Decoding the Past: An Uncertainty-Aware Deep Learning Framework for Sex Attribution in Prehistoric Hand Stencils

1. 서론

• 전통적인 형태계측 방법은 대체로 정확도가 60–65%에 머물며, 성별·연령 간 형태 중첩과 낮은 집단 간 일반화 성능이라는 한계가 있다 (Snow 2006; Snow 2013; Jowaheer and Agnihotri 2011; Galeta et al. 2014).같은 손으로 만든 스텐실도 측정값이 최대 5 mm까지 달라질 수 있다. 자동화된 접근법도 여전히 사람이 설계한 특징 선택에 의존하므로, 추상적인 형태 패턴은 탐색하지 못한다 (Wang et al. 2010; Fernández-Navarro, Fidalgo-Casares, et al. 2025).출처: §1 · p. 2
• 현대 자료에서 선사시대 자료로 딥러닝을 전이하는 접근은 성별 판별에 유용한 손 형태가 연령과 장기적인 진화적 변화에도 충분히 불변성을 유지한다고 가정한다.최근 접근법은 정답이 부여된 고대 자료가 없어 현대인의 실루엣으로 학습하며, 수작업 특징 설계 없이 계층적 영상 표현을 학습한다 (Mollineda et al. 2025; Fernández-Navarro, González-Marfil, et al. 2025).출처: §1 · pp. 2–3
• 훼손, 모호한 경계, 기하학적 왜곡, 실제 생물학적 성별 정보의 부재로 인해 기하학적 전처리에만 의존하기보다 불확실성을 고려한 추론이 필요하다.사진측량과 정사영상은 시점과 축척에 따른 왜곡을 줄이지만, 특히 불규칙한 표면에서는 재구성 및 투영 오차를 유발할 수 있다. 작은 기하학적 변화도 형태계측 기술자와 후속 분류에 영향을 줄 수 있다.출처: §1 · p. 3
• 제안하는 프레임워크는 영상 처리, 윤곽 추출, 실루엣 생성, 최종 분류 전반에서 불확실성을 모델링하고 전파·통합한다.(Mollineda et al. 2025)의 앙상블 프레임워크를 확장하여, 두 가지 영상 처리와 두 가지 윤곽 추출 방식에 형태적 섭동 및 다중 채널 실루엣 구성을 결합한다.출처: §1 · pp. 3–4
• 아홉 장의 손 스텐실 영상으로 예측이 일관된 경우와 모호한 경우에 프레임워크를 적용하되, 이 영상들이 후기 구석기시대 스텐실의 형태적 변이 전체를 대표하지는 않는다.각 사례는 성별 예측, 신뢰도 지표, 잠재 공간의 구조, 공간적 기여도 패턴을 종합하여 해석한다.출처: §1 · p. 3
• 삼각 검증은 앙상블 예측, UMAP + k-NN 잠재 공간 분석, 통합된 LayerCAM 지도를 결합하여 증거의 수렴성과 인식론적 안정성을 평가한다.이러한 상호보완적 분석은 예측, 공간적 기여도, 잠재 공간 구조, 불확실성 지표 간의 일치 여부를 통해 해석을 뒷받침한다.출처: §1 · pp. 3–4

