면했을 때, 기존의 파라미터 적응 전략은 개체군의 탐색을 효과적으로 안내하는 적절한 파라미터를 생성하지 못하는 경향이 있어, 이는 탐색과 활용 사이의 불균형을 초래하고 궁극적으로 성능 저하를 야기하였다. 본 연구는 이러한 한계를 극복하기 위해 기존의 적응 전략을 확장하는 파라미터 구성 프레임워크를 제안하였다. 이 프레임워크는 모든 주요 SHADE 기반 알고리즘에 쉽게 확장 가능하도록 설계되었으며, 유망한 영역으로 개체군 탐색을 유도하는 '반-파라미터 적응 전략'을 통해 알고리즘의 파라미터 설정을 향상시켰다. 더욱이, 연구진은 자손 성공률과 개체군 다양성 지표를 기반으로 하는 '이중 기준 식별 메커니즘'을 도입하였고, 이를 앞서 언급된 전략 내에 통합하여 적응형 탐색-활용 균형을 촉진하였다. IEEE Congress on Evolutionary Computation (CEC) 2014, 2015, 2017 벤치마크 스위트에 걸친 광범위한 테스트를 통해, 이 프레임워크를 경쟁에서 우승한 SHADE 기반 알고리즘과 최근 발표된 알고리즘 모두에 적용한 결과, 원본 버전에 비해 성능이 크게 향상되었음을 입증하였다. 최종적으로, 연구진은 파라미터 민감도와 알고리즘 복잡성을 논의하였으며, 시각화 분석을 통해 제안된 방법의 효과성을 검증하였다. 이로써 본 연구는 다중 모드 최적화 문제에서 SHADE 기반 알고리즘의 적용 가능성과 효율성을 한층 높였다.
📖 Computer Speech and Language - 3건
Using Knowledge Induction strategies: LLMs can do better in knowledge-driven dialogue tasks
대규모 언어 모델(LLM)은 사전 훈련을 통해 방대한 지식을 인코딩했지만, 지식 집약적 대화 작업에서 지식 부족 및 오용으로 나타나는 지식 불일치 문제에 직면하였다. 기존 해결책들이 외부 지식 기반이나 노동 집약적 프롬프트 엔지니어링에 의존하여 확장성, 일반화 및 계산 효율성에서 한계를 보였기에, 이 논문은 이러한 문제들을 해결하고자 외부 검색 없이 LLM의 내부 지식을 체계적으로 발굴하고 활용하도록 설계된 두 가지 지식 유도(KI) 전략인 명시적 지식 유도(EKI)와 암묵적 지식 유도(IKI)를 도입하였다. EKI는 명시적 지식을 유도하고 적용하기 위한 구조화된 2단계 프롬프트 메커니즘을 사용하였으며, IKI는 암묵적 추론 경로를 통해 응답 생성을 안내하기 위해 지식 기반 사고 연쇄(K-CoT)를 통합하였다. 두 전략 모두 모델의 지식 저장소에 대한 자기 인식을 향상시키고, 제약된 생성을 통해 사실적 근거를 개선하는 데 중점을 두었다. 연구팀은 GPT-4, LLaMA3, ChatGLM3를 포함한 여러 LLM에 걸쳐 네 가지 대화 벤치마크에서 이 방법들을 평가하였다. 그 결과, KI 전략들이 강력한 프롬프트 기준선보다 훨씬 뛰어난 성능을 보였고, 검색 증강 생성(RAG) 시스템의 성능에 근접하였다. 또한 추론 지연 시간을 최대 50%까지 줄였다. 특히 KI로 미세 조정된 ChatGLM3는 LLaMA3-70B와 유사한 성능을 달성하였으며, 추가 분석을 통해 이 접근 방식이 환각 비율을 줄이고 전반적인 진실성을 향상시킨다는 것을 확인하였다. 이러한 연구 결과는 효율적이고 신뢰할 수 있는 지식 기반 대화 시스템을 구축할 잠재력을 명확하게 보여주었다.
Toward robust replay attack detection in Automatic Speaker Verification: A study of spectrum estimation and channel magnitude response modeling
자동 화자 검증(ASV) 시스템은 재생 공격에 취약하며, 기존의 대응책은 잡음과 채널 왜곡에 민감한 이산 푸리에 변환(DFT) 기반 스펙트럼 특징에 의존하는 한계가 있었다. 본 연구는 이러한 ASV 시스템의 재생 공격 탐지 견고성을 향상시키기 위해 채널 크기 응답(CMR) 표현에 대한 포괄적인 연구를 수행하였다. 연구 방법론으로 CMR 추정을 MFCC를 넘어 LFCC 및 CQCC 특징으로 일반화하고, 기존 DFT 방식보다 우수한 성능을 보이는 선형 예측(LP) 및 멀티테이퍼(MT)와 같은 대체 스펙트럼 추정기를 CMR 파이프라인에 통합하였다. 또한, ASVspoof 데이터셋의 알려진 편향을 완화하고자 무음 구간이 없는(유성음 전용) 조건에서 견고성을 조사하였으며, ASVspoof 2017, 2019, 2021 및 최근 출시된 ReplayDF 코퍼스를 사용하여 시스템적인 평가를 수행하였다. ResNet18, LCNN, Res2Net50, SE-Res2Net50과 같은 다양한 분류기를 활용한 실험 결과, 제안된 접근 방식이 기존 특징보다 일관되게 우수한 성능을 보였다. 특히, LP 스펙트럼을 사용하는 LFCC-CMR 특징은 ASVspoof 2019 (PA)에서 1.34%라는 낮은 동등 오류율(EER)을 달성하여, 기존 방법에 비해 상당한 상대적 개선을 나타냈다. 중요한 학술적 의의는 CMR 기반 시스템이 무음 구간이 제거된 경우에도 기존 접근 방식과 달리 높은 성능을 유지하였다는 점이다. 이러한 핵심 발견은 원칙적인 스펙트럼 모델링을 갖춘 CMR이 재생 공격 탐지를 위한 견고하고 일반화 가능한 프레임워크임을 입증하며, 회복력 있는 스푸핑 대응책 개발에 새로운 방향을 제시하였다.
A robust framework for noisy speech recognition using Frequency-Guided-Swin Transformer
본 연구는 기존 자동 음성 인식(ASR) 시스템이 소음이 심한 환경에서 음성 인식 정확도가 크게 저하되는 문제를 해결하고자 하였다. 연구진은 소음이 많은 환경에서 음성을 문자 수준으로 정확하게 전사하는 데 중점을 두었다. 이를 위해 컨볼루션 신경망(CNN)과 Swin Transformer를 결합하고 주파수 유도 다중 헤드 자기 주의(FG-MSA) 메커니즘을 통합하는 새로운 접근 방식을 제안하였다. CNN은 지역화된 특징을 효율적으로 추출하며, Swin Transformer는 계층적 구조와 이동 창 메커니즘을 통해 지역 및 장거리 의존성을 모두 포착한다. 특히 FG-MSA 메커니즘은 소음 조건에서의 견고성을 향상시키기 위해 음성 인식에 가장 관련성이 높은 주파수 구성 요소로 주의 메커니즘을 유도하는 역할을 하였다. 제안된 방법론은 특히 소음 환경에서 ASR의 성능과 효율성을 크게 향상시켰다. Aurora-2 데이터셋 및 소음 음성 명령(NSC) 데이터셋에 대한 평가 결과, 제안된 CNN-FG-Swin Transformer는 격리된 Aurora-2 데이터셋에서 평균 87.19%의 정확도를 달성하여 기준 Swin Transformer보다 2.49% 높은 성능을 보였다. 또한, 모든 데이터셋에서 평균 87.01%의 정확도를 기록하며 비교 대상이 된 모든 최첨단 방법론들을 능가하였다. NSC 데이터셋의 -9 dB 조건에서는 36.20%의 단어 오류율(WER)을 달성하였는데, 이는 종단 간 캡슐 네트워크 모델보다 8% 우수하고, DNN 기준선인 38.63% 및 LSTM 기준선인 69.09%보다 월등히 나은 결과이다. 이러한 결과는 제안된 모델이 실제 환경 조건에서 매우 견고하며, 소음이 있는 음성 인식 분야에서 상당한 학술적 의의를 가진다는 것을 확인하였다.
