Computer Science

'Computer Science' 카테고리의 모든 글

총 514개의 글
시간순 정렬
No Image

양자 조언을 사용한 함수 역원의 하한값

함수 역산은 임의의 함수 $f [M] to [N]$가 주어졌을 때, 이미지 $y$의 사전 영상(pre-image) $f^{-1}(y)$를 찾는 문제입니다. 이 연구에서는 예처리 모델에서 이 문제를 재검토합니다. 이 모델에서는 함수 $f$에만 의존하는 보조 정보 또는 조언(advice) 크기 $S$를 계산할 수 있습니다. 이것은 고전적인 설정에서 잘 연구된 문제지만, 양자 알고리즘이 어떻게 더 나은 성능을 내는지 명확하지 않습니다. 특히 Grover의 알고리즘 외에는 예처리의 힘을 활용하지 못합니다. Nayebi 등은 $ST^2 ge tilde Omega(N)$에 대한 하한 값을 양자 알고리즘이 역순열(permutation)을 역산하는 데 사용되는 하한 값으로 증명했습니다. 그러나 이들은 조언이 고전적인 경우만 고려했습니다. Hhan 등은 그 결과를 완전히 양자 알고리즘에 대한 결과로 확장했습니다. 본 연구에서는 $M = O(N)$인 범위에서 함수 역산을 위한 완전히 양자 알고리즘에 대해 동일한 점근적 하한 값을 제공합니다. 이러한 경계를 증명하기 위해 Ambainis 등이 처음으로 소개했던 양자 랜덤 액세스 코드의 개념을 일반화하여, 우리가 주어진 (필연적으로 독립적이지 않은) 임의 변수 목록을 길이가 가변적인 인코딩으로 압축하고 이 인코딩만으로 임의의 요소를 높은 확률로 검색할 수 있도록 합니다. 우리의 주요 기술적 업적 중 하나는 이러한 일반화된 양자 랜덤 액세스 코드에 대한 거의 최하한 값을 (넓은 매개변수 범위에서) 증명하는 것입니다.

paper AI 요약
EntropyDB 확률적 접근을 통한 근사 질의 처리 방법

EntropyDB 확률적 접근을 통한 근사 질의 처리 방법

본 논문에서는 EntropyDB라는 상호작용형 데이터 탐색 시스템을 제시합니다. 이 시스템은 확률적 접근법을 사용하여 데이터셋의 작은 쿼리 가능한 요약을 생성합니다. 기존의 요약 기술과 달리 우리는 최대 엔트로피 원칙을 사용하여 데이터의 확률적 표현을 생성하고 이를 이용해 근사적인 쿼리 답변을 제공합니다. 우리 팀은 확률적 표현의 이론적 프레임워크와 공식화를 개발하고, 이를 어떻게 쿼리를 처리하는지 설명합니다. 우리는 해결 기법과 전처리 시간 및 쿼리 실행 시간을 개선하기 위한 두 가지 중요한 최적화 방법을 제시하며, 쿼리 오류를 줄이는 방법도 탐구합니다. 마지막으로, 미국 내 비행기 데이터로 구성된 5GB 크기의 데이터셋과 데이터 정리 작업을 수행한 결과를 바탕으로 실험을 실시했습니다. 본 연구에서는 n = 1일 때 튜플의 기대 횟수와 마진 확률이 동일하다는 것을 증명하였습니다.

paper AI 요약
No Image

대수적 분지 프로그램과 공식에 대한 이차 하한값

이 논문에서는 다항식 $ sum_{i = 1}^n x_i^n$을 계산하는 어떤 대수 분기 프로그램(ABP)이 최소한 $ Omega(n^2)$개의 정점이 필요하다는 것을 보여줍니다. 이 결과는 Baur와 Strassen의 고전적인 결과로부터 나온 $ Omega(n log n)$보다 더 강력하며, [K19]에서 증명된 동일한 다항식을 계산하는 균일 ABP에 대한 2차 하한선을 확장합니다. 우리의 증명은 행렬 견고성(context)에서 유사한 주장을 볼 수 있는 깊이 감소의 개념에 기반하고 있습니다. 이 논문에서는 작은 ABP가 다항식 $ sum_{i=1}^n x_i^n$을 계산할 때, 거의 균일한 ABP로 깊이를 줄여 계산하는 방법을 보여줍니다. 또한, 우리는 이러한 아이디어를 사용하여 $n$개의 변수에 대한 도수가 0.1$n$인 기본 대칭 다항식을 계산하는 대수 공식의 크기에 대한 $ Omega(n^2)$ 하한선을 증명합니다.

paper AI 요약
토마스 샘플링을 이용한 공급측 플랫폼의 헤더 비딩 전략 최적화

토마스 샘플링을 이용한 공급측 플랫폼의 헤더 비딩 전략 최적화

지난 10년 동안 디지털 미디어(웹 또는 앱 출판자)는 실시간 광고 경매를 사용하여 광고 공간을 판매하는 것을 일반화했습니다. 여러 경매 플랫폼인 공급 측면 플랫폼(SSP)이 생성되었습니다. 이러한 다수성으로 인해 출판자는 SSP들 간의 경쟁을 만들기 시작했습니다. 이 설정에서는 두 가지 연속적인 경매가 진행됩니다 각 SSP에서 제2 가격 경매와 SSP들 사이에서 이루어지는 제1 가격 경매인 헤더 입찰 경매입니다. 본 논문에서는 다른 SSP들과 경쟁하는 하나의 SSP를 고려합니다. 이 SSP는 광고주가 광고 공간을 구매하고자 할 때 중개자의 역할을 하며, 출판자가 광고 공간을 판매하길 원할 때도 마찬가지입니다. 그리고 광고주의 요구에 맞게 최대한 많은 광고를 전달하면서 최소한의 비용으로 경매에 참여하기 위한 입찰 전략을 정의해야 합니다. 이 SSP의 수익 최적화는 컨텍스트 밴딧 문제로 표현될 수 있으며, 컨텍스트에는 광고 기회에 대한 정보가 포함됩니다. 예를 들어 인터넷 사용자 또는 광고 배치 속성과 같은 정보입니다. 클래식한 다중 팔레트 밴딧 전략(UCB와 EXP3의 원본 버전을 포함)은 이 설정에서 효과적이지 않으며, 수렴 속도가 낮습니다. 본 논문에서는 이러한 상관관계를 쉽게 고려할 수 있는 Thompson Sampling 알고리즘의 변형을 설계하고 실험합니다. 이 베이지안 알고리즘과 입자 필터를 결합하여 비정상성을 다룰 수 있습니다. 이를 통해 경매에서 승리하기 위해 극대화해야 하는 최고 입찰 가격의 분포를 순차적으로 추정할 수 있습니다. 우리는 이 방법론을 두 개의 실제 경매 데이터셋에 적용하고, 더 전통적인 접근법보다 크게 우수함을 보여줍니다. 본 논문에서 정의된 전략은 전 세계 수천 명의 출판자에게 배포될 계획입니다.

paper AI 요약
다국어 임베딩 학습을 통한 주제 맞춤 코퍼스가 존재할 때의 다언어 정보 검색

다국어 임베딩 학습을 통한 주제 맞춤 코퍼스가 존재할 때의 다언어 정보 검색

다국어 정보 검색은 정렬된 병렬 코퍼스가 없는 경우에 어려운 과제입니다. 본 논문에서는 평가를 위한 IR 시나리오 설계로 구성된 주제별로 정렬된 코퍼스를 고려하여 이 문제를 해결합니다. 우리는 문장 단위로 정렬된 코퍼스, 문서 단위로 정렬된 코퍼스 또는 사전, 통사론 규칙과 같은 언어 특정 자원을 사용하지 않습니다. 대신 공통 공간으로 임베딩하고 그로부터 직접 단어 간의 대응 관계를 학습합니다. 우리의 접근 방식은 표준 FIRE 데이터셋에 대해 벵갈리어, 힌디어 및 영어로 이중 언어 IR을 시험하였습니다. 제안된 방법은 검색 평가 지표뿐만 아니라 시간 요구사항 측면에서도 최신 기술을 능가합니다. 우리는 또한 우리의 방법을 성공적으로 삼국어 환경으로 확장시켰습니다.

paper AI 요약
No Image

리아푸노프 이벤트-트리거 안정화와 알려진 수렴률

이 논문은 비선형 시스템에서 이벤트 트리거드 제어를 통해 상태가 안정적으로 수렴하는 방법을 제시한다. 특히, 클라우드 기반의 제어 시스템에서 통신과 계산 자원을 효율적으로 사용하기 위해 이벤트 트리거드 알고리즘을 설계하고 이를 통해 비선형 시스템이 안정적으로 수렴하도록 한다. 제안된 방법은 클라우드 컴퓨팅 환경에서 시스템의 통신과 계산 자원을 최적화하며, 이는 다양한 산업 분야에서 실시간 제어와 모니터링에 활용될 수 있다. ###

paper AI 요약
고속도로 자동주행을 위한 혼합논리동적 모델

고속도로 자동주행을 위한 혼합논리동적 모델

우리는 고속도로에서 안전하고 효율적인 자율 주행을 위한 하이브리드 의사결정 프레임워크를 제안합니다. 구체적으로, 각 차량의 동역학을 혼합논리동적(Mixed-Logical-Dynamical) 시스템으로 모델링하고 인접 차량 간의 잠재적인 충돌 원인을 방지하기 위한 간단한 운전 규칙을 제안합니다. 우리는 조정 문제를 일반화된 혼합 정수 가능성 게임으로 형식화하며, 균형점 솔루션은 차량들이 개인 최적화와 전체 안전 사이의 타협을 이룬 혼합 정수 의사결정 시퀀스를 생성합니다.

paper AI 요약
태그 강화된 트리 구조 신경망을 이용한 암묵적 문장 관계 분류

태그 강화된 트리 구조 신경망을 이용한 암묵적 문장 관계 분류

텍스트 구간들 간의 암묵적 문장 관계를 식별하는 것은 텍스트의 의미를 이해해야 하기 때문에 어려운 작업입니다. 이 문제를 해결하기 위해 최근 연구들은 다양한 딥러닝 방법을 시도했지만, 그 중 대부분은 형태론 정보를 활용하지 않았습니다. 본 논문에서는 문장 해석 트리를 신경망에 통합하는 아이디어를 탐색하였습니다. 구체적으로, 우리는 관계 내에서 인자를 인코딩하기 위해 트리 기반의 Tree-LSTM 모델과 Tree-GRU 모델을 사용하였습니다. 또한, 이러한 트리 구조 신경망에서 의미 합성 과정을 제어하기 위해 구성 요소 태그를 추가로 활용하였습니다. 실험 결과는 우리 방법이 PDTB 코퍼스에서 최고의 성능을 달성함을 보여주었습니다.

paper AI 요약
네트워크를 통한 시계 동기화 --

네트워크를 통한 시계 동기화 --

이 논문에서는 2개 노드의 시계 동기화 및 거리 측정 문제를 분석합니다. 특히, 이들 노드가 시간-디지털 변환기를 사용하여 정확한 거리를 결정하는 경우에 집중하고 있습니다. 이러한 특정 설계 선택은 포착된 신호에 대한 톱니 모양 모델을 생성하며, 이를 추정 이론적 관점에서 연구한 적이 없습니다. 본 연구에서는 Freris, Graham 및 Kumar의 잘 알려진 논문에서 얻어진 기본 결론을 다시 확인합니다. 더 중요한 것은, 잡음을 통해 톱니 신호 모델에 대한 위상과 오프셋 매개변수 추정의 이론적 조건이 개선되는 놀라운 식별 결과를 발견한 것입니다. 연구의 완성도를 위해, 기본적인 추정 전략을 사용하여 다양한 실제 조건 하에서 톱니 신호 모델에 대한 시계 동기화 및 거리 측정 성능 기준을 제공하는 철저한 시뮬레이션 연구를 제시합니다. 이 논문의 공헌으로 인해, 향후 톱니 신호 모델의 추정 연구가 가능하며 이를 산업용 시계 동기화 및 거리 측정에 활용하기 위한 길을 열었습니다.