2. 관련 연구

• 은 손 치수와 손가락 길이 비율의 순차 판별분석으로 성인 남성, 성인 여성, 미성년 남성을 구분했다.현대 유럽계 성인 111명의 자료로 학습한 함수를 구석기시대 스텐실 6점에 적용했다. 먼저 손 치수로 성인 남성과 그보다 작은 손을 구분한 뒤, D2:D4와 D2:D5 비율로 성인 여성과 미성년 남성 간 중첩을 구분하고자 했다.출처: §2 · p. 4
• 은 윤곽 추출과 수작업 설계 형태계측을 자동화하고, 현대인의 손으로 학습한 SVM을 프랑스의 선사시대 손자국에 적용했다.HSV 변환과 K-means 군집화로 윤곽을 분리하고, 손가락 끝과 손가락 사이 골을 기준으로 기하학적 치수를 측정했다. 33차원 특징 벡터는 치수를 중지 길이로 정규화했으며, 정규화 기준인 중지와 측정 신뢰도가 낮은 엄지는 제외했다.출처: §2 · pp. 4–5
• 은 미국 자료로 학습한 판별함수가 프랑스인의 손에 잘 일반화되지 않으며, 손 크기의 집단 간 차이가 심한 분류 편향을 일으킨다고 밝혔다.프랑스인의 오른손 자국 100점을 대상으로, 해당 집단 자료에 적합하고 한 표본씩 제외하는 교차검증으로 평가한 함수와 의 함수를 비교했다. 저자들은 현대 형태계측 참조 자료로 선사시대 제작자의 성별을 신뢰성 있게 추정하기 어렵다고 결론지었다.출처: §2 · p. 5
• (Nelson, Hall, et al. 2017)과 (Fernández-Navarro, Fidalgo-Casares, et al. 2025)은 기준점 기반 기하학적 형태계측에 형상 정렬, 차원 축소, 판별분류를 결합했다.전자는 현대 손 스텐실 132점에서 기준점 19개를 사용하고, 독립 시험 세트 없이 교차검증을 수행했다. 후자는 현대·실험·구석기시대 표본에 걸쳐 기준점 32개를 사용하고, Procrustes 형상 좌표와 도심 크기를 분리했다.출처: §2 · p. 6
• (Fernández-Navarro, González-Marfil, et al. 2025)은 가장 안정적인 실루엣 분류기로 EfficientNetV2-S를 선택했으나, 분할 변동성과 미성년 표본을 여성으로 분류하는 편향이 한계로 남았다.학습·검증·시험 데이터를 독립적으로 10회 분할해 평가한 뒤 고고학적 스텐실 45점의 성별을 예측했다. 스캔 자료와 실험 자료의 결합은 도메인 격차를 줄이는 데 도움이 되었다. 이 연구는 (Mollineda et al. 2025)과 함께 실루엣 특징의 자동 학습을 보여주며, 이러한 접근에는 견고한 교차 도메인 검증이 필요하다.출처: §2 · p. 6
• 선사시대 정답 데이터의 부재, 주관적인 윤곽 설정, 현대와 고대 간 도메인 차이는 신뢰성 있는 성별 추정을 제한하며, 예측 불확실성을 명시적으로 다룰 필요성을 제기한다.안료 확산, 암석 질감, 보존 상태, 관찰자 간 차이로 발생한 윤곽 오차는 분류 과정으로 전파될 수 있다. 신뢰성 있는 프레임워크는 정확도뿐 아니라 분할 변동성, 데이터셋 대표성, 도메인 적응을 다뤄야 한다.출처: §2 · pp. 6–7

3.1. 개요

• 선사시대 동굴 손 스텐실을 분석하는 파이프라인의 첫 번째 단계는 실루엣 추출과 증강이다.출처: §3.1 · p. 7
• 생물학적 성별을 추론하는 파이프라인의 두 번째 단계는 실루엣의 앙상블 기반 분류다.출처: §3.1 · p. 7
• 실루엣 기반 컴퓨터 비전 파이프라인의 세 번째이자 마지막 단계는 사후 분석이다.출처: §3.1 · p. 7

3.2. 데이터셋

• 이진 실루엣으로 현대 학습 표본과 선사시대 사례를 공통된 형태로 표현해, 현대 데이터로 학습한 성별 분류기가 고대 손 스텐실 제작자의 성별에 관한 가설을 도출하도록 했다.출처: §3.2 · p. 7

3.2.1. 현대 데이터

• 현대인의 왼손 방사선 영상 14,036장은 생후 1개월부터 19세까지의 소아·청소년 환자에게서 얻었다.데이터셋은 학습 표본 12,611개와 검증 표본 1,425개로 구성됐다. 별도의 스탠퍼드 시험 데이터셋에는 방사선 영상 200장(남성 100장, 여성 100장)이 포함됐으며, 학습·검증 데이터의 검사 사례와 중복되지 않았다.출처: §3.2.1 · p. 7
• 임상 보고서에서 성별과 골연령 레이블을 확보했으며, Segment Anything Model 에 zero-prompt segmentation (Mollineda et al. 2025)을 적용해 실루엣을 추출했다.출처: §3.2.1 · p. 7
• 남녀 모두 골연령 10–16세 구간에 표본이 가장 밀집했으며, 남성의 분포는 단봉형, 여성의 분포는 쌍봉형이었다.저자들은 이 구간에서 손의 성적 이형성이 더 안정적이고 뚜렷하게 나타난다고 본다. 또한 폭넓은 연령과 형태를 포괄하면 모델의 강건성과 일반화 성능이 향상될 것으로 기대한다.출처: §3.2.1 · p. 7