📖 Cognitive Computation - 1건
Keying Into Cognition: Temporal Smoothing of Smartphone Typing Behaviors for Passive Assessment of Processing Speed and Executive Function in Individuals With Mood Disorders
이 연구는 기분 장애가 있는 개인의 처리 속도와 실행 기능을 스마트폰 타이핑 행동을 통해 비침습적으로 평가하고, 일주기 패턴이 인지 기능에 미치는 영향을 탐구했다. 연구팀은 기분 장애 유무와 관계없이 25세에서 50세 사이의 아이폰 사용자를 대상으로 디지털 트레일 메이킹 테스트 파트 B(dTMT-B), 환자 건강 설문지(PHQ) 데이터 및 타이핑과 가속도계 메타데이터를 BiAffect 앱을 통해 수집하였다. 특히, 타이핑 활동 매트릭스에 그래프 정규화된 특이값 분해(SVD)를 적용하여 수면-각성 주기와 일주기 패턴을 추론하는 새로운 방법론을 개발했다. 이 방법은 이웃하는 시간과 요일의 타이핑 활동을 시계열적으로 평활화하여, 타이핑 활동이 없는 긴 시간 블록을 수면으로 추정하는 특징을 가졌다. 연구 결과, 타이핑 규칙성 특징을 추가했을 때 랜덤 포레스트 모델의 성능이 향상되어 평균 제곱근 오차(RMSE)가 0.938에서 0.769로, 평균 절대 오차(MAE)가 0.724에서 0.644로 감소하였다. 이는 비록 통계적으로 유의미하지는 않았지만, 일관된 오류 감소를 통해 타이핑 관련 및 일주기 활동 특징이 인지 성능에 기여한다는 잠재적인 기계론적 역할을 시사했다. 또한, 빠른 타이핑 속도와 유연한 휴대폰 방향 전환이 더 나은 인지 기능과 연관되었으며, 연속적인 날짜 간의 유사한 타이핑 패턴이 더 나은 인지 성능과 관련이 있고, 4일 간격의 더 큰 변동성은 더 나은 인지 성능과 관련이 있었다. 흥미롭게도, 우울 증상의 척도인 평균 PHQ 점수를 모델에 추가해도 예측 성능은 향상되지 않았으며, PHQ의 기여도는 미미하여 타이핑 관련 특징들이 기분과 관련된 변동성을 내재적으로 포착했음을 시사했다. 이 연구는 임상적 또는 인구 통계학적 정보 없이 스마트폰 키보드를 통해 처리 속도와 실행 기능을 비침습적으로 측정하는 방법의 유용성을 입증하고, 타이핑 데이터에서 일주기 패턴과 수면 정보를 추출하는 새로운 방법을 제시하며, 기분 장애 개인의 인지 기능 평가에서 타이핑 역학의 학술적 의의를 강조하였다.
📖 Patterns - 1건
Helix 1.0: An open-source framework for reproducible and interpretable machine learning on tabular scientific data
본 연구는 타불라 과학 데이터에 대한 재현 가능하고 해석 가능한 기계 학습(ML) 도구의 필요성, 특히 학제 간 팀에서 데이터 출처 추적, 일관되지 않은 특성 중요도(FI) 결과, 기존 도구의 한계와 같은 문제를 해결해야 할 필요성을 제기하였다. 이에 따라, 연구진은 유연하고 확장 가능한 오픈소스 프레임워크인 Helix를 제안하였다. Helix는 Streamlit을 활용한 직관적인 그래픽 사용자 인터페이스(GUI)를 제공하여 비전문가도 쉽게 사용할 수 있도록 설계되었으며, 모듈성, 확장성 및 유지보수성을 강조한 연구 소프트웨어 엔지니어링 모범 사례를 준수하였다. 방법론적으로 Helix는 데이터 전처리(정규화, 변환, 특성 선택), ML 모델링(다양한 알고리즘, 하이퍼파라미터 최적화, 병렬 훈련), 그리고 모델 해석(전역 및 지역 FI, 앙상블 FI, 퍼지 논리 기반 규칙 추출) 기능을 통합하였다. 핵심 발견으로, Helix는 대규모 데이터셋(예: 10분 이내에 100만 개 인스턴스)을 효율적으로 처리할 수 있음을 입증하였다. 또한, 생체 재료 과학(생체막 형성 예측), 화학 정보학(Delaney 용해도 데이터베이스 모델링에서 기존 도구와 유사한 R² 달성), 그리고 의학(태아 사망 위험 예측) 분야의 세 가지 실제 사례 연구에 성공적으로 적용되었다. 특히 의학 분야에서는 WEKA와 일관된 결과를 보이면서도 자동화된 워크플로우와 시각적 출력을 제공하는 장점을 부각하였다. Helix의 주요 차별점은 통합된 데이터 분석 과정 출처 추적과 퍼지 논리 기반의 자연어 규칙 추출을 통한 인간이 이해하기 쉬운 해석 프레임워크를 제공한다는 점이다. 이는 복잡한 비선형 모델의 특성 상호작용을 명확히 설명하는 데 기여하였다. 학술적 의의 측면에서 Helix는 FAIR(Findable, Accessible, Interoperable, Reusable) 원칙을 준수하며 GitHub와 PyPI를 통해 오픈소스로 제공되어 재현 가능하고 해석 가능한 ML 프레임워크로서 과학 데이터 분석 도구에 중요한 기여를 하였다. 현재는 대규모 데이터셋의 계산 성능 저하와 Streamlit의 다중 사용자 제한 등의 한계가 있으나, 향후 빅데이터 기술 도입과 ML 알고리즘 확장을 통해 보완될 예정이다.