paper AI 요약
자율주행에 대한 조사 일반적인 관행과 새로 등장한 기술들

자율주행에 대한 조사 일반적인 관행과 새로 등장한 기술들

자율 주행 시스템(ADS)은 안전하고 편안하며 효율적인 운전 경험을 약속합니다. 그러나 ADS를 장착한 차량에 관련된 사망자가 증가하고 있습니다. 최신 기술의 강건성을 더욱 개선하지 않으면 ADS의 전체 잠재력은 실현될 수 없습니다. 이 논문에서는 미해결 문제들을 논의하고 자율 주행의 기술적 측면을 조사합니다. 현재 도전 과제, 고수준 시스템 아키텍처, 신규 메소드 및 핵심 기능(위치 추정, 맵핑, 인식, 계획, 인간-기계 인터페이스)에 대한 연구가 철저히 검토되었습니다. 또한 최신 기술을 자체 플랫폼에서 구현하고 다양한 알고리즘들을 실제 운전 환경에서 비교하였습니다. 논문은 ADS 개발을 위한 사용 가능한 데이터 세트와 도구들에 대한 개요로 마무리됩니다.

paper AI 요약
구조 최적화를 위한 위상 안정적인 CAD 모델 생성

구조 최적화를 위한 위상 안정적인 CAD 모델 생성

컴퓨터 지원 설계(CAD) 모델은 제품의 설계, 제조 및 유지보수에 중요한 역할을 합니다. 따라서 구조 최적화에서 일반적으로 사용되는 메쉬 기반 유한 요소 설명은 먼저 CAD 모델로 번역되어야 합니다. 현재 이 작업은 최대한 수동으로 수행됩니다. 우리는 구조적으로 안정적인 매개변수 CAD 모델을 생성하기 위한 완전 자동화되고 위상 정확도가 높은 접근 방식을 제안합니다. 그 방법론은 위상 최적화된 유한 요소 모델로부터 공간 프레임 구조로 변환하고, 이를 표준적인 구성 고체 기하학(CSG) 연산을 사용하여 CAD 시스템에서 재생성하는 것입니다. 얻어진 매개변수 CAD 모델은 가능한 한 적은 수의 기하학적 매개변수를 가지므로 CAD 시스템 내에서 편집 및 추가 처리에 이상적입니다. 위상 최적화된 구조를 최적인 공간 프레임 구조로 변환하는 중요한 작업은 여러 단계로 이루어져 있습니다. 우리는 먼저 위상 최적화된 병합 모델로부터 위상 보존 골격화 알고리즘을 사용하여 한 병합 넓이의 병합 사슬 모델을 생성합니다. 병합 사슬 모델에 의해 정의되는 무게가 있는 비방향 그래프는 표준적인 그래프 알고리즘을 통해 처리된 후 공간 프레임 구조를 얻습니다. 그 다음, 우리는 구성 멤버의 단면과 레이아웃을 최적화하여 변환 과정에서 손상되었을 수 있는 최적성을 회복합니다. 마지막으로, 우리는 기본적인 고리와 구체 같은 원시 고리를 반복적으로 결합하여 프레임 구조를 생성하고 부울 연산을 사용합니다. 결과적으로 얻어진 고리 모델은 잘라낸 비균일 유리 B-스플린(NURBS) 곡선과 표면으로 구성된 경계 표현(B-Rep)입니다.

paper AI 요약
비OLATILE 메모리용 다층 버퍼 관리 및 저장 시스템 설계

비OLATILE 메모리용 다층 버퍼 관리 및 저장 시스템 설계

데이터베이스 관리 시스템(DBMS)의 버퍼 매니저 설계는 빌라트 메모리(DRAM)와 비휘발성 저장소(예 SSD)의 성능 특성을 고려합니다. 핵심 설계 가정은 데이터가 DBMS에서 작업하기 위해 DRAM으로 이동해야 한다는 것이며, 저장소가 DRAM보다 수십 배 느리다는 것입니다. 그러나 새로운 비휘발성 메모리(NVM) 기술이 DRAM만큼 빠르게 나타나면서 이러한 전제 조건들이 무효화되었습니다. 본 논문은 DRAM, NVM, SSD로 구성된 다중 계층 저장 시스템을 관리하고 설계하는 기법을 제시합니다. 우리의 주요 기술적 기여는 NVM의 특성을 활용한 다중 계층 버퍼 매니저와 저장 시스템 디자이너입니다. 우리는 다양한 장치 간 데이터 이동의 효용성 최대화를 위한 최적화 세트를 제안합니다. 이러한 최적화들은 장치 및 작업 부하 특성에 따라 맞춤화되어야 합니다. 이를 위해, 우리는 임의의 작업 부하와 저장 시스템 계층에 대해 수작업 조정 없이 근사 최적 버퍼 관리 정책을 달성하는 기술을 제시합니다. 마지막으로, 대상 작업 부하 및 시스템 비용 예산에 대한 다중 계층 저장 시스템 설계를 위한 추천 시스템을 제시합니다. 우리의 결과는 NVM에 주의를 기울인 버퍼 매니저와 저장 시스템 디자이너가 다양한 트랜잭션 및 분석 처리 작업 부하에서 성능을 향상시키고 시스템 비용을 절감한다는 것을 보여줍니다.

paper AI 요약
메트릭 제약 최적화를 위한 평행 투영 방법

메트릭 제약 최적화를 위한 평행 투영 방법

기계 학습과 데이터 마이닝의 많은 클러스터링 응용 프로그램은 메트릭 제약 최적화 문제를 해결하는 데 의존하고 있습니다. 이러한 문제는 큰 데이터셋에서 n 개체에 대한 거리 변수 간 삼각 부등식을 강제하는 O(n^3)의 제약 조건으로 특징지어집니다. 이 방법은 유용하지만, 세제곱 수준의 제약 조건과 표준 최적화 소프트웨어의 높은 메모리 요구 사항 때문에 실제 사용에서 어려움이 따릅니다. 최근 연구에서는 반복적인 투영법을 통해 이전보다 더 큰 규모의 문제를 해결할 수 있음을 보여주었지만, 이러한 방법의 주요 제한점은 느린 수렴 속도입니다. 본 논문에서는 메트릭 제약 최적화에 대한 병렬 투영 방법을 제시하여 실제 사용에서 수렴 속도를 높였습니다. 우리의 접근 방식의 핵심은 여러 메트릭 제약 조건에 대해 동시에 투영을 수행할 수 있도록 하는 새로운 병렬 실행 스케줄입니다. 우리는 상관 클러스터링 문제의 메트릭 제약 선형 계획법 이완을 해결하는 데 이러한 실행 스케줄을 구현하고 실험한 결과를 보여줍니다. 실험에서는 2.9조 개의 제약 조건을 포함하는 문제에 대한 다양한 실험적 결과가 나왔습니다.

paper AI 요약
에러asure-코딩된 저장 시스템을 위한 복구 파이플라인 알고리즘과 평가

에러asure-코딩된 저장 시스템을 위한 복구 파이플라인 알고리즘과 평가

우리는 일반적인 에러코드 저장소에서 복구 성능을 빠르게 하는 기술인 복구 파이프라인(repair pipelining)을 제안합니다. 작은 단위로 분할된 손상된 데이터를 각각의 저장 노드에 걸쳐 세심하게 스케줄링함으로써, 동일한 환경에서 일반적인 블록 읽기 시간과 거의 같은 수준으로 단일 블록 복구 시간을 줄입니다. 우리는 이 기법을 다양한 환경과 여러 블록 복구 작업에 대한 확장 버전도 설계했습니다. 우리는 ECPipe라는 복구 파이프라인 프로토타입을 구현하고 이를 Hadoop 분산 파일 시스템(HDFS)의 두 가지 버전(즉, HDFS-RAID와 HDFS-3), 그리고 Quantcast File System(QFS)으로 통합한 중간웨어 시스템으로 적용했습니다. 현지 테스트베드 및 Amazon EC2에서 수행된 실험은 복구 파이프라인이 기존 복구 기법보다 손상 읽기와 전체 노드 복구 성능을 크게 향상시킨다는 것을 보여줍니다.

paper AI 요약
경제 데이터의 증분 도메인 지식 모델링 및 시각화 사브리나

경제 데이터의 증분 도메인 지식 모델링 및 시각화 사브리나

투자 계획은 지리적 공간과 산업 부문 분포 측면에서 금융 풍경에 대한 이해가 필요합니다. 데이터는 신문, 오픈 데이터 등 다양한 출처에 흩어져 있어 금융 분석가는 전체 그림을 파악하기 어렵습니다. 본 논문에서는 이러한 문제를 해결하고자 Sabrina라는 금융 데이터 분석 및 시각화 접근 방식을 제안합니다. 이 접근 방식은 기업 간 재무 거래 네트워크 생성에 대한 파이프라인을 포함하며, 지역 내 개별 기업의 실제 정보와 경제의 일반적인 매크로적 측면에 대한 증분 도메인 지식을 통합할 수 있습니다. Sabrina는 이러한 다양한 데이터 출처를 일관된 시각 인터페이스 내에서 통합하여 시각 분석 과정을 가능하게 합니다. 세 명의 도메인 전문가를 대상으로 한 사용자 연구를 통해 Sabrina의 유용성을 보여줍니다.

paper AI 요약
K4xS5 및 S4xS5 논리와 부분 공간 논리의 EXPSPACE-완전성, part 2 EXPSPACE-난해성

K4xS5 및 S4xS5 논리와 부분 공간 논리의 EXPSPACE-완전성, part 2 EXPSPACE-난해성

본 논문에서는 SSL(Strongly Structured Logic)에서의 새로운 절차를 제시하고, 이를 통해 SSL에서의 공식이 만족 가능한지 여부를 결정하는 문제에 대해 연구한다. 특히, 입력 문자열 $w$에 대해 $f_ ssl(w)$라는 이진 논리 공식을 정의하며, 이 공식은 로그 공간 내에서 계산 가능하다는 것을 증명한다. 또한, $w in L$인 경우 $f_ ssl(w)$가 만족 가능함을 보이고, 이를 통해 SSL에서의 문제를 해결하는 방법을 제시한다.

paper AI 요약
PAStime 진행 상황 인식 스케줄링을 통한 시간 임계 컴퓨팅 개선

PAStime 진행 상황 인식 스케줄링을 통한 시간 임계 컴퓨팅 개선

실시간 작업의 최악 실행 시간(WCET) 과대 추정은 자원 활용도가 떨어지게 한다. 혼합 중요도 시스템(MCS)에서 매우 중요한 작업들의 WCET를 수용하기 위해 CPU 시간이 과제공되면 덜 중요한 작업들에게 서비스 품질이 저하될 가능성이 있다. 본 논문에서는 PAStime이라는 새로운 접근 방식을 제시한다. 이는 시간에 민감한 응용 프로그램의 실행 진행 상황을 모니터링하고 조정하여 덜 중요한 작업들에 대한 서비스 품질을 개선하는 방법이다. PAStime은 작업들이 컨트롤 플로우 그래프를 통해 진행됨에 따라 경험하는 지연 시간에 따라 CPU 시간을 할당한다. 이를 통해 고 중요도 작업들의 지연을 보상하면서 덜 중요한 작업들에 가능한 한 많은 시간이 제공될 수 있다. 본 논문에서는 PAStime과 적응형 혼합 중요도(AMC) 스케줄링을 통합하였다. 고 중요도 작업의 LO 모드 예산은 실행 체크포인트에서 관찰된 지연 시간에 따라 조정된다. LITMUS-RT 프레임워크를 확장하여 우리의 PAStime 런타임 정책을 구현하고 객체 분류 및 탐지와 같은 실시간 Linux 응용 프로그램으로 테스트하였다. 실험 평가에서 AMC-PAStime은 고 중요도 작업의 서비스를 보장하면서 덜 중요한 작업들의 활용도를 크게 개선한다는 것을 확인하였다.