3.2.2. 선사시대 데이터

• 선사시대 손 스텐실 9점은 엘 카스티요 사례 4점과 (Mollineda et al. 2025)에서 분석한 사례 5점으로 구성됐다.엘 카스티요 영상 4점은 대비가 높고 경계가 뚜렷해 신뢰도 높은 수동 윤곽 추출이 가능했다. 나머지 5점은 코스케르, 쇼베, 페슈메를, 엘 카스티요에서 나온 것으로, 불확실성을 고려해 기존 성별 추정 가설을 재평가하고 사례별로 상세히 분석하는 데 활용했다.출처: §3.2.2 · pp. 7–8

3.3.3. 2단계: 실루엣 분류(점수 집계를 통한 성별 예측)

• 실루엣 변형 열두 개를 각각 독립적으로 초기화한 EfficientNet-B3와 MobileViT-S 인스턴스 열 개씩으로 처리하여 스텐실당 확률 예측 240개를 얻는다.표현 다양성과 모델 다양성을 결합하여 합의 기반 판단을 안정화하고 이상치에 대한 강건성을 높이고자 한다.출처: §3.3.1 · p. 9, §3.3.3 · p. 13
• 합산 융합과 최댓값 융합으로 모델 구조별 예측을 산출하고, 윤곽 변형 간 일치도를 측정하는 실루엣 지지율을 함께 제시한다.합산 융합은 모델 전반의 클래스 확률을 누적하고, 최댓값 융합은 각 클래스에 대해 모델들이 출력한 확률 중 최댓값을 선택한다. 실루엣 지지율은 예측 클래스와 일치하는 변형의 비율이다.출처: §3.3.1 · pp. 9–10, §3.3.3 · p. 13

3.3.1. 개요

• 이 프레임워크는 단일한 결정론적 해석을 강제하지 않고, 다중 표현, 모델 구조 다양화, 계층적 집계를 통해 불확실성을 모델링하고 전파한다.최종 판단에 앞서 내부 일치도를 명시적으로 정량화하여 구조화된 섭동과 다중성을 보완한다.출처: §3.3.1 · pp. 8, 10

3.3.2. 1단계: 실루엣 추출 및 증강

• 원본 영상과 명암 보정 영상의 윤곽을 독립적으로 추적한 뒤 정제된 이진 마스크로 변환하고 기하학적으로 정규화하여 영상 및 주석의 불확실성을 관리한다.배경 억제와 중앙값 필터링으로 손 형태를 분리하고, 회전·크기 조정·평행이동으로 해부학적 형태를 보존하면서 자세를 표준화한다.출처: §3.3.2 · pp. 10–11
• 스텐실당 실루엣 표현 12개는 기본 윤곽 두 개, 이진 증강 결과 네 개, 3채널 조합 여섯 개로 구성된다.AND, OR, 평균화, 거리 기반 형태학적 중간 집합 보간으로 전체 해부학적 구조를 훼손하지 않는 타당한 대체 윤곽을 생성한다. 3채널 조합은 입력 표현을 추가로 다양화한다.출처: §3.3.1 · p. 9, §3.3.2 · pp. 11–12

3.3.3. 2단계: 실루엣 분류(점수 집계를 통한 성별 예측)

• 선사시대 자료의 정답 레이블 부재, 미해결 도메인 이동, 윤곽 추적의 모호성이 개별 예측의 신뢰성을 떨어뜨린다. 접근성 높은 추론 프레임워크를 우선하여 하이퍼파라미터 최적화는 생략했다.모델은 레이블이 있는 RSNA Bone Age Challenge 데이터로 학습하지만, 고품질 선사시대 표본이 부족하여 신뢰할 만한 도메인 적응은 어렵다. 포괄적인 분류 성능 벤치마킹은 이 연구의 범위를 벗어난다.출처: §3.3.3 · pp. 13–14