📖 IEEE Transactions on Evolutionary Computation - 1건
Difficulties of the NSGA-II With the Many-Objective LeadingOnes Problem
본 연구는 다중 목적 최적화 알고리즘 NSGA-II가 이전에 다뤄진 OMM 벤치마크를 넘어, 해가 파레토 전선상에 고르게 분포하지 않는 더 현실적인 LOTZ 벤치마크에서도 다수 목적(m>2) 문제에 대한 성능 저하를 보이는지 탐구하는 것을 목표로 하였다. 연구팀은 NSGA-II의 개체군 역학을 수학적으로 분석하여 혼잡 거리(crowding distance)의 역할을 집중적으로 살펴보았으며, 무작위 및 이진 토너먼트 선택 등 다양한 부모 선택 메커니즘으로 분석을 확장했다. 또한, 문제 크기 n=40인 4-LOTZ 벤치마크에 대해 표준 비트 돌연변이, 다양한 부모 선택 및 교차 방법, 개선된 균형 NSGA-II, 1비트 돌연변이를 적용하여 경험적 성능을 비교했다. 이론적 분석 결과, NSGA-II는 목적 함수가 4개 이상일 때 개체군 크기가 파레토 전선 크기에 비례하더라도 LOTZ 벤치마크의 파레토 전선을 지수 시간 내에 도출할 수 없음을 밝혔다. 이는 혼잡 거리가 중요한 선택 기준이 될 때 발생하는 단점 때문임을 재확인했다. 경험적 분석에서는 고전 NSGA-II가 파레토 전선의 상수 비율을 지속적으로 놓쳤으며, 다른 부모 선택 및 교차 방법도 유사한 성능을 보였다. 그러나 혼잡 거리 처리 방식을 개선한 균형 NSGA-II는 전체 파레토 전선을 신속하게 커버하여, 혼잡 거리 자체의 약점이 문제의 근본 원인임을 시사하였다. 1비트 돌연변이는 표준 비트 돌연변이보다 더 나은 커버리지를 보였다. 이 연구는 NSGA-II의 다목적 최적화 한계가 현실적인 LOTZ 벤치마크에서도 나타남을 엄밀히 증명하며, NSGA-II의 2차 선택 기준인 혼잡 거리가 다른 MOEA들의 대안적 기준에 비해 불리함을 명확히 보여준다. 이 결과는 향후 다목적 최적화 알고리즘 설계 및 혼잡 거리 메커니즘 개선의 중요성을 강조한다.
📖 Swarm and Evolutionary Computation - 3건
A knee-guided prediction model oriented to population composition structures for dynamic multi-objective evolutionary optimization
동적 다목적 최적화 문제(DMOPs)는 시간에 따라 변화하는 목적 함수와 상충하는 목표로 인해 파레토 전선이 지속적으로 변동하는 특징을 가진다. 기존 방법론들은 심각한 다양성 손실과 느린 수렴 속도로 인해 동적 파레토 전선을 정확하고 효율적으로 추적하는 데 어려움을 겪고 있다. 본 연구는 이러한 문제들을 해결하기 위해 개체군 구성 구조에 기반한 무릎점(knee-point) 유도 예측 모델을 제안하였다. 제안된 모델은 세 가지 독창적인 구성 요소를 포함한다. 첫째, 환경 변화에 대응하여 이전 무릎점의 이동 경향을 바탕으로 이웃 탐색과 스텝 크기 탐색을 결합하여 무릎점을 생성하는 전략을 사용하였다. 둘째, 무릎점 분류에 따라 과거 비지배 해법을 재활용하여 새로운 환경에서 고품질 개체를 육성함으로써 개체군 수렴을 가속화하였다. 셋째, 예측된 무릎점들 간의 균일한 보간법을 통해 다양성을 지닌 개체들을 생성하여 개체군의 분포를 향상시켰다. 이 세 가지 전략은 변화하는 환경에서 초기 개체군 생성을 지시하는 포괄적인 예측 모델을 구축하여 개체군의 다양성과 수렴을 동시에 향상시키는 데 기여하였다. 최신 알고리즘들과의 성능 비교 및 효과 분석 결과, 제안된 알고리즘은 솔루션 품질을 향상시키는 데 있어 상당한 이점을 보였다. 또한, 실제 응용 사례에 기반한 실험 결과들은 본 연구의 실질적인 중요성을 검증하였다.
Multi-objective evolutionary algorithms for solving a green multi-item fixed-charge 5D transportation problem under intuitionistic fuzzy uncertainty
본 연구는 불확실성 하의 지속 가능한 다단계 운송 시스템을 위한 포괄적인 의사결정 지원 모델을 개발하는 것을 목표로 하였다. 이를 위해 지속가능성을 운송 결정에 직접 통합하는 3단계 녹색 다목적 다품목 고정비용 5차원 운송 문제를 제안하였다. 주요 방법론으로는 탄소 배출량 계산에 운전자 행동을 최초로 통합하였으며, 운송 매개변수의 불확실성을 표현하기 위해 사다리꼴 직관적 퍼지수를 사용하였다. 높은 차원과 상충하는 목표로 인해 기존 기술로는 해결하기 어려웠으므로, NSGA-II 및 NSGA-III와 같은 진화 알고리즘을 활용하여 해 공간을 탐색하고 다양한 파레토 최적해를 생성하였다. 이러한 알고리즘의 구현을 지원하기 위해 실현 가능한 초기 모집단 생성 기술과 실현 가능성 보존 변이 연산자를 개발하여 알고리즘적 기여를 제공하였다. 인도 농업 운송 사례 연구를 통해 프레임워크를 검증하였고, Mappls Map 및 인도 철도 웹사이트 데이터를 활용하였다. 핵심 발견으로는 운전자별 요인이 탄소 배출량에 크게 영향을 미친다는 것을 보여주었다. 또한, NSGA-III가 NSGA-II보다 일관되게 우수한 성능을 보였으며, NSGA-II의 2개 솔루션에 비해 98개의 솔루션을 제공하여 훨씬 우월한 파레토 프론트와 목적 함수 간의 상충 관계를 도출하였다. 차량, 경로 및 운전자가 탄소 배출량을 형성하는 데 중요한 역할을 한다는 점도 밝혀냈다. 민감도 분석은 모델의 견고성을 확인하였고, 성능 지표는 모든 평가 기준에서 NSGA-III의 우수성을 입증하였다. 본 연구는 지속 가능한 운송 설계를 위한 실행 가능한 통찰력을 제공하며, 친환경적이고 책임감 있는 물류 계획에 대한 증가하는 수요를 충족하는 데 기여하였다.
An effective auxiliary task for volumetric modulated arc therapy planning
이 연구는 진화적 다중 작업 최적화 기법이 부피 조절 회전형 방사선 치료(VMAT) 계획에서 직면하는 지식 전달의 어려움을 해결하는 데 중점을 두었다. 기존 알고리즘의 보조 작업은 VMAT 계획의 방대한 의사결정 변수와 제약 조건으로 인해 유용한 지식을 효율적으로 전달하지 못하였다. 이에 연구팀은 VMAT 계획에 특화된 효과적인 보조 작업을 제안하였다. 이 보조 작업은 원본 문제를 복제하여 유도되었으며, 적은 수의 의사결정 변수와 완화된 제약 조건을 특징으로 한다. 특히, 원본 문제의 제약 조건 정보를 활용하여 의사결정 변수를 줄였으며, 이에 따라 제약 조건도 완화하였다. 이러한 제안된 보조 작업을 바탕으로, 연구팀은 VMAT 계획을 위한 다중 작업 기반 제약 진화 알고리즘(MTCEA/VMAT)을 개발하였다. 여섯 가지 임상 사례를 대상으로 수행된 실험 결과는 제안된 MTCEA/VMAT 알고리즘이 기존의 대표적인 알고리즘들에 비해 우수한 성능을 보임을 입증하였다. 이는 VMAT 계획 최적화 분야에서 진화적 다중 작업 최적화의 실용적인 적용 가능성을 크게 향상시켰으며, 임상 치료 계획의 효율성과 정확도를 높이는 데 중요한 학술적 의의를 가진다.