paper AI 요약
동적 네트워크에서 상관된 노이즈를 갖는 모듈 식별을 위한 로컬 직접 방법

동적 네트워크에서 상관된 노이즈를 갖는 모듈 식별을 위한 로컬 직접 방법

동적 네트워크에서 모듈 식별에 대한 최근 연구는 각 노드 간의 개요가 알려져 있는 상황에서 일관된 추정치를 얻기 위한 조건을 제시하고 있습니다. 이 조건은 일반적으로 여러 입력-단일 출력(MISO) 식별 설정에서 예측자 입력으로 취급되는 노드 신호 세트의 선택을 반영합니다. 본 논문에서는 서로 다른 노드 신호에 대한 과정 잡음이 상호 연관될 수 있는 경우에 대해 식별 설정을 확장하고 있습니다. 이러한 상황에서 로컬 모듈은 일관된 최대우도 추정치를 얻기 위해 다중 입력-다중 출력(MIMO) 식별 설정으로 포함되어야 할 수도 있습니다. 이는 혼란 변수의 적절한 처리가 필요합니다. 결과적으로, 주어진 네트워크 토폴로지와 간섭 상관 구조를 기반으로 MISO 또는 MIMO 식별 설정에서 예측자 입력과 출력으로 적절한 노드 신호 세트를 선택하는 알고리즘 세 가지가 제시됩니다. 사용되는 측정된 노드 신호의 최대 또는 최소 수, 또는 사전에 선택된 측정 노드 세트를 고려할 수 있습니다.

paper AI 요약
대규모 교통 신호 제어를 위한 새로운 다중 에이전트 강화 학습 방법 연구

대규모 교통 신호 제어를 위한 새로운 다중 에이전트 강화 학습 방법 연구

대규모 교통 신호 제어(TSC) 문제에서 최적의 신호 타이밍 전략을 찾는 것은 어려운 과제이다. 다중 에이전트 강화 학습(MARL)은 이 문제를 해결하는 유망한 방법으로 꼽힌다. 그러나 대규모 문제로 확장하고 각 개별 에이전트의 다른 에이전트들의 행동을 모델링하는 데 여전히 개선의 여지가 있다. 본 논문에서는 새로운 MARL, 즉 협력적 이중 Q-학습(Co-DQL)을 제안한다. Co-DQL은 몇 가지 주목할 만한 특징이 있다. 이는 이중 추정기와 UCB 정책을 기반으로 하는 매우 확장 가능한 독립 이중 Q-학습 방법을 사용하여 전통적인 독립 Q-학습에 존재하는 과도한 추정 문제를 제거하면서 탐사를 보장한다. 또한 에이전트 간의 상호작용을 모델링하기 위해 평균 필드 근사법을 사용하여 에이전트가 더 나은 협력 전략을 학습하도록 한다. 학습 과정의 안정성과 견고성을 향상시키기 위해 새로운 보상 할당 메커니즘과 지역 상태 공유 방법을 도입한다. 또한 제안된 알고리즘의 수렴 특성을 분석한다. Co-DQL은 TSC에 적용되고 여러 교통 신호 시뮬레이터에서 테스트된다. 몇 가지 교통 상황에서 얻어진 결과에 따르면, Co-DQL이 여러 최신 분산형 MARL 알고리즘을 능가한다. 전체 도로 시스템 내의 차량들의 평균 대기 시간을 효과적으로 단축할 수 있다.

paper AI 요약
No Image

인터넷-of-Things을 위한 분산 딥 컨볼루션 뉴럴 네트워크

사물인터넷(IoT) 단위의 메모리와 계산에 대한 심각한 제약은 일반적으로 대규모 메모리와 높은 처리 부하를 요구하는 딥러닝(DL)-기반 솔루션의 실행을 방해할 수 있습니다. 고려된 DL 모델의 실시간 실행을 지원하기 위해서는 IoT 단위에 대한 메모리 및 처리 능력 제약 조건을 염두에 두고 디자인되어야 합니다. 본 논문에서는 분산형 IoT 애플리케이션에서 컨볼루셔널 신경망(CNNs)의 실행을 할당하는 방법론을 소개합니다. 이러한 방법론은 데이터 수집 단계와 그 이후의 의사결정 단계 사이의 지연 시간을 최소화하면서 주어진 메모리 및 처리 부하 제약 조건 내에서 최적화 문제로 정식화됩니다. 이 방법론은 동일한 IoT 시스템에서 여러 소스의 데이터뿐만 아니라 여러 개의 CNNs를 실행하는 것을 지원하여 자율성, 낮은 의사결정 지연 시간, 높은 서비스 품질을 요구하는 CNN 기반 애플리케이션을 설계할 수 있습니다.

paper AI 요약
입력 포화 상황：

입력 포화 상황：

이 논문은 입력 포화 상태에서 추가 정보 교환을 기반으로 전역 및 준전역 조절된 상태 동기화에 대해 연구한다. 여기서 참조 궤도는 전역적으로 접근 가능한 것으로 가정되는 so-called exosystem에 의해 주어진다. 우리의 프로토콜 설계 방법론은 유향 네트워크의 위상이나 관련 Laplacian 행렬의 스펙트럼에 대한 지식을 필요로 하지 않는다. 더 나아가, 제안된 프로토콜은 확장 가능하며 임의 개수의 에이전트에 대해 동기화를 달성한다.

paper AI 요약
분산 가설 검정과 비베이지안 학습을 위한 새로운 접근법 개선된 학습 속도와 바이잔틴 내성

분산 가설 검정과 비베이지안 학습을 위한 새로운 접근법 개선된 학습 속도와 바이잔틴 내성

우리는 각각 부분적으로 정보가 있는 개인적인 신호를 받는 에이전트 그룹이 공동으로 학습하려고 하는 상황을 연구합니다. 이들은 세계의 진정한 기본 상태(유한 가설 집합 중 하나)를 찾아내려 합니다. 이를 해결하기 위해, 우리는 기존 접근법과 근본적으로 다른 분산 학습 규칙을 제안합니다. 기존 방식에서 사용되는 믿음 평균화 를 쓰지 않고, 에이전트는 믿음을 갱신하는 데 min-규칙을 사용합니다. 관찰 모델과 네트워크 구조에 대한 표준 가정 하에서 각 에이전트가 거의 확실히 진실을 학습한다는 것을 증명했습니다. 주요 기여로, 우리는 모든 잘못된 가설이 각 에이전트에 의해 지수적으로 빠르게, 네트워크 독립적인 비율로 배제됨을 확률 1에서 증명합니다. 또한, 우리가 개발한 학습 규칙의 계산 효율적인 변형은 예상치 못하게 행동하거나 정보를 왜곡하려는 에이전트(바이잔틴 적대자 모델로 표현)에 대해 증명적으로 견고하다는 것을 보여줍니다.

paper AI 요약
S&CNet 자율 시스템과 3D 재구성 위한 단일 카메라 깊이 완성 네트워크

S&CNet 자율 시스템과 3D 재구성 위한 단일 카메라 깊이 완성 네트워크

밀도 깊이 완성은 자율 시스템과 3D 재구성을 위해 필수적입니다. 이 논문에서는 효율성과 정확성 사이에서 좋은 균형을 이루는 경량화된 네트워크(S&CNet)를 제안합니다. 공간적 및 채널적 전역 범위 관계를 측정하기 위해 S&C 강화기라는 이중 스트림 주의 모듈을 도입하여 성능을 향상시킵니다. 이중 스트림 주의 모듈은 거친 추정 네트워크의 인코더와 디코더 사이에 삽입됩니다. 실험 결과는 제안된 접근법이 KITTI 데이터셋에서 기존 작업들과 경쟁적인 성능을 보여주지만 거의 4배 빠르다는 것을 입증합니다. S&C 강화기는 가산 계산 비용을 무시할 수 있을 정도로 적은 추가 비용으로 다른 기존 작업에 삽입되어 성능 향상을 크게 이룰 수 있습니다.

paper AI 요약
복잡한 실외 환경에서 자율 무인항공기 비행 제어를 위한 다중 작업 회귀 기반 학습 방법

복잡한 실외 환경에서 자율 무인항공기 비행 제어를 위한 다중 작업 회귀 기반 학습 방법

전 세계 드론 산업의 증가로 완전 자율 비행 드론의 가능성도 확대되었다. 본 논문은 특히 불규칙한 야외 환경에서 넓은 지역을 탐색하고 감시하는 작업에 사용되는 드론의 활용을 중심으로 연구를 진행했다. 이러한 환경의 주요 문제는 도로선이나 길 같은 구조화된 특징이 자율 비행을 돕지 못한다는 것이다. 본 논문에서는 End-to-End Multi-Task Regression-based Learning 접근법을 제안하여, GPS와 같은 추가 센서 없이 숲 아래에서 탐색과 항해를 위한 비행 명령을 정의할 수 있도록 하였다. 훈련 및 검증은 소프트웨어 인 루프 파이프라인을 사용하여 수행되며, 이는 최신 위치 추정 기법에 대한 상세한 평가를 가능하게 한다. 우리의 실험 결과는 제안된 접근법이 요구되는 탐색 범위 내에서 밀도 있는 탐사를 수행하고 더 넓은 탐색 영역을 커버하며, 이전에 보지 못했던 환경에도 일반화할 수 있고 현존하는 최고의 기술보다 우수하다는 것을 입증한다.

paper AI 요약
분산식 확률적 최적화와 그래디언트 추적 소개

분산식 확률적 최적화와 그래디언트 추적 소개

분산된 합 최소화에 대한 분산 해법은 많은 신호 처리, 제어 및 머신 러닝 애플리케이션에서 중요한 역할을 합니다. 이러한 환경에서는 데이터가 임의로 연결된 노드 네트워크에 분포되어 있으며 통신이나 개인 정보 보호 문제 때문에 원시 데이터 공유가 불가능한 경우가 많습니다. 본 논문에서는 분산 стоха스틱 최적화 방법을 검토하고 최근 개선 사항을 기반으로 그라디언트 추적 및 변동 감소에 초점을 맞추어 부드럽고 강하게 볼록한 목적 함수를 설명합니다. 주요 기술적인 아이디어의 직관적인 설명과 분산 머신 러닝 모델 학습에서 알고리즘의 활용 사례도 제공합니다.

paper AI 요약
효율적인 지식 그래프 정확성 평가

효율적인 지식 그래프 정확성 평가

지대한 규모의 지식 그래프(KG) 정확도를 추정하려면 그래프에서 샘플을 선택하여 인간이 주석을 달아야 합니다. KG 개발 사이클과 실용적인 응용 프로그램에 중요한 역할을 하는 동시에 인력 주석 비용을 최소화하면서 통계적으로 의미 있는 정확도 평가를 얻는 방법은 이전 연구에서 크게 간과되어 왔습니다. 이를 해결하기 위해 본 논문에서는 품질이 높고 통계적 보장이 강력한 정확도 평가를 제공하면서 인력 노력을 최소화하는 효율적인 샘플링 및 평가 프레임워크를 제안합니다. 실제 주석 비용 함수의 속성을 근거로 클러스터 샘플링을 사용하여 전체 비용을 줄이는 것을 제안하였습니다. 또한 가중치와 단계별 샘플링, 계층화 등을 적용하여 더 나은 샘플링 설계를 수행했습니다. 또한 진화하는 KG에 대한 효율적인 증분 평가를 가능하게 하기 위해 계층화 샘플링과 가중치 변형 리저버 샘플링을 기반으로 하는 두 가지 솔루션을 도입하였습니다. 실제 데이터 세트에서 진행된 광범위한 실험은 제안된 솔루션의 효과성과 효율성을 입증합니다. 기본 접근법과 비교했을 때, 우리의 최적 솔루션은 정정 KG 평가에 대해 60%까지 비용을 절감하고 진화하는 KG 평가에는 80%까지 비용을 줄일 수 있습니다. 이 모든 것이 평가 품질의 손실 없이 이루어집니다.

