인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
Early detection of nuclear proliferation risk is inherently challenging due to the rarity and secrecy of the underlying escalation events. This study presents an investigation of a data-driven early-warning model based on historical data by transforming discrete proliferation stages into a continuous 0-to-1 risk score. The model uses political-economic and HS-code trade variables for 148 countries from 1939 to 2012. The model architecture (i) applies supervised learning regression (LightGBM regressors) in rolling windows to track annual stage scores based on Bleek and Narang taxonomies, (ii) detects residual anomalies using unsupervised learning via Isolation Forests, and (iii) fuses these signals in a meta-classifier to generate interpretable yearly alarm probabilities. The final model achieves an event-F1 score of 0.65 and ROC-AUC of 0.99, with a mean warning lead time of +1.14 years against the historical proliferation events. Quantifying the contributions of inputs to predictions using SHAP analysis reveals a post-1995 shift in proliferation drivers toward uranium centrifuge-related trade patterns.
This underscores the need to examine the growing role of global supply chains. The system model based on an explainable, tree-based ensemble machine learning technique provides a transparent, lead-time-positive alternative to “black-box” deep learning and presents the possibility of developing a methodology for integrating multi-modal AI and dynamic data streams into an early warning tool to support nonproliferation intelligence.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