📖 Information Fusion - 3건
Multi-level semantics-aware and multi-granularity knowledge-infused model for emotional support conversation
자연어 처리(NLP) 기술의 발전과 함께 정서 지원 대화(ESC)가 중요한 연구 방향이 되었으나, 기존 ESC 방법론은 미세한 감성 의미 특성 포착과 외부 지식 활용을 통한 공감적 상호작용 강화에 한계가 있었다. 이러한 문제점을 해결하고자 본 연구는 다단계 의미 인식 및 다중 세분화 지식 주입(MSMK) 모델을 제안하였다. 제안된 모델은 세 가지 주요 독창성을 갖는다. 첫째, 단어 수준 GRU와 적응형 어텐션을 활용하여 핵심 의미를 필터링하고 문장 수준 GRU와 문장 간 어텐션으로 다중 대화 의존성을 통합하며 교차 계층 피처를 계층별로 축적하는 다중 세분화 계층형 인코더를 설계하여 미세한 의미 포착 문제를 해결하였다. 둘째, 사전 훈련된 모델로 외부 지식을 생성하고 발화 수준 지식과 문맥 특성을 게이티드 메커니즘을 갖는 지역 및 전역 교차 어텐션을 통해 융합하며 적응형 가중치를 통해 향상된 문맥 표현을 얻는 동적 게이티드 지식 추출기를 구축하여 지식 활용도를 높였다. 셋째, 다중 세분화 특성을 활용하여 계층적 상호작용을 달성하고 계층적 학습 가능한 가중치 행렬을 사용하여 각 디코더 하위 계층의 의미 정보를 동적으로 융합하는 정보 통합 디코더를 도입하였다. ESConv 벤치마크 데이터셋을 이용한 실험 결과, 본 모델은 기존 최강의 기준 모델보다 PPL은 30% 낮고 Rouge-L은 15% 높은 성능을 보여 그 효과를 입증하였다. 이는 정서 지원 대화 시스템의 공감적이고 자연스러운 대화 생성 능력을 크게 향상시키는 학술적 의의가 있다.
Hypergraph facilitated feature fusion of multi-prototype for BRAF mutation prediction of thyroid cancer using cytology slides
갑상선암의 개인 맞춤 치료에 필수적이나 배경 잡음, 세포 희소성 및 주석 부족으로 인해 어려움을 겪는 미세침 흡인 세포 검사(FNAC) 슬라이드에서 BRAF 돌연변이 상태를 예측하는 연구가 진행되었다. 본 연구에서는 이러한 난제를 해결하기 위해 반복적 대비 전략을 포함한 표현형 하이퍼그래프 프레임워크인 PHICS를 제안하였다. PHICS의 주요 혁신은 단일 세포 형태학적 정량화와 동적 하이퍼그래프 특징 융합을 통합하여 세포 원형들 간의 고차 상호작용 패턴을 밝혀 견고한 슬라이드 표현을 가능하게 하는 것이었다. 또한, 반복적 대비 전략은 강화 학습 기반 세포 샘플러를 활용하여 하이퍼그래프를 대비 학습 기반 사전 훈련을 위한 증강된 뷰로 동적으로 구성하였으며, 이는 하이퍼그래프의 표현 능력을 더욱 향상시켰다. 여러 센터 코호트에서 PHICS를 평가한 결과, 최첨단 성능을 달성하였다. PHICS는 FNAC 데이터에 대한 최초의 하이퍼그래프 기반 응용으로서, 유전자형-표현형 상관관계 분석을 위한 추적 가능한 패러다임을 확립하였고, 수술 전 분자 프로파일링을 위한 임상적으로 유망한 도구를 제공하였다.
Towards Reliable Medical Unsupervised Anomaly Detection: A Benchmark and Dataset for PET/CT with Cross-Modality Knowledge Distillation Network
의료 영상의 병리학적 편차 식별을 위한 비지도 이상 탐지(UAD)는 단일 모달리티에 집중되어, 임상 진단에 필수적인 PET/CT 다중 모달리티 영상 쌍에 대한 벤치마크 및 전용 방법론이 부재하였다. 본 연구는 이 격차를 해소하고자 PET와 CT의 강점을 결합한 흉부 비지도 이상 탐지용 PET/CT 데이터셋을 최초로 구축하였다. 더불어 증류 기반 UAD를 PET/CT 영상에 적용하는 교차 모달리티 이상 탐지 네트워크를 제안하였다. 이 프레임워크는 역지식 증류 패러다임을 통해 정상 데이터에서 모달리티 인식 표현을 학습하고, 모달리티 간 재구성을 통해 비정상 편차를 감지한다. 모델은 토큰 기반 다중 모달 상호작용 메커니즘으로 전역적 교차 모달리티 일관성을 촉진하며, 디코딩 시 전역 정제 전략으로 문맥적 특징 집계와 복잡한 이상 패턴에 대한 견고성을 강화하였다. 제안된 데이터셋과 공개 벤치마크에서 수행된 광범위한 실험 결과, 강력한 단일 모달리티 기준선 대비 일관된 성능 향상을 보이며 다중 모달 의료 이상 탐지에서 정상성 기반 교차 모달리티 일관성 모델링의 효과를 입증하였다. 이는 다중 모달 의료 영상 UAD 분야에 중요한 학술적 기여를 하였다.
📖 Knowledge and Information Systems - 2건
Permutation-based multi-objective evolutionary feature selection for high-dimensional data
이 연구는 고차원 데이터 분석에서 중요한 특징 선택(Feature Selection, FS) 문제를 다루며, 기존 방법들의 한계점을 극복하기 위한 새로운 순열 기반 다목적 진화 특징 선택 방법인 PSEFS-MOEA를 제안하였다. 이 방법은 개별 속성의 중요도를 평가하는 전통적인 순열 특징 중요도(Permutation Feature Importance, PFI)와 달리, 다목적 진화 알고리즘(Multi-objective Evolutionary Algorithm, MOEA)을 활용하여 속성들의 하위 집합을 평가함으로써 복잡한 특징 상호작용을 더 효과적으로 포착하는 것을 목표로 하였다. 방법론적으로는 오프라인에서 한 번만 학습된 예측 모델을 사용하여 특징 하위 집합을 평가함으로써 반복적인 재학습의 높은 계산 비용을 피하고 필터 방식보다 우수한 예측 능력을 유지하는 하이브리드 패러다임을 도입하였다. 제안된 방법은 모델을 학습하고 평가하는 데이터셋의 유형에 따라 PSEFS-MOEA-V1과 PSEFS-MOEA-V2 두 가지 버전으로 나뉘었다. 27개의 다양한 고차원 분류 및 회귀 데이터셋을 대상으로 13가지 기존 FS 방법들과 비교 실험을 수행하였다. 핵심 발견으로, PSEFS-MOEA는 분류 작업에서 PSEFS-MOEA-V2가, 회귀 작업에서 PSEFS-MOEA-V1이 가장 우수한 성능을 보였다. 특히 이 방법은 전체 특징을 사용한 모델 대비 평균 66.17%의 특징을 줄이면서도 분류 정확도를 2.64%에서 3.41% 향상시켰고, 정규화된 RMSE를 2.08%에서 3.90% 감소시키는 등 예측 성능을 크게 개선하였다. 통계적 검증 결과, PSEFS-MOEA는 대부분의 지표에서 기존 PFI 및 기타 최신 FS 방법들보다 통계적으로 유의미하게 우수한 성능을 나타냈다. 또한 낮은 과적합 수준을 보여 강력한 일반화 능력을 입증하였다. 비록 MOEA의 특성상 다른 방법들보다 실행 시간이 길다는 단점이 있었으나, 높은 예측 정확도와 견고성을 고려할 때 이는 정당한 상충점으로 간주되었다. 이 연구는 PSEFS-MOEA가 다양한 데이터 분포와 복잡도를 가진 실제 문제에 적용 가능하며, 고차원 FS 분야의 발전에 기여할 수 있는 잠재력을 확인하였다.