paper AI 요약
No Image

최소 통계적 정보 하에서의 강건한 수익 최대화

저희는 구매자가 m개의 아이템을 가질 때, 각각의 가치가 (가능하면 상관관계를 가지는) 사전 분포에서 나왔다고 가정하는 다차원 수익 극대화 문제를 연구합니다. 기존 베이지안 경매 설계와 달리 판매자가 이 사전에 대한 지식을 매우 제한적으로 가지고 있다고 가정합니다 아이템 각각의 마진 분포에서 평균 $ mu_j$와 표준 편차의 상한 $ sigma_j$만 알고 있습니다. 우리의 목표는 이 분포에 대해 완벽히 알 수 있는 이상적인 최적 경매에 대한 강건한 근사 비율을 달성하는 메커니즘을 설계하는 것입니다. 간단히 말하면, 저희의 주요 기여는 사전의 퍼짐과 상기 강건한 근사 비율 사이의 관계를 정확하게 측정하였습니다. 또한 이는 매우 단순한 판매 메커니즘으로 달성될 수 있습니다. 좀 더 구체적으로, 각각의 아이템을 별도 가격 로터리로 판매하는 것이 $O( log r)$ 근사 비율을 달성할 수 있으며, 여기서 $r= max_j( sigma_j/ mu_j)$는 아이템들 간의 최대 변이 계수입니다. 이 결과를 증명하기 위해 단일 아이템 사례에 대한 가격 로터리를 활용합니다. 만약 결정적 메커니즘으로 제한한다면, 보장은 $O(r^2)$로 떨어집니다. 아이템 가치의 독립성을 가정할 경우 이러한 비율을 전체 패키지 가격 설정을 통해 개선할 수 있습니다. 특히 동일 평균과 분산을 가질 때는 $O( log(r/m))$ 보장이 가능하며, 아이템 수가 크게 늘어날수록 최적에 수렴합니다. 이러한 메커니즘의 최적성을 증명하기 위해 일치하는 하한값을 제공하였습니다. 단일 아이템 결정 사례에 대한 우리의 깊은 분석은 Azar와 Micali [ITCS 13]에서 나온 열린 간격을 해결합니다. 부산물로, 저희의 상한을 직접 사용하여 이전에 Azar 등[SODA 13]에서 제시된 매개변수 경매 결과를 개선하고 확장할 수 있음을 보여줍니다.

paper AI 요약
No Image

열린 공장 스케줄링 게임

이 논문은 단위 실행 시간을 가진 오픈 샵 스케줄링 문제에서 완료 시간의 합을 최소화하기 위해 게임 이론적 접근 방법을 취한다. 초기 스케줄을 가정하고 각 작업(여러 개의 작업으로 구성)을 다른 플레이어와 연결함으로써, 우리는 어떤 오픈 샵 스케줄링 문제와 연관된 협동적 TU-게임을 구축할 수 있다. 우리는 연합이 허용되는 작업들의 재배치를 통해 얻을 수 있는 최대 비용 절감액을 할당한다. 핵심 배분을 제공함으로써, 관련 게임들이 균형 잡혀 있다는 것을 보여준다. 마지막으로, 우리는 연합의 허용 가능한 재배치 정의를 완화하여 여전히 균형이 유지되는 정도를 연구한다.

paper AI 요약
분산 합의 기술의 특성 -- 모든 블록체인이 진정한 블록체인인 이유는 무엇일까?

분산 합의 기술의 특성 -- 모든 블록체인이 진정한 블록체인인 이유는 무엇일까?

블록체인 기술 및 애플리케이션에 대한 연구는 빠르게 진행되고 있습니다. 그러나 나카모토의 비트코인 백서가 발표된 지 10년이 지난 지금도 이 분야는 여전히 미성숙하고 초기 단계에 머물러 있습니다. 현재 이 영역의 연구는 기술과 그 특성을 설명하는 용어에 대한 공통적으로 공유되는 이해와 합의가 부족한 상태입니다. 동시에 이러한 연구는 비트코인 코어 개념의 기본적인 측면을 도전하고 있습니다. 모든 이러한 새로운 접근 방식이 여전히 블록체인 기술이라고 설명할 수 있는지 질문해야 합니다. 우리는 이를 대체하기 위해 분산 합의 기술(DCT)이라는 일반 범주를 사용하자고 제안합니다. 분산 합의 기술은 분산 장부 기술과 비장부 기술로 구성됩니다. 블록체인 기술은 여러 가지 분산 장부 기술 구현 중 하나일 뿐입니다. 또한, 우리는 분산 합의 기술의 세 가지 주요 특징을 식별했습니다 분산화, 신뢰성 없음 및 최종적으로 합의에 도달할 수 있는 능력입니다. 특정 구현의 사용 사례에 따라 다음과 같은 추가 속성이 고려되어야 합니다 프라이버시, 참여 동기부여, 불가역성 및 변형 불능성, 운영 목적, 확인 시간, 거래 비용, 외부화된 거래 및 계산 능력, 확장 가능성.

paper AI 요약
초고속 상호연결망에서의 네트워크 과부하 연구

초고속 상호연결망에서의 네트워크 과부하 연구

고속 인터커넥트의 네트워크 혼잡은 애플리케이션 실행 시간 성능 변동의 주요 원인이다. 최근 학계와 산업계는 네트워크 수준에서 혼잡 제어 및 시스템 수준에서 애플리케이션 배치, 매핑 및 일정 조정을 위한 새로운 접근법 개발에 큰 관심을 보여왔다. 하지만 이러한 연구들은 실제 고속 인터커넥트의 혼잡 특성을 대표하지 못하는 프록시 애플리케이션과 벤치마크를 기반으로 하고 있다. 이 격차를 해소하기 위해, 우리는 (a) 장기적인 현장 혼잡 특성화 연구를 지원하기 위한 모니터링 및 분석을 위한 end-to-end 프레임워크와 (b) Cray Gemini(3-D 토러스 위상 사용)와 Cray Aries(DragonFly 위상 사용) 두 가지 다른 인터커넥트 기술에 걸친 피타스케일 시스템의 네트워크 혼잡에 대한 경험적 연구를 제시한다.

paper AI 요약
로봇 시스템에서 Painlevé 역설의 제어

로봇 시스템에서 Painlevé 역설의 제어

The Painlev e paradox is a phenomenon that causes instability in mechanical systems subjects to unilateral constraints. While earlier studies were mostly focused on abstract theoretical settings, recent work confirmed the occurrence of the paradox in realistic set-ups. In this paper, we investigate the dynamics and presence of the Painlev e phenomenon in a twolinks robot in contact with a moving belt, through a bifurcation study. Then, we use the results of this analysis to inform the design of control strategies able to keep the robot sliding on the belt and avoid the onset of undesired lift-off. To this aim, through numerical simulations, we synthesise and compare a PID strategy and a hybrid force/motion control scheme, finding that the latter is able to guarantee better performance and avoid the onset of bouncing motion due to the Painlev e phenomenon.

paper AI 요약
무한히 넓은 신경망을 사용한 정확한 계산에 관한 연구

무한히 넓은 신경망을 사용한 정확한 계산에 관한 연구

이 논문은 신경망의 학습 동안 가중치 매트릭스에 발생하는 작은 변화에도 불구하고, 신경망 커널 값이 거의 변하지 않는다는 것을 보여줍니다. 이는 초기 가중치가 무작위로 선택되었을 때, 신경망 커널 값이 네트워크의 가중치에 대해 градиент-Липшиц 이라는 성질을 갖는다는 사실을 이용합니다. 이러한 성질은 학습 동안 가중치 매트릭스가 초기 상태로부터 작은 변화만 겪게 함으로써, 신경망 커널 값의 안정성을 보장합니다.

paper AI 요약
추가제조 후처리를 위한 자동 지지구조물 제거 방법

추가제조 후처리를 위한 자동 지지구조물 제거 방법

추가 제조(AM) 과정은 종종 설계된 물체와 매우 유사한 형태를 만들어냅니다. 이 프로세스에서는 보통 부속 구조물(또는 스크래프olding이라고도 함)을 함께 생성하는데, 이러한 부속 구조물을 후처리 단계에서 제거해야 합니다. 우리는 멀티축 가공 도구를 사용하여 자동으로 부속 구조물 제거 프로세스 계획을 생성하는 접근법에 대해 설명합니다. 목표는 각 부속 구성 요소와 본체 사이의 접촉 영역을 분리하고, 진화 중인 near-net 형태와 남아 있는 부속 구성 요소를 피하면서 가장 비용 효율적인 순서로 제거하는 것입니다. 재귀 알고리즘은 해당 라운드에서 접근 가능한 각 부속 구성 요소의 본체 연결 영역을 식별하고, 그들의 접근 가능한 방향을 찾아냅니다. 이러한 모든 영역에 대해 접근 가능한 방향은 진화 중인 near-net 형태와 도구 조립체의 충돌이 없는 공간에서 섬유 로 나타납니다. 접근 가능한 부속 구성 요소를 제거하기 위해 알고리즘은 엣지가 섬유 사이의 리만 거리로 가중치가 부여된 탐색 그래프를 생성합니다. 가장 저렴한 프로세스 계획은 탐색 그래프에 대한 여행 상인 문제(TSP)를 해결하여 얻습니다. TSP를 통해 얻어진 구성 요소의 순서는 충돌이 없는 경로를 찾기 위한 움직임 계획자의 입력으로 사용되며, 이 경로를 이용해 모든 접근 가능한 특징을 방문할 수 있습니다. 이후 부속 구조물이 제거된 본체는 전통적인 가공 방법을 통해 설계한 형태와 같게 만들어집니다. 3D 벤치마크 예제를 통해 이 방법의 효과성을 입증합니다.

paper AI 요약
스파이크 기반의 그래프 알고리즘 원시 요소

스파이크 기반의 그래프 알고리즘 원시 요소

이 논문에서는 그래프 알고리즘과 그래픽 분석을 뉴로모픽 컴퓨팅 플랫폼의 새로운 응용 분야로 고려하고 있습니다. 우리는 스파이킹 신경세포의 비선형 동역학이 저수준 그래프 연산을 구현하는 데 어떻게 사용될 수 있는지 보여줍니다. 우리의 결과는 하드웨어에 무관하며, 정적 시냅스를 이용하거나 시냅스 가소성을 요구하는 다양한 루틴의 버전을 제시합니다.

paper AI 요약
딥 생성 모델을 활용한 근사 질의 처리

딥 생성 모델을 활용한 근사 질의 처리

데이터 생성 속도가 분석 능력을 초월하고 있습니다. 데이터베이스 커뮤니티는 근사 질의 처리(AQP) 기법을 개척해 정확한 결과를 계산하는 데 필요한 시간의 일부만으로 근사 결과를 제공할 수 있게 했습니다. 본 연구에서는 딥러닝(DL)을 활용하여 데이터 탐색 및 시각화와 같은 상호작용적인 응용 프로그램에서 집합 질의에 대답하는 방법을 탐구했습니다. 우리는 무감독 학습 기반 접근법인 딥 생성 모델을 사용해 데이터 분포를 충실하게 학습하여, 학습된 모델로부터 샘플을 생성함으로써 근사적으로 집합 질의에 대답할 수 있습니다. 이 모델은 종종 컴팩트한 크기(수백 KB)로 이루어져 있어 임의의 AQP 질의를 데이터베이스 서버와 통신하지 않고 클라이언트 측에서 처리할 수 있습니다. 또한, 우리는 모델 편향을 식별하고 이를 거부 샘플링 기반 접근법과 AQP를 위한 모델 연합 알고리즘을 통해 최소화하는 데 중점을 두었습니다. 우리의 광범위한 실험 결과는 제안된 접근법이 높은 정확도와 낮은 대기 시간으로 답변을 제공할 수 있음을 보여줍니다.

