본 논문은 해상 운송 안전 및 환경 보호를 위해 필수적인 선박 검사(PSC)에서 선박 억류 예측의 정확성을 높이기 위한 새로운 방법론인 MSD-LLM을 제안합니다. 기존 머신러닝 기반 선박 억류 예측 모델의 낮은 정확성과 데이터 불균형 문제를 해결하기 위해, 이중 강건 부분 공간 복구(DSR) 기반 오토인코더와 진보적 학습 파이프라인을 통합하여 의미있는 PSC 표현을 추출하고 데이터 불균형 문제를 해결합니다. 추가적으로, 대규모 언어 모델(LLM)을 활용하여 특징을 그룹화하고 순위를 매겨 억류 가능성이 높은 사례를 식별하고, 유연한 억류 예측을 위한 동적 임계값 설정을 가능하게 합니다. 아시아 태평양 지역의 31,707건의 PSC 검사 기록에 대한 광범위한 평가 결과, MSD-LLM은 기존 최첨단 방법보다 싱가포르 항구의 AUC(곡선 아래 면적)에서 12% 이상 향상된 성능을 보였으며, 다양한 해상 위험 평가 시나리오에 적용 가능한 강건성을 보여줍니다.