A semantic-based deep learning framework for mathematical expression retrieval
이 학술 논문은 수학적 표현(MEs)의 복잡한 2차원 구조로 인해 발생하는 검색 문제에 초점을 맞추었다. 기존의 문자열 일치나 벡터 공간 모델 기반의 텍스트 검색 방법들이 구문적 유사성에 기반하여 ME 검색에 한계가 있었으므로, 저자들은 의미론적 유사성을 위한 딥러닝 기반 접근 방식의 필요성을 강조하였다. 본 연구는 딥러닝 프레임워크를 활용하여 수학적 표현 검색을 수행하였다. 방법론적으로, 딥 순환 신경망(DRNN)을 사용하여 수학적 표현에서 의미론적 특징을 추출하였다. 이 신경망은 ME의 중첩 깊이에 따른 복잡도(단순, 중간, 복잡)를 분류하는 보조 작업을 통해 훈련되었다. 훈련 완료 후, 최종 완전 연결 분류 계층 직전의 출력값들을 추출하여 ME의 의미론적 특징으로 사용하고 데이터베이스에 저장하였다. 질의 수학적 표현이 주어지면, 훈련된 DRNN을 통해 해당 표현의 의미론적 특징을 계산한 다음, 표준 유클리드 거리를 기반으로 데이터베이스 내의 특징들과 일치시켜 가장 유사한 상위 k개의 결과를 검색하였다. 이러한 프레임워크는 829개의 수학적 표현 데이터베이스를 대상으로 성공적으로 시연되었다. 이 연구는 구문적 유사성의 한계를 넘어 의미론적 유사성에 기반한 ME 검색의 가능성을 보여주며, 중첩 깊이를 활용한 ME 복잡도 정량화와 DRNN을 통한 견고한 특징 추출 방식을 제시함으로써 학술적으로 중요한 의의를 갖는다. 이는 향후 수학 정보 검색 분야에서 보다 정확하고 효율적인 검색 시스템 개발에 기여할 것으로 기대된다.
📖 Advanced Engineering Informatics - 3건
Multivariate forecasting of energy demand using recurrent neural networks
전력 수요 예측은 기상 요인과의 복잡한 관계, 다양한 시간 규모에서의 지연 효과, 그리고 최대 수요 기간 동안의 불확실성 증대로 인해 단기 예측에 어려움이 많았다. 이 연구는 에너지 효율성 증대 및 환경 영향 감소의 시급한 필요성에 부응하여, 다변량 입력 변수를 활용한 전력 수요 예측을 위한 순환 신경망 설계에 초점을 맞추었다. 연구팀은 아르헨티나 엔트레리오스 주의 일별 전력 수요 데이터와 21가지 기상, 시간, 에너지 관련 변수를 분석하였고, 이 데이터를 기반으로 복잡한 비선형 시간 의존성을 학습할 수 있는 다변량 LSTM 기반 예측 모델을 제안하였다. 이 LSTM 모델은 수동적인 특성 공학 없이도 단기 및 장기 동역학을 공동으로 모델링할 수 있으며, 다중 수평 예측에 적합한 합리적인 아키텍처를 유지하였다. 핵심 발견으로는 극한 기온 현상, 주중, 그리고 장기적인 성장 추세 동안 전력 수요가 현저히 높게 나타났다는 점이다. 제안된 LSTM 모델은 기준 통계적 접근 방식과 게이트 순환 신경망 기반의 최신 모델을 명확하게 능가하였으며, 최대 수요 기간을 포함한 다양한 예측 범위에서 더 정확하고 안정적인 예측을 제공하였다. 이러한 결과는 운영 전력 수요 예측을 위한 간결한 딥러닝 아키텍처의 효과를 강조하며, 실제 전력 시스템 계획 및 의사결정에서의 채택을 지지한다.
Computer vision-based prediction of quality and mechanical properties of wooden lamellae
본 연구는 소규모 및 중규모 제재소의 목재 등급 분류 한계를 극복하기 위해, 생산 환경과 유사한 조건에서 원목 라멜라의 전체 보드 등급 분류 및 기계적 특성을 예측하는 경량의 컬러 이미지 기반 접근 방식을 제안하였다. 이를 위해 산업적으로 관련 있는 환경에서 제재된 미건조 스프루스 보드의 컬러 이미지 데이터셋을 구축하고, DIN 4074-1에 따라 시각적 품질 등급을 예측하였다. 또한, 밀도 정보를 결합한 컬러 이미지를 사용하여 기계적 특성을 예측하며, 경목 보드에 대한 접근 방식의 유효성을 평가하였다. 방법론으로는 인스턴스 분할을 통해 목재 결함을 감지하고 이 결과를 품질 및 기계적 특성 예측에 활용하는 Seg2Prop 모델과, 이미지에서 직접 학습하는 ResNet50 기반 CNN 및 ViT 기반 엔드투엔드 모델 두 가지를 사용하였다. Seg2Prop 모델은 YOLOv8x-seg를 사용하여 결함을 감지하고, 추출된 15가지 결함 특징 및 GLCM 텍스처 특징을 기반으로 ML 분류기(예: Gradient Boosting)와 회귀 분석기(예: Gradient Boosting)를 적용하여 품질 분류 및 MOE/MOR을 예측하였다. 엔드투엔드 모델은 원본 이미지와 오토인코더 안내(AEG) 이미지를 입력으로 사용하여 학습하였다. 연구 결과, Seg2Prop 모델은 품질 분류에서 F1-점수 0.81을 달성하며 엔드투엔드 모델(F1-점수 0.74)보다 우수한 성능을 보였다. 특히 Seg2Prop의 회귀 모델은 모든 특징(GLCM + SEG + 밀도)을 사용했을 때 MOE 예측에서 r^2 0.58, MOR 예측에서 r^2 0.61을 기록하며 가장 좋은 결과를 나타냈다. 밀도가 기계적 특성 예측에 가장 중요한 특징으로 나타났다. 엔드투엔드 모델 중 ViT는 AEG 입력 이미지를 사용했을 때 최고의 성능을 보였고, 스프루스 사전 학습은 너도밤나무 분류에는 적합하지 않았다. 본 연구는 Seg2Prop의 높은 해석력과 엔드투엔드 모델의 간편한 배포 가능성을 모두 보여주었으며, 이 두 접근 방식은 소규모 및 중규모 제재소에 실용적인 대안을 제공한다. 이는 기존의 산업 솔루션보다 경량화되고 비용 효율적이며 생산 라인에 쉽게 통합될 수 있다는 학술적 의의를 지닌다. 또한, 본 모델은 전체 등급 분류 작업을 다루고 너도밤나무에 대한 적용 가능성을 입증하여 다른 수종으로 일반화될 수 있음을 시사한다. 향후 연구에서는 데이터셋 확장 및 다른 수종에 대한 적용 가능성을 모색할 예정이다.