3.3.4. 3단계: 사후 분석 및 해석

• EfficientNet-B3 특징 1,536개를 비지도 2D UMAP (McInnes et al. 2018)으로 투영하여, 현대인 학습 실루엣을 기준으로 한 보완적 k-NN 분류를 뒷받침한다.각 모델에는 선사시대 스텐실 아홉 개의 열두 변형에서 얻은 투영 108개가 입력된다. 다수결로 먼저 변형별 예측을 결합한 뒤 모델 인스턴스 간 합의를 도출한다.출처: §3.3.4 · p. 14
• 스텐실당 LayerCAM 맵 120개를 기하중앙값으로 통합하여 공간적 설명에서 이상치의 영향을 억제한다.실루엣 변형 열두 개와 EfficientNet-B3 인스턴스 열 개에서 얻은 맵을 통해 예측이 손가락 비율과 손바닥 너비 등 해부학적으로 의미 있는 영역에 주목하는지 검토한다.출처: §3.3.4 · p. 14

4.1.1. 실험 설계

• 각 아키텍처별로 독립적인 모델 인스턴스 10개를 100 에포크 동안 학습하고, 검증 정확도가 가장 높은 체크포인트를 선택해 현대 손 실루엣의 테스트 부분집합에서 개별 평가했다.원본 데이터셋은 생후 1개월부터 19세까지의 소아·청소년 왼손 X선 영상 14,036개로 구성되었다. 추출한 실루엣은 학습 12,509개, 검증 1,416개, 테스트 196개로 나누고, 크기를 400 × 300으로 조정한 뒤 [0, 1]로 정규화했다. 앙상블 다양성은 주로 학습 표본 순서의 무작위화에서 비롯되었으며, 앙상블은 sum 및 max 규칙으로 예측을 통합하고 전체 정확도로 성능을 측정했다.출처: §4.1.1 · p. 15

4.1.2. 현대 자료의 성별 예측 결과

• [0–6) 연령층에서 EfficientNet-B3는 두 통합 규칙 모두에서 앙상블 정확도 76.2%를 기록해 개별 모델의 평균 정확도 68.1% ± 1.9%를 웃돌았다.앙상블은 일관되게 개별 모델의 평균 성능을 능가했으며, EfficientNet-B3는 개별 모델과 대부분의 앙상블 구성에서 MobileViT-S보다 높은 성능을 보였다. 이 비교는 하이퍼파라미터 조정 없이 하나의 특수한 과제에 적용한 특정 모델 변형 간의 비교이며, 아키텍처의 일반적인 우월성을 뜻하지 않는다.출처: Table 3 · p. 16, §4.1.2 · p. 16
• EfficientNet-B3의 sum 앙상블은 고연령층에서 정확도 85.4%에 도달했으며, 분류 성능은 대체로 연령이 높을수록 향상되었다.저자들은 나이가 많은 아동의 표본 비중이 더 높고 성적 이형성이 점차 뚜렷해지는 점으로 이 경향을 설명한다. 혼동행렬에서 남성 예측은 더 안정적이었고 여성 예측은 특히 어린 아동에서 변동성이 더 컸다. 이러한 차이는 예측 신뢰도가 아니라 클래스별 민감도에 관한 것이다.출처: §4.1.2 · pp. 15–16, Table 3 · p. 16, Figure 9 · p. 17

4.2.1. 선사시대 자료의 성별 예측 결과

• 아키텍처별로 모델 인스턴스 10개와 실루엣 변형 12개를 조합한 120개 예측을 통해 다수결로 스텐실의 성별을 부여하고, 명시적인 내부 일치도 지표를 산출했다.sum/max 통합 후 실루엣 변형 간 다수결을 수행한다. SSR은 예측을 지지하는 변형의 비율을 0.5에서 1 사이로 나타내며, ACM은 부호 있는 마진의 평균 절댓값으로 범위는 0에서 1이다. EfficientNet-B3는 대체로 MobileViT-S보다 안정적이고 신뢰도가 높은 예측을 보여 사후 분석 모델로 선정되었다.출처: §4.2.1 · pp. 17–18
• 아키텍처와 통합 규칙 전반에서 img_26, img_28, Cosquer(여성)와 El Castillo 25(남성)는 SSR = 1과 ACM > 0.5를 보였다.img_26, Cosquer, El Castillo 25의 예측은 기존 가설과 일치했지만, img_28과 img_38의 신뢰도 높은 예측은 이전 해석과 달랐다. img_31과 Pech Merle에서는 상충하는 분류 결과가 나왔으며, 낮은 신뢰도는 대체로 기존 해석이 모호했던 사례에 해당했다.출처: §4.2.1 · p. 18, Table 4 · p. 19