paper AI 요약
해석 가능성에서 추론까지 보편적 근사기의 추정 프레임워크

해석 가능성에서 추론까지 보편적 근사기의 추정 프레임워크

우리는 범용 근사자를 포함하는 광범위한 모델 클래스에 대한 추정과 유추를 위한 새로운 프레임워크를 제시합니다. 추정은 모델 예측을 Shapley 값으로 분해하는 방식을 기반으로 합니다. 유추는 개별 Shapley 구성 요소의 편향 및 변동성 특성을 분석하는 데 의존합니다. 우리는 Shapley 값 추정이 점근적으로 편향되지 않는다는 것을 보여주며, 잡음만 있는 데이터에서 진짜 데이터 생성 과정을 밝혀내는 도구로 Shapley 회귀를 소개합니다. 모델이 매개변수에 대해 선형일 때 알려진 선형 회귀의 경우가 우리의 프레임워크의 특수한 사례입니다. 이론적, 수치적 및 경험적인 결과를 편차 있는 처리 효과 추정의 예로 제시했습니다.

paper AI 요약
지능형 지식 분배 리소스 인식 다중 에이전트 커뮤니케이션을 위한 제약 조건 액션 POMDPs

지능형 지식 분배 리소스 인식 다중 에이전트 커뮤니케이션을 위한 제약 조건 액션 POMDPs

이 논문은 다중 에이전트 지식 분배의 기본적인 문제를 다루고 있습니다. 각 에이전트가 가진 제한된 자원을 고려할 때 어떤 정보를 언제, 누구에게 전송해야 하는지에 대한 문제입니다. 다중 에이전트 시스템은 정확한 환경 상태와 다른 에이전트의 상태를 유지하려면 높은 통신 요구사항이 필요합니다. 네트워크 시스템에서 다중 에이전트 조정이 파급하는 영향을 줄이기 위해, 이 논문에서는 부분적으로 관찰 가능한 마코프 의사결정 과정(POMDPs)에 두 가지 개념을 도입하고 있습니다 1) 행동 기반 제약 조건으로 구성된 제약 행위 POMDPs (CA-POMDPs); 그리고 2) 무한 시간 지평 컨트롤러를 위한 소프트 확률적 제약 조건 충족. 무한 시간 지평 분석을 가능하게 하기 위해, 먼저 제약 없는 정책은 유한 상태 컨트롤러(FSC)로 표현되고 정책 반복을 통해 최적화됩니다. FSC 표현은 마르코프 연쇄 몬테카를로와 이산 최적화의 조합으로 컨트롤러의 확률적 제약 충족을 향상시키며 가치 함수에 미치는 영향을 최소화하는 데 사용됩니다. CA-POMDP 프레임워크 내에서 우리는 각 에이전트 간 지식 분배를 위한 정책을 제공하는 지능형 지식 배분(IKD)을 제안합니다. 마지막으로, CA-POMDP와 IKD 개념은 여러 무인 항공기(UAVs)가 다양한 센서를 사용하여 재난 지역에서 보이지 않는 장애물을 피하기 위해 지상 자산의 위치를 정확히 파악하는 자산 추적 문제로 검증되었습니다. IKD 모델은 다중 에이전트 통신을 통해 자산 추적을 유지하면서 전력과 대역폭 제약 조건을 3%만 위반한 반면, 탐욕스러운 및 무지의 접근법은 제약 조건을 60% 이상 위반했습니다.

paper AI 요약
통신 효율적인 연방 딥러닝 비동기 모델 업데이트와 시간 가중치 집합

통신 효율적인 연방 딥러닝 비동기 모델 업데이트와 시간 가중치 집합

연방 학습은 클라이언트에서 로컬로 훈련된 모델을 집계하여 서버에 중앙 모델을 얻는다. 따라서 연방 학습은 클라이언트가 데이터를 서버에 업로드할 필요 없이 클라이언트의 데이터 프라이버시를 보호한다. 연방 학습에서 하나의 도전 과제는 클라이언트-서버 통신을 줄이는 것이다. 왜냐하면 종단 장치는 일반적으로 매우 제한적인 통신 대역폭을 가지고 있기 때문이다. 본 논문은 클라이언트에서 동기식 학습 전략을 사용하고 서버에서는 로컬 모델의 시간 가중 집계를 도입하여 개선된 연방 학습 기술을 제안한다. 비동기 학습 전략에서는 딥 뉴럴 네트워크의 서로 다른 계층이 얕은 계층과 깊은 계층으로 분류되며, 깊은 계층의 파라미터는 얕은 계층의 파라미터보다 덜 자주 업데이트된다. 또한 서버에서는 이전에 훈련된 로컬 모델을 활용하기 위해 시간 가중 집계 전략이 도입되어 중앙 모델의 정확도와 수렴성을 향상시킨다. 제안된 알고리즘은 두 가지 데이터셋과 다양한 딥 뉴럴 네트워크를 사용하여 실험적으로 평가된다. 우리의 결과는 제안된 비동기 연방 딥 학습이 통신 비용과 모델 정확도 측면에서 기준 알고리즘보다 우수함을 보여준다.

paper AI 요약
[한글 번역 중] Analysis of the $( mu/ mu_I, lambda)$-CSA-ES with Repair by Projection Applied to a Conically Constrained Problem

[한글 번역 중] Analysis of the $( mu/ mu_I, lambda)$-CSA-ES with Repair by Projection Applied to a Conically Constrained Problem

Theoretical analyses of evolution strategies are indispensable for gaining a deep understanding of their inner workings. For constrained problems, rather simple problems are of interest in the current research. This work presents a theoretical analysis of a multi-recombinative evolution strategy with cumulative step size adaptation applied to a conically constrained linear optimization problem. The state of the strategy is modeled by random variables and a stochastic iterative mapping is introduced. For the analytical treatment, fluctuations are neglected and the mean value iterative system is considered. Non-linear difference equations are derived based on one-generation progress rates. Based on that, expressions for the steady state of the mean value iterative system are derived. By comparison with real algorithm runs, it is shown that for the considered assumptions, the theoretical derivations are able to predict the dynamics and the steady state values of the real runs.

paper AI 요약
이종 라우팅 게임에서 사용자 균형의 안정성에 관하여

이종 라우팅 게임에서 사용자 균형의 안정성에 관하여

이 연구에서는 이질적인 경로 게임에서 결정론적 로짓 동역학의 근사적 행동을 분석한다. 특히, 병렬 경로가 있는 방향 다중 그래프와 그러한 다중 그래프의 직렬 조합에서 동역학은 전역적으로 점근적으로 안정된 고정점을 갖는다는 것을 증명하였다. 또한, 노이즈가 사라질 때 동역학의 유일한 고정점은 Wardrop 균형 집합에 접근한다. 이 결과는 동역학의 총 흐름이 단조성과 그 제이코비안(Jacobian)이 열(column)에 대해 엄격하게 대각 우세(diagonally dominant)라는 사실을 기반으로 한다.

paper AI 요약
아날로그 NVM 크로스바에 배포를 위한 DNN IoT 애플리케이션 훈련

아날로그 NVM 크로스바에 배포를 위한 DNN IoT 애플리케이션 훈련

에너지 효율성, 보안 및 프라이버시에 대한 추세는 최근 딥러닝 네트워크(DNNs)를 마이크로컨트롤러에 배포하는 데 초점을 맞추게 되었습니다. 그러나 계산 및 메모리 자원의 제약으로 인해 이러한 시스템에서 배포 가능한 ML 모델의 크기와 복잡성이 제한됩니다. 저항성 비휘발성 메모리(NVM) 기술을 기반으로 하는 컴퓨테이션-인-메모리(CIM) 아키텍처는 현대 DNN에 내재된 고성능 및 저전력 요구사항을 충족시키는 데 큰 희망을 제공합니다. 그러나 이러한 기술들은 여전히 미숙하고, 본질적인 아날로그 영역 노이즈 문제와 NVM 구조에서 음수 가중치를 표현할 수 없는 문제가 있습니다. 이로 인해 크로스바의 크기가 커지고, ADC와 DAC에 부정적 영향을 미칩니다. 본 논문에서는 이러한 과제들을 해결하기 위한 훈련 프레임워크를 제공하고 회로 수준에서 얻어진 효율성 증가를 정량적으로 평가합니다. 두 가지 기여를 제안합니다 첫째, 개별 DNN 계층의 튜닝을 필요로 하지 않는 훈련 알고리즘으로 각 계층의 가중치와 활성화에 일관성을 보장하여 아날로그 블록 재사용과 주변 하드웨어를 크게 줄입니다. 둘째, NAS 방법론을 사용하여 단극 가중치(모두 양수 또는 모두 음수) 행렬/서브행렬의 사용을 제안합니다. 가중치 단극성은 크로스바 영역을 두 배로 늘릴 필요를 없애고 아날로그 주변 장비를 간소화합니다. CIFAR10과 HAR 애플리케이션에 대한 검증 결과, 4비트 및 2비트 장치를 사용하여 크로스바로 매핑했을 때 95%의 부동소수점 정확도에서 2비트 양수 가중치만으로 92.91%의 정확도를 달성했습니다. 제안된 기법의 조합은 80%의 면적 개선과 최대 45%의 에너지 감소를 가져왔습니다.

paper AI 요약
가상현실에서의 지도와 구체

가상현실에서의 지도와 구체

이 논문은 가상현실(VR)에서 세계 지도를 시각화하는 다양한 방법을 탐색합니다. 다음의 네 가지 시각화를 비교했습니다 (a) 사용자의 관점이 구체 바깥에 있는 3D 외관 구체, (b) VR 평면에 렌더링된 평평한 지도, (c) 사용자의 관점이 구체 안쪽에 있는 3D 내관 구체, (d) 사용자를 중심으로 굴곡을 이루는 구형 부분에 프로젝션 된 굽은 지도. 이 네 가지 시각화 모두에서는, 표준 VR 손잡이 컨트롤러를 통해 지리적 중심을 부드럽게 조정할 수 있으며, 사용자는 헤드셋 트래킹 기능을 활용해 실제 움직임으로 시각화 주변을 이동할 수 있습니다. 거리 비교에서는 외관 구체가 내관 구체와 평평한 지도보다 더 정확했습니다. 면적 비교에서는 외관 및 내관 구체가 평평한 지도와 굽은 지도보다 더 많은 시간이 필요했습니다. 방향 추정에서는 외관 구체가 다른 시각화 방법들보다 더 정확하고 빨랐습니다. 연구 참여자들은 약간의 선호를 보인 외관 구체를 나타냈습니다. 일반적으로 굽은 지도는 평평한 지도에 비해 이점을 가졌으며, 거의 모든 경우에서 내관 구체가 가장 효과적이지 않은 시각화로 발견되었습니다. 전체적으로 우리의 결과는 혼합현실 환경에서 지리적 시각화에 외관 구체의 사용을 지원합니다.

