Minhae Kwon

The next-generation internet is being reshaped by the growing intelligence and connectivity of artificial intelligence of things (AIoT) devices. This evolution emphasizes the importance of AI-enabled network intrusion detection systems (NIDS) in intelligent network environments. Two major technical challenges in developing such systems are addressing class imbalance and adapting to label distribution shifts after deployment. Class imbalance, caused by the dominance of normal traffic and the scar

본 논문에서는 사막, 해양과 같은 개활지역에서 모바일 센서 네트워크에서 사용하는 전력량을 감소시킬 수 있는 시스템을 제안한다. 무선 센서 네트워크에서 데이터 전송 전력 소모는 거리의 제곱에 비례하다는 특징이 있다. 따라서 배터리로 동작하는 모바일 센서의 위치가 센서 데이터를 수집하는 싱크 노드와 멀리 떨어져 있을 경우, 데이터를 전송하는데 요구되는 전력 사용량이 높아지게 되어 센서의 동작 시간이 짧아지는 문제가 발생한다. 이에 따라 본 논문에서는 기존 모바일 센서의 전송 가능 거리보다 짧은 전송 거리를 설정하여 센서가 해당 거리 이내에 존재할 때만 데이터를 보내게 함으로써 필요한 전력량을 감소시키는 시스템에 대하여 제안하였다. 뿐만 아니라, 싱크노드에서는 압축 센싱을 이용하여 센서로부터 수집한 데이터를 더 적은 전송 횟수로 게이트웨이에 전송함으로써 전체 네트워크의 에너지 효율을 증가시켰다. 본 논문에서 제안한 시스템은 라즈베리 파이와 아두이노를 이용하여 실제로 구현하였으며, 싱크노드

최근 군사 의사결정 지원 분야에서는 복잡한 전장 의사결정을 자동화하기 위해 심층 강화학습 기반 접근이 활발히 연구되고 있다. 본 논문에서는 지휘결심 지원을 위한 보상 적응형 강화학습 기반 화력운용 시스템을 제안한다. 제안된 시스템은 전장의 상황을 인지하고, 인지된 정보를 바탕으로 지휘관의 요망효과를 달성하기 위한 최적의 의사결정을 수행하도록 설계하였다. 강화학습 기반의 지휘결심 의사결정 방법으로 사전 수집 데이터와 온라인 상호작용 데이터를 통합적으로 활용하며, 보상 정보를 기반으로 한 선택적 모방 학습을 통해 정책의 효율성과 안정성을 동시에 확보한다. 다양한 전장 시나리오를 모사한 시뮬레이션 환경에서 수행한 실험 결과, 제안된 정책은 기존 강화학습 및 휴리스틱 기반 방법 대비 평균 임무 달성률을 약 29% 향상시켰으며, 주어진 제약조건을 준수하면서도 높은 임무 수행 효율을 달성하는 것을 확인하였다.

Federated learning (FL) in post-deployment settings must adapt to non-stationary data streams across heterogeneous clients without access to ground-truth labels. A major challenge is learning rate selection under client-specific, time-varying distribution shifts, where fixed learning rates often lead to underfitting or divergence. We propose Fed-ADE (Federated Adaptation with Distribution Shift Estimation), an unsupervised federated adaptation framework that leverages lightweight estimators of d

Federated learning (FL) in post-deployment settings must adapt to non-stationary data streams across heterogeneous clients without access to ground-truth labels. A major challenge is learning rate selection under client-specific, time-varying distribution shifts, where fixed learning rates often lead to underfitting or divergence. We propose Fed-ADE (Federated Adaptation with Distribution Shift Estimation), an unsupervised federated adaptation framework that leverages lightweight estimators of d