4.2.2. 사후 잠재공간 분석 및 매니폴드 매핑

• 스텐실 9개 중 9개에서 2차원 매니폴드 기반 k-NN 분류와 EfficientNet-B3 앙상블의 성별 분류가 일치했다.UMAP 투영은 상호 보완적인 이웃 기반 분류를 뒷받침했다. k ∈[1, 50)에서 예측은 변하지 않았고, k ≥20에서 SSR이 안정화되어 [20, 50) 구간의 평균을 최종 신뢰도로 사용했다. img_26, img_28, Cosquer, El Castillo 25는 예측을 강하게 지지하는 이웃 영역을 형성했으며, 나머지 5개 사례는 클래스 간 중첩 영역에 더 가까이 위치했다.출처: §4.2 · p. 17, §4.2.2 · p. 20, Table 5 · p. 21

4.2.3. 공간 기여도 분석을 통한 사후 해석 가능성 분석

• 스텐실 9개 모두에서 LayerCAM 관련도는 손가락과 손가락 사이 공간에 집중되었고, 손바닥 중앙이나 손목의 활성화는 미미했다.각 설명은 실루엣 변형과 EfficientNet-B3 인스턴스 전반의 지도 120개를 기하적으로 통합해 윤곽선 인공물과 모델의 확률적 변동을 억제했다. 이러한 공간 패턴은 전체 손 크기나 배경 구조보다 손가락의 기하학적 형태와 상대적 간격에 의존함을 시사한다.출처: Figure 11 · p. 21, §4.2.3 · p. 21
• 강한 지지를 받은 분류에서는 기여도가 좁게 집중된 패턴이 나타난 반면, Chauvet와 Pech Merle의 넓게 퍼진 패턴은 해석의 모호성과 부합했다.여성으로 분류된 img_26, img_28, Cosquer는 손가락뼈와 손가락 사이 공간에서 체계적인 관련도 분포를 공유했으며, 이는 넓게 퍼진 패턴과 약한 잠재공간 지지를 보인 Chauvet와 대조적이었다. 남성 사례는 대체로 중수지절관절을 강조했다. img_38과 El Castillo 25에서는 뚜렷한 군집이 나타났지만, img_31과 Pech Merle에서는 더 넓은 영역이 활성화되었다.출처: §4.2.3 · pp. 21, 23, Table 6 · p. 22