paper AI 요약
로봇 중재 지원그룹에서의 신뢰동태 사용자 연구

로봇 중재 지원그룹에서의 신뢰동태 사용자 연구

사회적 보조 로봇은 사람들이 사회적 환경에서 그룹과 상호작용할 때의 그룹 동태를 개선하는 잠재력을 가지고 있습니다. 이 연구는 새로운 맥락인 로봇 중개 지원 그룹에서 신뢰 동태에 대한 이해를 높이기 위한 사용자 연구를 통해 이러한 동태를 이해하는데 기여합니다. 본 연구에서는 로봇 중개 지원 그룹을 위한 새로운 프레임워크를 개발하고 검증하였습니다. 다수의 참가자가 있는 환경에서 상호 신뢰를 평가하기 위해 2인용 신뢰 척도를 구현하였고, 이는 단일 요인이며 적절한 일반적인 신뢰 측정 기준으로 확인되었습니다. 본 연구 결과는 그룹 상호작용 세션 후 평균 상호 신뢰가 크게 증가했음을 보여주며, 질적 사후 인터뷰 자료에서는 참가자들이 상호작용을 유익하게 느끼고 서로를 지원하고 배울 수 있었다고 보고하였습니다. 본 연구 결과는 로봇 중개 지원 그룹이 처음 만나는 사람들 사이의 신뢰를 개선할 수 있고, 학업 스트레스에 대한 지원을 공유하고 받을 수 있음을 검증합니다.

paper AI 요약
회로 전압 변환기의 그레이-박스 식별을 위한 다목적 진화 접근법

회로 전압 변환기의 그레이-박스 식별을 위한 다목적 진화 접근법

본 연구는 연속 전도 모드에서 작동하는 실제 DC-DC 부커 컨버터의 간단한 그레이 박스 식별 접근 방법을 제안한다. 관찰된 동적 데이터에 대한 정보 부족 문제, 특히 상대적으로 좁은 입력 범위에서 얻어진 경우에 대해 해결하기 위해 부커 컨버터의 알려진 정적 특성을 사전 지식으로 활용한다. 후보 모델들의 정적 응답을 결정하는 간단한 방법을 개발하였고, 이 개념은 용어 클러스터의 개념을 기반으로 한다. 정적 행동에서 발생하는 오차는 구조 선택을 위한 다목적 프레임워크에 직접 통합된다. 본질적으로 제안된 접근 방식은 모델 생성의 편향-분산 딜레마를 균형 있게 조정하면서 사전 지식을 명시적으로 구조 선택 과정에 통합하는 다목적 프레임워크로 그레이 박스 식별 문제를 재구성한다. 실제 부커 컨버터의 경우를 고려한 연구 결과는 넓은 입력 범위에서 시스템의 동적 및 정적 행동을 모두 포착할 수 있는 경제적인 모델을 식별할 수 있음을 보여준다.

paper AI 요약
저장 또는 무저장 지역 에너지 시장에서 재생에너지 공급업체의 이중독점 경쟁

저장 또는 무저장 지역 에너지 시장에서 재생에너지 공급업체의 이중독점 경쟁

이 논문은 에너지 저장 시설을 갖추거나 그렇지 않은 재생 가능 에너지 공급업체 간의 지역 에너지 시장에서의 이중 독점 경쟁을 연구합니다. 저장 설비 투자는 재생 가능 에너지 공급 업체들의 출력 안정화를 가져올 수 있지만, 대규모 투자 비용뿐만 아니라 몇 가지 예상치 못한 시장 결과도 초래할 수 있습니다. 재생 가능 에너지 공급업체 간의 저장 설비 투자의 균형을 연구하기 위해 우리는 공급자와 소비자 간의 상호 작용을 3단계 게임 이론 모델로 모델링합니다. 제1단계에서 투자 기간의 시작 부분에, 공급자가 저장 설비를 투자할지 여부를 결정합니다. 이러한 결정이 이루어진 후 각 날짜의 일차 시장에서 공급자는 제2단계에서 경매 가격과 양을 결정하고, 이에 따라 소비자는 제3단계에서 각 공급자로부터 구입하는 전기량을 결정합니다. 실시간 시장에서는 실제 발전이 약속한 수준보다 부족하면 공급자가 처벌받습니다. 우리는 제2단계의 가격-양 경쟁 균형을 특성화하고, 제1단계에서 저장 투자 균형을 전기 판매 수익과 저장 비용을 포함하여 특성화합니다. 직관에 반해 재생 가능 에너지의 불확실성이 저장 설비 투자 없이 공급자의 이익을 안정적인 발전보다 더 높일 수 있다는 것을 보여줍니다. 시뮬레이션은 경쟁으로 인한 결과를 더욱 설명합니다. 예를 들어, 약속하지 않은 경우의 제재가 높거나 저장 비용이 높거나 소비자의 수요가 낮을 때 공급자의 이익이 증가할 수도 있습니다. 또한 우리는 저장 설비 투자가 공급자의 이익을 늘릴 수 있지만, 먼저 투자한 공급자는 안정화를 선택하지 않은 free-rider 경쟁사보다 더 적게 혜택을 받을 수 있다는 것을 보여줍니다.

paper AI 요약
사이버 범죄 완화를 위해 정보 보안과 환경 범죄학 연구 연결하기

사이버 범죄 완화를 위해 정보 보안과 환경 범죄학 연구 연결하기

사이버 범죄는 기술적 측면과 인간 측면을 모두 포함하는 복잡한 현상입니다. 따라서 정보 보안 커뮤니티와 환경범죄학 연구가 각각 다른 관점에서 이 문제를 연구해 왔습니다. 과거 몇 년 동안 이러한 두 연구 분야는 큰 규모의 작업을 수행했지만, 서로 독립적으로 진행되어 한쪽의 연구진이 다른 쪽의 연구 진전을 활용하지 못한 경우가 많았습니다. 본 논문에서는 정보 보안 커뮤니티가 환경범죄학에서 개발된 이론과 체계적인 프레임워크를 참고하여 사이버 범죄에 대한 더 나은 대책을 개발하는 것이 유익하다고 주장합니다. 이를 위해, 본 논문에서는 환경범죄학의 연구 및 그 원리가 사이버 범죄에 어떻게 적용되는지 설명하고, 정보 보안 분야에서 제시된 몇 가지 연구를 조사하며 명확한 병행성을 제시합니다. 또한 사이버 공간을 정의하는 프레임워크를 제시하여 환경범죄학과 정보 보안 분야의 협업을 확대하고자 합니다.

paper AI 요약
내 감정을 느끼다 게임에서의 이론적 마음 실험

내 감정을 느끼다 게임에서의 이론적 마음 실험

이 연구에서는 게임 플레이어의 이론적 마음 상태와 에이전트의 행동, 그리고 플레이어 자신의 성능과 감정이 어떤 스트레스 반응을 인식하는 데 어떻게 영향을 미치는지 조사했습니다. 특히 인간-컴퓨터 상호작용에서 일반적인 감정 경험인 스트레스 반응에 초점을 맞추었습니다. 이를 위해 플레이어가 경쟁하는 에이전트의 스트레스 모델을 기반으로 한 게임 테스트베드를 만들었고, 플레이어의 성능 데이터와 에이전트의 스트레스 인식에 대한 주석을 수집했습니다. 또한 얼굴 인식을 사용하여 플레이어 감정 상태를 추정하였습니다. 수집된 데이터는 상관분석과 예측 기계 학습 모델을 통해 분석되었으며, 결과적으로 플레이어의 관찰 가능한 감정이 에이전트의 스트레스 인식과 높은 상관관계가 없음을 발견했습니다. 이는 주제에 대한 우리의 이론적 마음 상태가 게임플레이 맥락을 기반으로 하는 인지 과정이라는 것을 시사합니다. 예측 모델을 사용한 결과, 플레이어의 이론적 마음 상태를 중등도로 정확하게 예측할 수 있음을 확인했습니다.

paper AI 요약
지연 없음 네트워크 지연에 기반한 애플리케이션 성능 인식 클러스터 스케줄링

지연 없음 네트워크 지연에 기반한 애플리케이션 성능 인식 클러스터 스케줄링

데이터 센터에서 관찰되는 네트워크 지연의 변동성으로 인해 애플리케이션의 성능은 데이터 센터 내에서의 위치에 의해 결정됩니다. 우리는 NoMora라는 클러스터 스케줄링 아키텍처를 제시합니다. 이 아키텍처의 핵심은 네트워크 지연을 기반으로 한, 애플리케이션 성능을 고려하는 클러스터 스케줄링 정책입니다. 이 정책은 데이터 센터 내에서 호스트 간 측정된 네트워크 지연에 근거한 예상 성능을 반영하여 애플리케이션의 작업을 배치합니다. 또한, 테넌트의 애플리케이션이 높은 네트워크 지연으로 인해 성능이 저하되면 더 나은 위치로 이동시킬 수 있습니다. 초기 결과는 우리의 정책이 전체 평균 애플리케이션 성능을 최대 13.4% 향상시키며, 사전 중단(preemption)이 활성화된 경우 최대 42%까지 향상시킬 수 있음을 보여줍니다. 이는 Google 클러스터 작업 부하에 대해 무작위 정책에 비해 작업 배치 지연을 1.79배로, 중앙값 알고리즘 실행 시간을 1.16배로 개선했습니다. 이는 애플리케이션 성능을 향상시키기 위해 네트워크 지연과 애플리케이션 성능 간의 관계를 활용하고 데이터 센터에서의 현재 네트워크 상태를 고려하면서, 저지연 클러스터 스케줄링의 요구사항을 충족시키는 것을 보여줍니다.

paper AI 요약
기하학적 구조 지식 그래프 기초 모델

기하학적 구조 지식 그래프 기초 모델

구조적 지식 그래프 기반 모델은 완전히 새로운 그래프와 보지 못한 엔티티 및 관계에 대한 추론을 일반화하는 것을 목표로 합니다. Ultra와 같은 현존 접근법의 한 가지 제약은 메시지 패싱에서 단일 관계 변환(예 원소별 곱셈)에 의존하는 것입니다. 이는 표현력을 제한하고 다양한 그래프에서 나타나는 다양하고 복잡한 관계 및 구조적 패턴을 포착하지 못하게 합니다. 본 논문에서는 Gamma라는 새로운 기반 모델을 제안하며, 지식 그래프 추론에 다중 헤드 기하학적 주의를 도입합니다. Gamma는 단일 관계 변환을 여러 개의 병렬 변환으로 대체하고 있습니다. 여기에는 실수, 복소수, 분할 복소수 및 이중 수 기반 변환이 포함되며 각각은 서로 다른 관계 구조를 모델링하도록 설계되었습니다. 관계 조건 주의 융합 메커니즘은 경량 게이팅과 엔트로피 정규화를 통해 링크 수준에서 이를 적응적으로 융합하여 각 트리플 패턴에 가장 적절한 관계 편향을 강조할 수 있게 합니다. 이러한 대수적 메시지 함수의 전체적인 형식화와 그 조합이 단일 공간을 넘어서 표현력을 높이는 방법을 논합니다. 다양한 지식 그래프에 대한 포괄적인 실험은 Gamma가 제로샷 인덕티브 링크 예측에서 Ultra를 일관되게 능가하며, 평균 역순위 등급에서 5.5%의 향상과 모든 벤치마크에서 4.4%의 향상을 보여줍니다.

paper AI 요약
[한글 번역 중] Viability and Performance of a Private LLM Server for SMBs A Benchmark Analysis of Qwen3-30B on Consumer-Grade Hardware

[한글 번역 중] Viability and Performance of a Private LLM Server for SMBs A Benchmark Analysis of Qwen3-30B on Consumer-Grade Hardware