An improved penalty kriging method for mixed qualitative and quantitative factors
본 연구는 무기 시스템 대리 모델 구축 시 발생하는 제한된 샘플, 질적 및 양적 요인의 혼합, 고차원 분석이라는 세 가지 도전 과제를 해결하고자 했다. 기존 모델들이 가진 정확성과 타당성 문제를 개선하기 위해 질적 및 양적 요인을 결합한 개선된 페널티 크리깅(Kriging) 방법을 제안하였다. 이 방법론은 회귀 계수(경향 함수) 및 관련 매개변수(상관 함수)에 페널티 항을 도입하여 질적 및 양적 요인의 변수를 동시에 선별하는 방식을 사용하였다. 페널티 함수를 포함한 최대우도 추정 문제를 해결하기 위해 두 페널티 함수의 정규화 매개변수는 교차 검증을 통한 그리드 탐색으로 결정되었으며, 크리깅 모델의 매개변수는 중첩 최적화 알고리즘을 통해 확정되었다. 제안된 모델은 9개의 수치 함수와 미사일 시스템 명중률 모델링 사례를 통해 검증되었고, 기존 방법들과 성능을 비교하였다. 그 결과, 질적 및 양적 혼합 요인을 고려한 제안된 페널티 블라인드 우도 크리깅(QQPBLK) 방법으로 구축된 미사일 명중 확률 대리 모델의 상대 제곱근 평균 제곱 오차(RRMSE)는 0.2587을 기록하였다. 이는 기존 모델 대비 RRMSE에서 약 30.88% 향상된 수치이며, 계산 시간은 약 70.01% 감소하였다. 또한, 제한된 계산 자원 하에서도 비제한 공분산, 곱셈 공분산, 잠재 변수 가우시안 프로세스 방법과 같은 대안적 접근 방식보다 더 정확한 예측 결과를 달성하였다. 이 연구는 무기 시스템 대리 모델의 정확성과 계산 효율성을 크게 개선하여 해당 분야의 모델링 능력 발전에 중요한 기여를 하였다.
📖 Chemometrics and Intelligent Laboratory Systems - 3건
A graph-based soft sensor using feature expansion and multi-hop attention for melt index prediction
폴리프로필렌 중합 공정에서 품질 관리에 필수적인 용융 지수(MI)를 정확하게 예측하는 것은 시간이 많이 걸리고 비용이 많이 드는 기존 오프라인 분석의 한계를 극복하기 위한 중요한 연구 주제가 되었다. 기존 그래프 컨볼루션 네트워크가 변수 간 공간적 의존성을 포착하는 데 효과적이지만, 고정된 구조와 불충분한 전파 깊이라는 단점이 있었다. 이에 본 연구는 폴리프로필렌 용융 지수 예측을 위한 소프트 센서 개발을 목표로, 수용장 증대와 다단계 특징 포착을 고려한 특징 확장 다중 홉 그래프 어텐션 네트워크(FMGAT) 프레임워크를 제안하였다. FMGAT는 어텐션 확산을 통해 연결되지 않은 노드를 연결하여 각 계층의 수용장을 증가시키고, 다중 부분 공간 병렬 계산을 사용하여 특징 동질화를 효과적으로 감소시키는 독창적인 설계가 특징이다. 또한, 데이터 처리 단계에서는 Marginal Regression Conditional Tabular Generative Adversarial Network (MRCTGAN)을 도입하여 샘플을 생성하였다. 산업 데이터셋에 대한 통계 및 회귀 평가 지표를 통해 MRCTGAN이 샘플 생성 방법 중 최적의 히스토그램 교차 비유사성을 보였다. MRCTGAN으로 증강된 데이터로 훈련된 모델은 원본 데이터 대비 평균 8.2% 낮은 제곱근 평균 제곱 오차(RMSE)를 달성하였다. 특히 FMGAT는 기준 모델보다 훨씬 우수한 성능을 보여 RMSE를 0.4643g/10min으로 크게 감소시켰다. FMGAT는 복잡한 산업 공정 모델링을 위한 해석 가능하고 견고한 패러다임을 확립하였다는 학술적 및 산업적 의의를 가진다.
Prediction of consolidation behavior of modified clayey soil reinforced with artificial geo-fibers using explainable artificial intelligence
본 연구는 폴리프로필렌 지오섬유(PPGF)로 보강된 점토질 흙의 팽윤압 및 압밀 특성 예측을 위해 실험, 기계 학습(ML) 및 설명 가능한 인공지능(XAI) 통합 프레임워크를 제시하였다. 연구팀은 PPGF 함량, 압밀 계수(Cv), 압축 계수(av), 압축 지수(Cc), 체적 변화 계수(mv), 침하(S) 및 팽윤압(ps) 값을 포함하는 실험실 압밀 시험 데이터를 수집하였다. 최적 PPGF 함량 0.3%에서 Cc, mv, S는 각각 평균 약 39.5%, 45.31%, 90% 감소하는 실험적 관찰을 통해 섬유 보강이 시간 의존적 변형을 억제하는 데 효과적임을 확인하였다. KNN, SVM, ANN, DT, RF, XGB를 포함한 여섯 가지 기계 학습 모델을 5겹 교차 검증을 사용하여 개발하였으며, 이 중 XGB 회귀 모델이 훈련 데이터에서 R2 0.994, 테스트 데이터에서 R2 0.913으로 가장 우수한 예측 성능을 보였다. ANN 및 DT 모델은 과적합을, KNN 및 SVM 모델은 비선형 팽윤 반응을 적절히 포착하지 못하여 비교적 약한 성능을 나타냈다. SHAP를 이용한 XAI 분석 결과, 폴리프로필렌 지오섬유 함량이 팽윤압을 결정하는 가장 영향력 있는 요인이며, 이어서 mv와 흙의 압축성이 중요하게 작용하였다. 최적화된 XGB 모델을 기반으로 사용자 입력으로부터 팽윤압을 실시간으로 예측하고 시각화하는 대화형 그래픽 사용자 인터페이스(GUI)를 구축하였다. 이 제안된 모델은 실험적 검증과 강력한 예측 및 해석 능력을 통합하였으며, 사용자 친화적인 인터페이스와 신뢰할 수 있는 의사결정 지원 시스템을 통해 지반 공학 설계 및 토질 개선에 기여한다.
Optimizing Instrumental Odour Monitoring Systems in Drones by Feature Selection for Odour Detection and Odour Concentration Estimation
이 연구는 폐수 처리 시설에서 발생하는 비산 악취 배출을 모니터링하는 드론 장착형 기기 기반 악취 모니터링 시스템(IOMS)의 복잡한 센서 어레이가 유발하는 높은 비용과 복잡성을 해결하고자 하였다. 연구진은 악취 탐지 및 농도 추정의 효율성을 유지하거나 개선하면서 센서 하드웨어를 단순화하는 방법을 탐구하였으며, 이를 기계 학습 기반의 특징 선택 문제로 정의하였다. 제안된 방법론은 순차 전진 선택(Sequential Forward Selection, SFS)과 구간 부분 최소 제곱(Interval Partial Least Squares, iPLS) 회귀를 결합한 2단계 전략으로, 이를 통해 정보량이 풍부한 최소한의 센서 조합과 최적의 시간 측정 구간을 식별하였다. 연구는 21개 센서가 장착된 헥사콥터 기반 IOMS를 사용하여 실제 폐수 처리 시설에서 얻은 데이터로 평가되었으며, 센서는 악취 농도 예측 오차 감소에 기여하는 정도에 따라 순위가 매겨졌다. 핵심 발견으로는, 독립적인 비행 데이터 검증을 통해 최적화된 시간 창을 가진 단 3개의 센서로 구성된 시스템이 전체 센서 어레이와 비교하여 예측 성능을 유지하거나 오히려 향상시켰다는 점이다. 구체적으로 악취 농도 정량화에서 Bland-Altman 일치 한계가 ±7 dBod에서 ±5.3 dBod로 개선되었고, Pearson 상관계수는 0.80에서 0.89로 증가하였다. 악취 탐지 작업에서는 단일 센서가 0.95의 AUC를 달성하여 전체 센서 세트(AUC=0.93)보다 약간 더 나은 성능을 보였다. 부트스트랩 분석 결과, 암모니아 센서는 정량적 모델에, 저온 MOX 센서는 탐지 작업에 일관되게 선호되는 경향이 나타났다. 이 연구는 특징 선택 전략이 IOMS 하드웨어를 단순화하면서도 화학 측정 성능을 성공적으로 보존할 수 있음을 입증하며, 이는 더 경제적이고 효율적인 악취 모니터링 시스템 개발에 중요한 학술적 및 실용적 의의를 제공한다.