• 불확실성을 처리, 윤곽, 실루엣, 표현, 모델, 의사결정 단계에 걸쳐 의도적으로 도입하고 전파한 뒤 계층적으로 통합한다.이를 위해 이중 영상 처리, 이중 윤곽 추출, 구조화된 실루엣 변형, 여러 3채널 조합, 아키텍처 다양성, 확률적 반복, 실루엣 지지율을 반영한 앙상블 융합을 활용한다. 최종 예측은 변동성을 억제한 결과가 아니라 통제되었지만 불완전한 관측들이 수렴한 결과를 반영한다.출처: §5 · p. 23
• LayerCAM 지도당 기여도 산출 결과 120개는 해부학적으로 의미 있는 손가락과 중수골 영역에 집중된 안정적인 기여도 양상을 뒷받침하며, 손바닥과 손목의 기여도는 상대적으로 낮다.기하중앙값 기반 통합은 설명을 안정화하며, 비지도 UMAP에 이은 비모수 k-NN은 대폭적인 차원 축소 후에도 클래스가 분리되는지 검증한다. 손가락 사이 공간, 근위·중위지골, 중수골두가 강조되는 양상은 생물학적 타당성을 뒷받침하지만, 기여도 지도만으로 인과관계를 입증할 수는 없다.출처: §5 · p. 23
• SSR ≈1인 사례는 해부학적 구조에 따라 국소화된 활성화 양상을 보인다. 예측, 잠재공간 검증, 기여도 안정성 간의 일치는 형태적 안정성을 뒷받침하고, 불일치는 모호성을 드러낸다.아키텍처 간 예측이 불일치하거나 실루엣 지지율이 낮은 사례는 기여도가 더 넓게 분산된다. 이처럼 상호 보완적인 분석은 고고학적 정답 자료가 없는 상황에서도 내부 안정성을 진단한다.출처: §5 · pp. 23–24
• 고고학적 해석에서는 예측, 신뢰도, 잠재공간 구조, 기여도 양상을 함께 평가하고, 신뢰도가 낮은 사례는 이분법적 분류를 강제하기보다 판정 불가로 보고해야 한다.신뢰할 만한 후보 사례는 앙상블의 일관성, 높은 실루엣 지지율, 큰 분류 마진, 안정적인 매니폴드 내 위치, 앙상블과 k-NN 간의 일치를 함께 보인다. 반대 양상은 모호성을 시사한다. 모호성은 분류 실패가 아니라 중간적 형태, 시각 정보 부족, 참조 집단의 한계를 반영할 수 있다.출처: §5 · p. 24
• 현대 집단과 후기 구석기시대 집단 간의 형태적 차이가 알려져 있지 않으므로, 매우 일관된 예측도 확정적 성별 판정이 아니라 참조 집단에 의존하는 확률적 추론으로 남는다.지도학습 방법은 고고학적 성별 레이블이 없으므로 성적 이형성이 시간에 걸쳐 어느 정도 안정적으로 유지된다고 가정할 수밖에 없으며, 이 가정은 직접 검증할 수 없다. 향후 목표 도메인 기반 접근 역시 고고학적 표본의 수량, 품질, 대표성에 제약을 받는다.출처: §5 · p. 24
• 향후에는 가능한 형태의 표현 범위를 넓히고, 점추정치를 예측분포로 대체하며, 파이프라인 각 단계의 변동성 규모를 확장해 더욱 완전한 확률적 프레임워크로 발전시켜야 한다.독립적인 영상 처리와 수동 윤곽 추출로 생성한 실현값을 추가하면 더 많은 입력 변동성을 전파할 수 있다. 이러한 확장은 데이터에서 비롯된 모호성과 모델 불확실성을 구분하고 예측 안정성 평가를 개선하는 데 목적이 있다.출처: §5 · pp. 24–25

6. 결론

• 이 프레임워크는 통제된 변동성과 계층적 집계를 결합하여, 단일 결정론적 예측이 아닌 상호 보완적인 관측에서 분류 결과를 도출한다.이미지 획득, 수동 주석, 실루엣 표현, 모델 학습, 의사결정 전반에 걸쳐 불확실성을 모델링·전파·집계한다.출처: §6 · p. 25
• 선사시대 손 스텐실에 적용한 결과, 이 프레임워크는 여러 사례에서 안정적인 예측을 산출하는 한편, 실루엣 지지도 감소와 낮은 분류 마진을 통해 본질적으로 모호한 사례를 식별했다.이러한 신뢰도 지표는 불확실한 고고학적 증거의 과잉 해석을 줄이는 데 도움이 된다.출처: §6 · p. 25
• 현대인 손 실루엣 실험에서 딥러닝 앙상블은 성적 이형성을 보이는 형태적 특징을 신뢰성 있게 포착했으며, 특히 해당 특징이 더 뚜렷한 연령군에서 두드러졌다.보고된 현대인 자료의 성능은 이러한 연령 의존성을 고려하여 해석해야 한다.출처: §6 · p. 25
• 앙상블 분류, 비지도 2D 잠재 공간 검증, 집계된 LayerCAM 설명 간의 높은 일치도는 일관된 표현과 해부학적으로 의미 있는 시각적 단서를 통해 분류 결과를 뒷받침했다.이러한 삼각 검증은 예측, 구조, 해석 가능성의 관점을 결합한다.출처: §6 · p. 25
• 분석 간 불일치는 인식론적 불확실성과 성별을 확정하기에 부족한 증거를 드러내며, 불확실성은 정답이 없는 상황에서 고고학적 추론의 신뢰성을 평가하는 데 유용한 정보가 된다.이러한 불일치가 나타나면 성별을 단정하기보다 신중하게 해석해야 한다.출처: §6 · p. 25
• 향후 연구에서는 입력 변동성을 표현하고 예측 불확실성을 정량화하며 형태적 모호성과 모델 관련 불확실성을 구분할 수 있도록, 확률적 정식화를 더욱 명시적으로 도입해야 한다.이러한 구분은 이미 확립된 기능이 아니라 향후 개발 방향으로 제안된 것이다.출처: §6 · p. 25