대형 언어 모델(LLM)의 확산은 클라우드 기반, 전roprietary 시스템에 대한 의존성을 높였으며, 이는 데이터 프라이버시, 운영 주권 및 증가하는 비용과 같은 중요한 문제를 야기하고 있습니다. 본 논문에서는 소규모 중소기업(SMBs)이 부담할 수 있는 비용으로 고성능 사설 LLM 추론 서버를 배치하는 것이 가능하다는 것을 조사합니다. 우리는 Qwen3 기반의 양자화된 300억 매개변수 Mixture-of-Experts(MoE) 모델을 다음 세대 NVIDIA GPU가 장착된 소비자 등급 서버에서 호스팅하는 종합적인 벤치마크 분석을 제시합니다. 클라우드 기반 서비스와 달리, 우리의 접근 방식은 비용이 적게 들고 프라이빗한 솔루션을 제공하며 복잡한 통합이 필요하지 않습니다. 모델의 내재적 능력과 서버가 부하를 받는 상황에서의 성능 두 가지 차원을 평가합니다. 모델 성능은 학계 및 산업 표준에 대해 벤치마킹하여 클라우드 서비스와 비교할 수 있는 추론 및 지식 측면에서 정량화됩니다. 동시에, 동시 사용자 수가 증가함에 따라 레이턴시, 초당 토큰, 첫 번째 토큰 생성 시간 등을 통해 서버 효율성을 측정합니다. 우리의 결과는 부가 가치 있는 온프레미스 설정을 갖춘 새로운 소비자 하드웨어와 양자화 오픈소스 모델이 클라우드 기반 서비스와 비교할 수 있는 성능을 달성하며, 프라이버시 침해 없이 SMBs가 강력한 LLM을 배치하는 데 있어 실현 가능한 경로를 제공함을 보여줍니다.

paper AI 요약
다중모달 기능 최대 상관성을 이용한 감정 인식

다중모달 기능 최대 상관성을 이용한 감정 인식

감정 상태는 중추신경계와 자율신경계를 통해 일관되지만 다양한 생리 반응으로 나타나며, 이는 감성 컴퓨팅 분야에서 다중 모달 표현 학습에 근본적인 도전 과제를 제공합니다. 이러한 공동 동적을 학습하는 것은 감정 주석의 부족과 주관성이 더욱 복잡하게 만듭니다. 이를 해결하기 위해 자가 지도 학습(SSL)이 사용되지만, 대부분의 기존 SSL 접근법은 두 가지 모달 사이의 쌍방향 정렬 목표에 의존하여 세 개 이상의 모달 간 의존성을 설명하거나 조정된 뇌와 자율 반응에서 발생하는 고차원 상호작용을 포착하지 못합니다. 이를 해결하기 위해 우리는 다중 모달 기능 최대 상관(MFMC)을 제안합니다. 이는 쌍방향 대조 손실에 의존하지 않고 직접적인 공동 다중 모달 상호 작용을 포착하는 듀얼 총 상관(DTC) 목표를 통해 고차원 다중 모달 종속성을 최대화하는 원칙적인 SSL 프레임워크입니다. 실험은 세 개의 공개 감성 컴퓨팅 벤치마크에서 MFMC이 주제에 따라 의존하고 주제 독립 평가 프로토콜 모두에서 우수한 성능을 일관되게 달성함을 보여줍니다. 특히, CEAP-360VR의 주제에 따른 정확도는 78.9%에서 86.8%, 자율 신경반응만으로 주제 독립 정확도는 27.5%에서 33.1%로 향상되었습니다.

paper AI 요약
병리 이미징-MRI 합성의 분리된 편차 확산을 통한 PathoSyn

병리 이미징-MRI 합성의 분리된 편차 확산을 통한 PathoSyn

PathoSyn을 제시합니다. PathoSyn은 영상-병리학적 자기공명영상(MRI) 합성에 사용되는 통합 생성 프레임워크로, 안정적인 해부학적 다양체 위에서 분리된 추가 편차를 재구성하는 방식으로 문제를 접근합니다. 현재의 생성 모델은 전역 픽셀 도메인을 기반으로 작동하거나 이진 마스크에 의존하는데, 이러한 패러다임들은 종종 특징이 얽혀있어 해부학적 기반의 손상이나 구조적 불연속성을 초래합니다. PathoSyn은 합성 작업을 결정론적인 해부학 재구성과 확률론적인 편차 모델링으로 분해함으로써 이러한 한계를 해결합니다. 이 프레임워크의 중심에는 경로-공간 확산 모델이 있으며, 조건부 병리학적 잔차의 분포를 학습하여 국소적 강도 변동을 포착하면서 동시에 전역 구조적 정합성을 유지하도록 설계되었습니다. 공간적 일관성을 보장하기 위해 확산 과정은 틈을 인식하는 융합 전략과 추론 시 안정화 모듈로 결합되어, 경계 영역의 아트팩트를 억제하고 내부 종양 이질성이 높은 신뢰도를 가진 합성 데이터세트 생성이 가능하게 합니다. PathoSyn은 저데이터 환경에서 강력한 진단 알고리즘 개발을 촉진하는 수학적으로 원칙적인 파이프라인을 제공하며, 해석 가능한 역설적 질병 진행 모델링을 허용함으로써 정밀 치료 계획 지원 및 임상 의사결정 지지 시스템의 벤치마킹 환경을 제공합니다. 종양 영상 벤치마크에 대한 양적 및 질적 평가 결과 PathoSyn은 전반적인 확산과 마스크 조건화 기준보다 퍼셉트UAL 현실성 및 해부학적 정합성을 크게 뛰어넘는 것으로 나타났습니다. 이 작업의 소스 코드는 공개될 예정입니다.

paper AI 요약
URLLC 산업용 IoT 네트워크를 위한 연관 링크 적응 및 장치 스케줄링 접근법 DRL 기반 방법과 베이지안 최적화 이용

URLLC 산업용 IoT 네트워크를 위한 연관 링크 적응 및 장치 스케줄링 접근법 DRL 기반 방법과 베이지안 최적화 이용

본 논문에서는 채널 상태 정보(CSI)가 불완전한 상황에서 다중 장치 동적 초신뢰성 저지연 통신(URLLC)을 지원하는 산업 인터넷-of-things(IIoT) 네트워크를 고려합니다. 전체 전송률 최대화와 엄격한 블록 오류율(BLER) 제약 조건 하에서 링크 적응(LA)과 장치 스케줄링(순서 포함)을 통합 설계하는 것을 목표로 합니다. 특히, 불완전한 CSI에 기반하여 서비스할 장치의 순서와 해당 모듈레이션 및 부호화 방식(MCS)을 자동으로 결정하기 위해 베이지안 최적화(BO)를 주도하는 트윈 지연 심층 결정 정책 경사(TD3) 방법론을 제안합니다. CSI의 불완전성, URLLC 네트워크에서 발생하는 샘플 균형 문제 및 TD3 알고리즘의 매개변수 민감성은 알고리즘의 수렴 속도와 신뢰성을 저하시키는 요인입니다. 이러한 문제를 해결하기 위해 BO 기반 학습 메커니즘을 제안하여 수렴 속도 향상과 균형 샘플 추적에 대한 더 안정적인 학습 방향 및 샘플 선택 방법을 제공합니다. 광범위한 시뮬레이션을 통해 제안된 알고리즘이 기존의 해결책보다 더 빠른 수렴 속도와 더 높은 총 전송률 성능을 보여주는 것을 입증했습니다.

paper AI 요약
PyBangla at BLP-2025 Task 2 반복적 자가 보정과 다언어 에이전트를 활용한 방나미어에서 파이썬 코드 생성 향상

PyBangla at BLP-2025 Task 2 반복적 자가 보정과 다언어 에이전트를 활용한 방나미어에서 파이썬 코드 생성 향상

LLMs는 영어 프롬프트를 이용한 코드 생성에서 뛰어난 성능을 보여주지만, 이 성과가 저자원 언어로 확장되지 않았다. 본 연구에서는 Bangla-to-Python 코드 생성 문제에 대응하기 위해 BanglaCodeAct라는 에이전트 기반 프레임워크를 도입한다. 이 프레임워크는 다중 에이전트 프롬프팅과 반복적 자기 수정을 활용하며, 과거의 특정 작업에 대한 미세 조정에 의존하는 접근 방식과 달리 오픈 소스 다언어 LLM을 사용해 사고-코드-관찰 루프를 구현한다. 이를 통해 Bangla 지시사항으로부터 동적 코드 생성, 테스트 및 정교화가 가능하다. 여러 개의 작은 파라미터 오픈 소스 LLM들을 벤치마킹하고 mHumanEval 데이터셋에서 Bangla NL2Code 작업에 대한 성능을 평가한다. 실험 결과 Qwen3-8B를 BanglaCodeAct와 함께 배포할 경우, 개발 세트에서는 94.0%의 정확도, 블라인드 테스트 세트에서는 71.6%의 정확도를 달성하는 것으로 나타났다. 이러한 결과는 Bangla-to-Python 번역에서 새로운 벤치마크를 설정하고, 저자원 언어의 안정적인 코드 생성을 위한 에이전트 기반 추론의 잠재력을 강조한다.

paper AI 요약
Causify DataFlow 고성능 머신러닝 스트림 컴퓨팅을 위한 프레임워크

Causify DataFlow 고성능 머신러닝 스트림 컴퓨팅을 위한 프레임워크

본 논문에서는 무제한 시간 시리즈 데이터에 대한 고성능 머신 러닝 시스템을 구축, 테스트 및 배포하기 위한 계산 프레임워크인 DataFlow를 제시합니다. 전통적인 데이터 과학 워크플로는 유한한 데이터 세트를 가정하며, 배치 프로토타입에서 스트리밍 생산 시스템으로 이동할 때 상당한 재구현이 필요합니다. 이러한 간극은 인과성 위반, 배치 경계 아티팩트 및 실시간 실패의 복제 불량을 초래합니다. DataFlow는 포인트-인-타임-idempotency를 기반으로 한 유니파이드 실행 모델을 통해 이러한 문제를 해결합니다 시간 t에서의 출력은 t 이전에 고정된 길이 컨텍스트 윈도우에 의존합니다. 이 보장은 배치 모드에서 개발된 모델이 코드 변경 없이 스트리밍 프로덕션에서 동일하게 실행되도록 합니다. 프레임워크는 모든 변환을 통해 지식 시간을 자동으로 추적하여 미래 킥팅 버그를 제거합니다. DataFlow는 타임과 피처 차원에 걸친 유연한 타일링을 지원하며, 같은 모델이 구성만으로 다른 주파수 및 메모리 프로필에서 작동할 수 있습니다. Python 데이터 과학 스택과 원래 통합되어 있으며, 온라인 학습을 위한 fit/predict 세마틱스, 캐싱 및 증분 계산, DAG 기반 스케줄링을 통해 자동 병렬화를 제공합니다. 우리는 금융 거래, IoT, 사기 탐지 및 실시간 분석 등 다양한 도메인에서 그 효과를 입증합니다.

paper AI 요약
랜덤 멀티플렉싱

랜덤 멀티플렉싱

무선 통신 응용 프로그램이 전통적인 다중 경로 환경에서 무인 항공기와 같은 고 이동성 시나리오로 진화함에 따라, 다중화 기술도 함께 발전해 왔습니다. 전통적인 단일 주파수 영역 동등화(Single-Carrier Frequency-Domain Equalization, SC-FDE) 및 직교 주파수 분할 다중화(Orthogonal Frequency-Division Multiplexing, OFDM)는 직교 시간-주파수 공간(Orthogonal Time-Frequency Space, OTFS)과 아핀 주파수 분할 다중화(Affine Frequency Division Multiplexing, AFDM)와 같은 신개념 기술로 대체되고 있습니다. 이러한 접근법은 효과적인 채널을 대각화하거나 희소화하여 저 복잡도 감지가 가능하게 합니다. 그러나 이러한 구조에 대한 의존성 때문에 동적이고 실세계 환경에서의 견고성이 크게 제한됩니다. 이 문제를 해결하기 위해, 본 논문은 물리적인 채널로부터 분리된 무작위 다중화 기술을 연구합니다. 이는 임의의 노름-유계 및 스펙트럼 수렴 채널 매트릭스에 적용할 수 있습니다. 무작위 다중화는 랜덤 변환 영역에서 동등한 입력-이방성 채널 매트릭스를 구성하여 전송 신호의 통계적 흐려진 채널 에르고딕성을 달성합니다. 이 방법은 선형 시스템에 대한 AMP 유형 감지기의 복사본 MAP 비트 오류율(BER) 최적화를 보장하며, 임의의 노름-유계 및 스펙트럼 수렴 채널 매트릭스와 신호 구성에 대해 고유한 고정점 가정 하에 적용됩니다. 저 복잡도 크로스 도메인 메모리 AMP(CD-MAMP) 감지기가 시간 영역 채널의 희소성과 동등 채널의 무작위성을 활용하는 것을 고려합니다. 최적의 전력 할당이 미니미즈된 복사본 MAP BER와 랜덤 다중화 시스템의 제약된 용량을 최대화하기 위해 유도됩니다. 또한, 무작위 다중화의 다양하고 다양한 무선 응용 프로그램에서의 활용 가능성에 대해 탐구합니다.