📖 European Journal of Marketing - 1건
Virtual stars with real hearts! Understanding consumer engagement towards metaverse influencers: a multi-country perspective
본 연구는 메타버스 인플루언서에 대한 소비자의 참여를 유도하는 사회적 힘과 소비 가치가 어떻게 작용하는지 조사하였다. 특히, 이러한 관계에서 준사회적 상호작용의 매개 역할을 탐구하는 것을 주된 목적으로 하였다. 연구는 인도 메타버스 사용자 237명과 미국 메타버스 사용자 225명을 대상으로 정량적인 온라인 횡단면 조사를 수행하였으며, 공분산 기반 구조 방정식 모델링을 사용하여 데이터를 분석하였다. 연구 결과, 인도 맥락에서는 사회적 현존감, 물리적 이동성, 정서적 가치가 메타버스 인플루언서에 대한 참여에 유의미한 영향을 미쳤다. 반면, 미국 맥락에서는 정보력, 준거력, 물리적 이동성 가치가 참여에 중요한 영향을 미친다는 것을 발견하였다. 또한, 준사회적 상호작용이 두 국가 모두에서 유의미한 매개 역할을 수행하였음을 확인하였다. 이 연구는 횡단면 데이터의 특성상 인과적 증거가 부족하고, 두 국가에 한정되어 일반화에 제약이 있다는 한계를 가졌다. 그러나 메타버스 인플루언서 마케팅 문헌에 준사회적 상호작용의 매개 역할을 강조하며 기여하였고, 사회적 힘 이론과 소비 가치 이론에 대한 이해를 풍부하게 하였다. 실질적으로는 브랜드 및 마케터들에게 고객 참여를 높이는 중요한 힘과 가치에 대한 정보를 제공하였다.
📖 Journal of Business & Industrial Marketing - 1건
Key account management in fragmented business market value chains: conceptual insights and exploratory findings from an electronics component supplier
주요 고객 관계 관리(KAM)는 기업의 가장 중요한 고객들과 성공적이고 상호 유익한 비즈니스 관계를 발전시키는 것을 목표로 삼고 있다. 본 연구는 비즈니스 시장 가치 사슬의 파편화 심화와 가치 및 가치 창출에 대한 새로운 학술적 통찰이 KAM에 미치는 영향, 특히 '가장 중요한 고객'이 누구인지에 대한 정의를 탐구하는 것을 목적으로 하였다. 개념적 논문으로, 전자 산업 공급업체에 대한 사례 연구를 통해 얻은 탐색적 통찰을 주로 활용하여 다단계 비즈니스 시장이 KAM에 미치는 영향을 설명하였다. 연구 결과, 전자 부품 공급업체 사례 연구와 다단계 마케팅(MSM) 및 고객 인지 가치 관점 적용을 통해 KAM 관점을 비즈니스 시장 가치 사슬을 따라 확장하여 주요 고객을 적절하게 선정하고 관리해야 함을 개념적 및 경험적으로 입증하였다. 또한, 기업 및 조직 단위 수준에서 외부 및 내부 KAM 프로세스 전반에 걸쳐 목표 구조를 정렬하는 것의 중요성을 강조하였다. 본 논문은 MSM을 적용하여 비즈니스 시장 가치 사슬을 따라 KAM의 접근 방식을 확장하고, 고객 가치 및 가치 창출에 대한 최신 통찰을 통합하여 조직 내부 및 조직 간 정렬에 대한 가치 지향적 개념화를 제안함으로써 KAM 연구 분야에 기여하였다.
📖 Asia Pacific Journal of Marketing and Logistics - 1건
What if virtual influencer’s empathic anthropomorphism is creepy? The moderating role of positive Danmu
이 연구는 AI 기반 가상 인플루언서(VIs)의 공감적 의인화가 사용자 참여 의도에 미치는 영향을 탐구하였다. 동시에 소셜 미디어 사용자들의 긍정적인 단무(Danmu)가 가상 인플루언서의 공감적 의인화로 인해 발생하는 불쾌한 골짜기(uncanny valley) 효과를 완화할 수 있는지 검증하였다. 연구는 세 가지 실험을 통해 가설을 검증하였다. 핵심 결과로, 가상 인플루언서의 공감적 의인화는 사용자 참여 의도에 직접적인 긍정적 영향을 미치지만, 동시에 인지된 섬뜩함(perceived eeriness)을 유발하여 참여 의도에 부정적인 영향을 미치며 이러한 관계를 매개하는 것으로 나타났다. 높은 공감적 의인화로 인해 유발된 이 섬뜩함은 가상 인플루언서의 공감적 의인화가 사용자 행동 의도에 미치는 긍정적인 영향을 상쇄시키는 것을 확인하였다. 가장 주목할 만한 결과는 긍정적인 단무의 존재가 가상 인플루언서의 공감적 의인화가 사용자의 인지된 섬뜩함에 미치는 영향을 효과적으로 완화한다는 점이다. 본 연구는 가상 인플루언서의 감정에 대한 연구 격차를 해소하고, 인간-컴퓨터 상호작용에 대한 이론적 통찰력을 제공하였다. 또한 가상 인플루언서 마케팅 분야에서 불쾌한 골짜기 연구에 중요한 통찰력을 제공하며, 긍정적인 단무의 조절 역할을 조사함으로써 가상 인플루언서 마케팅 연구의 경계 조건에 중요한 기여를 하였다. 이러한 연구 결과는 가상 인플루언서 의인화 기술을 개발하는 과정에서 불쾌한 골짜기 효과를 극복하는 방법에 대한 이론적 및 실용적 가치를 지닌다.
