929 편의 논문
이 논문은 이더리움상의 암호화폐 러그풀을 식별하기 위해 악성코드 탐지에서 응용된 드리프트 인지형 점진적 클러스터링 접근 방식을 경험적으로 평가하며, 해당 방식이 일부 사례에서 더 낮은 오탐률을 제공함에도 불구하고 결과적으로 주기적으로 재학습되는 지도 학습 베이스라인이 궁극적으로 더 높고 안정적인 전반적 성능을 달성한다는 것을 밝히고 있다.
이 논문은 신경망과 기계론적 방정식을 연결하는 통일된 수학적 프레임워크를 구축함으로써 신흥 분야인 하이브리드 신경 모델링을 체계화하며, 추론과 예측에서의 역할을 명확히 하는 동시에 불확실성 정량화를 위한 다양체 학습 관점을 제공한다.
본 연구는 정적 모델의 한계를 극복하기 위해 적응형 게이팅 메커니즘을 통해 의사결정 나무(Decision Trees), 랜덤 포레스트(Random Forests), XGBoost 및 BiLSTM 네트워크를 동적으로 통합하여 오일 생산량 예측에 있어 우수한 정확도(R² = 0.97)와 신속한 추론을 달성하는 실시간 지능형 예측 시스템인 동적 적응형 융합 모델(Dynamic Adaptive Fusion Model, DAFM)을 제안한다.
이 논문은 ModernBERT 아키텍처와 커스텀 토크나이저를 사용하여 1444억 개의 토큰으로 처음부터 사전 학습된 1억 5천만 파라미터 규모의 터키어 인코더인 ModernBERT-TR을 소개하며, 이는 훨씬 적은 자원으로 학습되었음에도 불구하고 기존의 터키어 베이스라인 모델들을 크게 능가하고 더 큰 규모의 동시 모델들과 대등한 성능을 보여준다.
DriftSense++는 데이터 및 개념 드리프트를 탐지하고 적응적으로 관리하기 위해 폐쇄 루프형 지역 인식 접근 방식을 채택함으로써 공간 크라우드소싱 작업 할당을 강화하는 동적 프레임워크이며, 다양한 실제 데이터셋에 걸쳐 정확도, 오경보 감소 및 회복 속도 측면에서 기존 방식들을 유의미하게 능가합니다.
이 논문은 공격자가 데이터베이스 쿼리를 조작하고 서버 보안을 침해할 수 있게 하는 SQL 인젝션 공격을 효과적으로 탐지하고 예측하기 위해 다양한 머신러닝 기법을 평가하는 데 초점을 맞춥니다.
본 연구는 실제 데이터와 합성 데이터를 사용하여 에티오피아 병원의 중환자실 사망률 및 입원 기간을 예측하기 위한 머신러닝 모델을 평가하며, 높은 계산 비용에도 불구하고 CTGAN으로 생성된 데이터를 활용한 하이브리드 학습이 다른 방법들보다 유의미하게 뛰어난 성능을 보인다는 점과 산소 요구량 및 SpO2가 가장 강력한 사망 예측 인자라는 점을 밝혀냈다.
본 논문은 국부적 면 방향성을 인코딩하기 위해 새로운 부호 있는 반-이면체 스칼라(signed half-dihedral scalar)를 활용하는 방향 인식 메쉬 학습 방법을 제안하며, 이는 기존의 에지 중심 접근 방식과 비교하여 절단 및 개방된 경계와 같은 구조적 섭동이 있는 3D 형상에 대해 강건성과 분류 정확도를 크게 향상시킨다.
이 회고적 연구는 브루나이에서 개인 맞춤형 전립선암 치료 예측을 강화하기 위해 인구통계학적, 임상적, 유전체 및 영상 데이터를 통합한 다중 모달 AI 기반 임상 의사 결정 지원 시스템을 개발 및 평가하였으며, 소규모 표본 크기와 관련된 한계에도 불구하고 하이브리드 LSTM-Random Forest 아키텍처가 후기 단계 융합(late-stage fusion)을 통해 견고한 성능(AUC 0.964)을 달성했음을 입증하였다.
이 연구는 머신러닝 알고리즘, 특히 서포트 벡터 분류기가 원격 탐사 데이터를 활용하여 나이지리아 오모 산림 보호구역의 산림 퇴화를 탐지하는 데 있어 높은 정확도(최대 99%)를 달al성함을 입증하며, 이를 통해 지속 가능한 산림 관리를 위한 국가 보존 정책에 해당 기술을 통합할 것을 제안한다.