📖 Journal of Product and Brand Management - 1건
Unpacking negative brand engagement: the role of brand and chatbot expectation violation
이 연구는 기대 불일치 이론과 동화-대비 이론을 기반으로, 동일한 상호작용 내에서 발생하는 브랜드 기대 위반과 챗봇 기대 위반이 감정적, 인지적, 행동적 차원의 부정적 브랜드 참여에 미치는 영향을 가설화하였다. 연구 방법론으로는 238명의 정량적 데이터와 36회 인터뷰에서 얻은 정성적 통찰력을 결합한 혼합 연구 접근 방식을 사용하였다. 정량적 분석 결과, 브랜드 기대 위반은 감정적 및 인지적 부정적 참여를 유발하는 반면, 챗봇 기대 위반은 건설적 및 파괴적 반응을 포함하는 행동적 부정적 참여와 유의미한 관련성을 보였다. 이와 더불어 정성적 연구는 기대 위반이 능동적 및 수동적 발현을 아우르는 여러 형태의 부정적 참여로 이어질 수 있음을 규명하였다. 본 연구는 동일한 상호작용 안에서 브랜드 및 챗봇 기대 위반이 각기 다른 부정적 브랜드 참여 양상을 초래한다는 점을 명확히 하였다. 이러한 발견은 기대 관리를 통해 부정적 브랜드 참여를 사전에 방지하고, 그 다양한 발현에 적절히 대응하고자 하는 실무자들에게 중요한 실용적 시사점을 제공하였다. 또한, 이 연구는 부정적 브랜드 참여의 개념을 확장하고 심화함으로써 기존 브랜드 참여 문헌에 학술적으로 기여하였다.
📖 Computers & Operations Research - 2건
Multi-commodity vehicle routing problem with pickup and delivery for electric micromobility devices rebalancing and battery swapping
본 연구는 전기 마이크로모빌리티 시스템에서 발생하는 다중 상품 차량 경로 문제의 한 변형인 전기 마이크로모빌리티 기기 재조정 및 배터리 교체 문제(EMDRBS)를 다루었다. 이 문제는 스테이션 수준의 수요를 충족시키면서 총 이동 비용을 최소화하는 것을 목표로 하며, 기존의 픽업 및 배송 차량 경로 모델에 다중 상품 흐름과 배터리 교체 제약 조건을 통합하여 확장한 것이다. 연구진은 EMDRBS를 해결하기 위해 네 가지 혼합 정수 선형 계획법(MIP) 공식화를 제안하였다. 또한, 가장 큰 규모의 사례에 대한 최적해 도출의 계산적 어려움을 해결하고자, 과거 성능을 기반으로 파괴 전략을 동적으로 조정하고 제한된 MIP 재최적화를 통해 부분 해를 복구하는 수정 및 최적화(FixOpt) 발견적 알고리즘을 개발하였다. 현실적인 벤치마크 인스턴스에 대한 계산 결과, 네 가지 MIP 공식화 중 F3과 F4가 강도와 확장성 측면에서 최상의 균형을 제공함을 밝혔다. 더불어, 제안된 FixOpt 발견적 알고리즘은 대규모 인스턴스에서 현저히 짧은 실행 시간으로 MIP와 필적하는 해의 품질을 제공하였다. 가장 중요한 발견은 재조정 및 배터리 교체의 통합 계획이 특히 높은 수요와 제한된 차량 용량 조건에서 총 이동 거리를 최대 50%까지 줄일 수 있다는 점이다. 이러한 감소는 차고지 자원 요구 사항을 증가시키지 않으면서 달성되어 통합 최적화의 실용적 가치를 입증하였다. 본 연구는 복잡한 차량 경로 문제에 대한 효과적인 해결책을 제시하며, 실제 전기 마이크로모빌리티 운영 효율성을 크게 향상시킬 수 있는 학술적, 실용적 의의를 지닌다.
A Q-learning-based variable greedy algorithm to minimize the sum of total earliness and tardiness in a no-wait flowshop scheduling problem
이 논문은 첫 번째 기계에서 공정을 시작한 후 유휴 시간 없이 작업을 처리해야 하는 노-웨이트 플로우샵 스케줄링 문제에 대한 연구를 진행하였다. 연구의 목적은 재고 및 백로그 비용을 최적화하기 위해 작업의 총 조기 완료 및 지연 완료 시간의 합을 최소화하는 것이었다. 이 결정 문제는 NP-난해함이 알려져 있어, 기존 연구들은 휴리스틱 절차 제안에 집중하였으나, 본 연구는 머신러닝 기술과 고급 지역 탐색 절차를 결합하여 더 효율적인 해법 개발의 가능성을 탐구하였다. 방법론으로, 먼저 소규모 문제 인스턴스에 대한 최적해를 찾고 근사해의 품질을 평가하기 위해 혼합-정수 선형 계획법과 제약 프로그래밍을 사용하여 문제를 모델링하였다. 다음으로, 중간 및 대규모 인스턴스에 대한 근사해를 제공하기 위해 혁신적인 Q-러닝 기반 가변 탐색(QLVG) 알고리즘을 제안하였다. QLVG는 Q-러닝을 활용하여 가변 탐색 알고리즘의 최적 매개변수 조합을 동적으로 찾아내는 인공지능 기술이었다. 핵심 발견으로, 제안된 QLVG 알고리즘은 800개의 인스턴스로 구성된 테스트베드에서 기존 문헌의 여섯 가지 최첨단 절차를 포함한 모든 구현된 알고리즘보다 우수한 성능을 보였다. 특히 해의 품질 면에서 탁월한 성과를 달성하였다. 학술적 의의는 NP-난해한 스케줄링 문제에 머신러닝과 고급 지역 탐색을 통합하여 기존의 한계를 뛰어넘는 효율적이고 고품질의 해법을 제시하였다는 점에 있다.
📖 Risk Management-An International Journal - 1건
Multidimensional digital transformation and bank performance in china
이 연구는 전략적, 운영적, 관리적 측면을 아우르는 다차원적 디지털 전환(DT) 프레임워크가 중국 상업은행의 수익성에 미치는 영향을 규명하는 것을 목적으로 하였다. 연구는 패널 데이터셋과 고정 효과 회귀 분석을 활용하였으며, DT와 은행 성과 간의 관계를 탐색하기 위해 채널 분석을 수행하였다. 분석 결과, 전략적 디지털화(SD)는 은행 성과와 양의 상관관계를 보였고, 이는 특히 대형 은행에서 더욱 현저하게 나타났다. 대조적으로, 운영적 디지털화(OD)는 은행 성과와 음의 상관관계를 나타냈으며, 소형 은행에서 그 영향이 더욱 두드러졌다. 관리적 디지털화(MD)는 은행 성과와 통계적으로 유의미한 연관성을 보이지 않았다. 또한, 연구는 위험 관리 역량 강화가 디지털 전환과 은행 수익성을 연결하는 주요 메커니즘 중 하나임을 밝혀냈다. 특히, 운영적 디지털화는 비선형적 효과를 나타내어 단기적으로는 위험 증가와 수익성 감소를 초래하지만, 특정 조정 기간을 거친 후에는 개선된 성과로 이어진다는 점을 발견하였다. 반면, 전략적 디지털화와 관리적 디지털화에서는 유의미한 비선형적 관계가 관찰되지 않았다. 본 연구는 은행의 디지털 전환에 대한 다차원적 접근 방식, 규모에 따른 이질성, 그리고 비선형적 동학 관계를 규명함으로써 위험 관리 채널의 중요성을 강조하는 학술적 의의를 가졌다. 이러한 발견은 장기적인 디지털 가치를 실현하고자 하는 경영진과 정책 입안자들에게 실용적인 지침을 제공하였다.
'논문(AI,DATA)' 카테고리의 다른 글
| [2026-04-06 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (0) | 2026.04.06 |
|---|---|
| [2026-04-03 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (1) | 2026.04.03 |
| [2026-04-01 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (0) | 2026.04.01 |
| [2026-03-31 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (0) | 2026.03.31 |
| [2026-03-30 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향 (1) | 2026.03.31 |