paper AI 요약
과학적 발견 가속화를 위한 글로벌 자율 과학 에이전트 웹 SCP

과학적 발견 가속화를 위한 글로벌 자율 과학 에이전트 웹 SCP

우리는 SCP(Science Context Protocol)을 소개합니다. 이는 글로벌 자율 과학 에이전트 네트워크를 통해 발견을 가속화하기 위해 설계된 오픈 소스 표준입니다. SCP의 두 기초적 요소는 다음과 같습니다 (1) 통합된 리소스 통합 SCP의 핵심은 다양한 종류의 과학적 자원, 즉 소프트웨어 도구, 모델, 데이터셋 및 물리적인 장비를 설명하고 호출하는 데 사용되는 보편적 사양을 제공합니다. 이 프로토콜 수준 표준화는 AI 에이전트와 애플리케이션에 있어 서로 다른 플랫폼과 기관 간 경계를 넘어서 자원의 발견, 호출 및 조합을 원활하게 수행할 수 있게 합니다. (2) 실험 라이프사이클 관리 SCP는 중앙화된 SCP 허브와 연방화된 SCP 서버로 구성된 안전한 서비스 아키텍처를 제공하여 실험의 전체 라이프사이클(등록, 계획, 실행, 모니터링 및 보관)을 관리하고 세밀한 인증 및 권한 부여를 강제하며 연산과 물리 실험실 사이에 추적 가능한 end-to-end 워크플로를 조율합니다. SCP 기반으로 우리는 연구자와 에이전트에게 1,600개 이상의 도구 리소스를 제공하는 과학 발견 플랫폼을 구축했습니다. 다양한 사용 사례에서 SCP는 이질적인 AI 시스템과 인간 연구자 사이의 안전하고 대규모 협업을 촉진하며 통합 오버헤드를 크게 줄이고 재현성을 향상시킵니다. 과학적 맥락 및 도구 조율을 프로토콜 수준에서 표준화함으로써 SCP는 확장 가능한 다기구, 에이전트 주도의 과학을 위한 필수 인프라를 구축합니다.

paper AI 요약
저고도 경제 활성화 다중 모달 드론 빔 예측을 위한 신뢰성 고려 동적 가중치 할당

저고도 경제 활성화 다중 모달 드론 빔 예측을 위한 신뢰성 고려 동적 가중치 할당

저고도 경제(LAE)는 도심 항공 이동성, 로지스틱 드론, 그리고 공중 감시 등에 의해 급속히 확장되고 있으며, 무인항공기(UAV) 통신에서 빠르고 정확한빔 예측은 안정적인 연결을 달성하기 위해 중요하다. 현재 연구는 단일 신호에서 다중 모드 협업 접근 방식으로 전환하고 있다. 그러나 기존의 다중 모드 방법은 대부분 고정하거나 경험적으로 결정된 가중치를 사용하며, 어떠한 순간에도 모든 모드가 동등하게 신뢰할 수 있다고 가정한다. 실제로는 UAV 운동 시나리오에 따라 다양한 모드의 중요성이 크게 변동하고, 정적인 가중치는 저하된 모드의 부정적 영향을 증폭시킨다. 또한 모달 미스매치와 약한 대조가 교차 시나리오 일반화를 더욱 약화시킨다. 이를 위해 우리는 신뢰성에 기반한 동적 가중치 할당 방식을 적용하는 다중 모드 빔 예측 프레임워크인 SaM2B를 제안한다. 구체적으로, SaM2B는 환경 시각 정보, 비행 자세, 지리 공간 데이터와 같은 경량 큐에 기반하여 신뢰성에 따른 동적 가중치 업데이트를 통해 시간대별로 모드 간의 공헌을 적응적으로 할당한다. 또한 교차 모달 대조 학습을 활용해 특정 빔 정보와 관련된 다중 소스 표현빔 의미 를 공유된 의미 공간에 정렬하여, 모달 노이즈 및 분포 변동 하에서 구별력과 견고성을 향상시킨다. 실제 저고도 UAV 데이터셋을 이용한 실험 결과, SaM2B는 기존 방법보다 만족스러운 성능을 보여준다.

paper AI 요약
자율주행 경주 시스템을 위한 빠르고 실제적인 자동 시나리오 시뮬레이션 및 보고

자율주행 경주 시스템을 위한 빠르고 실제적인 자동 시나리오 시뮬레이션 및 보고

이 논문에서는 자율 주행 스택인 ur.autopilot을 위한 자동 시뮬레이션 및 보고서 생성 파이프라인에 대해 설명합니다. 시뮬레이션의 기반이 되는 것은 차량의 고도 모델이며, 이는 Functional Mockup Unit (FMU)로 인터페이스됩니다. 이 파이프라인은 소프트웨어 스택과 시뮬레이션을 실시간보다 최대 3배 빠르게 실행할 수 있으며, 로컬 또는 GitHub에서 Continuous Integration/Continuous Delivery(CI/CD)를 위해 사용할 수 있습니다. 파이프라인의 가장 중요한 입력으로는 여러 실행 시나리오가 포함되어 있습니다. 각 시나리오는 자동차의 초기 위치와 속도를 설정하는 것뿐만 아니라 스택의 다른 구성 요소를 초기화하는 기능을 제공합니다. 이 기능은 고속 추월 매뉴버 또는 로케일과 같은 중요 모듈을 효율적으로 검증하는 데 필수적입니다. 또한, 우리는 센서 지연 및 오차 도입뿐만 아니라 스택의 모든 노드 출력을 수정할 수 있는 결함 주입 모듈을 어떻게 구현했는지 설명합니다. 마지막으로, 시뮬레이션 분석의 효과성을 극대화하기 위한 자동 보고 프로세스 설계에 대해 설명합니다.

paper AI 요약
[한글 번역 중] Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice

[한글 번역 중] Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice

AI 회사의 데이터 팀은 종종 작은 대리 모델을 학습하여 전체 규모의 학습 실행에 대한 사전 학습 데이터 레시피를 결정하는 중요한 결정을 내립니다. 그러나 이러한 작은 스케일 실험에서 도출된 결론이 전체 규모의 모델 학습으로 신뢰적으로 전달되는지 여부와 언제 그러한 경우가 있는지는 커뮤니티의 이해가 제한적입니다. 본 논문에서는 데이터 레시피 평가를 위한 표준 실험 프로토콜에서 미묘하고 중요한 문제를 밝혀냅니다 모든 데이터 레시피에 대해 동일한 작은 스케일 모델 학습 구성으로 공정한 비교를 수행하는 것입니다. 이 논문에서는 학습 하이퍼파라미터의 단순 조정만으로도 데이터 품질에 대한 실험 결론이 바뀔 수 있다는 것을 보여주며, 최적의 학습 구성은 본래 데이터에 따라 달라진다는 점을 강조합니다. 따라서 데이터 레시피 평가의 목표는 각각의 데이터에 맞게 조정된 하이퍼파라미터에서 가장 우수한 성능을 내는 레시피를 식별하는 것이라고 제안합니다. 이 비용을 줄이기 위해, 우리는 평가 프로토콜에 간단한 패치를 도입하여 대리 모델 학습 시 학습률을 낮춥니다. 또한 이 접근법은 완전히 조정된 대형 언어 모델 사전 학습 실행의 상대 성능과 강력하게 연관되어 있음을 보여줍니다. 이론적으로, 우리는 무작위 특성 모델에 대해 이 접근법이 데이터셋을 최적의 손실로 배치하는 데 있어 순서를 유지한다고 증명합니다. 실제로, 우리는 23개의 데이터 레시피에 대한 극대화 실험을 통해 작은 규모 실험의 신뢰성을 크게 향상시킨다는 것을 확인합니다.

paper AI 요약
진화를 통한 추론 세분화 훈련 없이 진화적 프롬프팅을 이용한 제로샷 추론 세분화

진화를 통한 추론 세분화 훈련 없이 진화적 프롬프팅을 이용한 제로샷 추론 세분화

이유어분할은 모델들이 복잡하고 문맥에 따른 언어적 질의를 해석하여 픽셀 수준으로 정확하게 위치를 찾는 것을 요구한다. 현재 주도적인 접근 방법들은 감독 학습(Supervised Fine-Tuning, SFT)이나 강화학습(Reinforcement Learning, RL)을 많이 의존하고 있다. 그러나 SFT는 치명적인 잊어버림과 도메인 의존성을 가지고 있으며, RL은 훈련 불안정성 및 미리 정의된 보상 함수에 대한 딱딱한 의존성이 문제가 된다. 최근의 학습 없는 방법들은 이러한 훈련 부담을 피하지만, 기본적으로 정적인 추론 패러다임에 의해 제한된다. 이러한 방법은 통상적으로 단일 패스 생성-그리고 분할 체인에 의존하며, 이는 충분히 깊지 않은 사고 능력과 언어적 환상을 자가 수정하거나 공간적인 오해를 바로잡을 수 없는 한계가 있다. 본 논문에서는 이러한 제한성을 극복하고 EVOL-SAM3라는 새로운 제로샷 프레임워크를 제안한다. 이는 추론 시점에 진화적 탐색 과정으로 사고분할을 재구성하는 방식이다. 고정된 프롬프트에 의존하지 않고, EVOL-SAM3은 프롬프트 가설의 집합을 유지하고 생성-평가-진화 루프를 통해 이를 반복적으로 정교하게 한다. 우리는 시각 분야에서 참조 없는 쌍방 토너먼트를 통해 프롬프트 적합도를 평가하는 방법을 소개하며, 의미 변이 연산자를 통해 다양성을 주입하고 의미적 오류를 수정한다. 또한, 기하학적 사전 지식과 의미적 추론을 통합하여 강력한 최종 선택을 보장하기 위해 이질적인 분야 모듈을 도입한다. 광범위한 실험 결과 EVOL-SAM3은 정적인 기본 모델뿐만 아니라 어렵게 설정된 ReasonSeg 벤치마크에서 완전 감독의 최신 기술 방법보다도 크게 우수한 성능을 보여준다.

paper AI 요약
반복적 배포가 대형 언어 모델의 계획 능력을 향상시킨다

반복적 배포가 대형 언어 모델의 계획 능력을 향상시킨다

이 논문에서는 사용자가 이전 모델의 배포에서 신중하게 정리한 데이터로 미세 조정된 대형 언어 모델(LLMs)을 반복적으로 배포하는 것이 결과적인 모델의 속성을 크게 변화시킬 수 있음을 보여줍니다. 다양한 계획 영역에서 이 메커니즘을 테스트하여, 후속 모델들이 초기 모델보다 훨씬 긴 계획을 발견함으로써 계획 능력이 크게 개선되었음을 관찰했습니다. 그런 다음 이론적인 분석을 통해 반복 배포가 강화 학습(RL) 훈련을 효과적으로 구현한다는 것을 보여주며, 이는 명시적으로 정의되지 않은 암묵적 보상 함수를 가지고 있습니다. 이러한 연결은 두 가지 중요한 함의를 지닙니다 첫째로 AI 안전 분야에 대한 것인데, 반복 배포가 암묵적으로 포함하는 보상 함수는 명확하게 정의되지 않아 미래 모델 배포 속성에 예측할 수 없는 영향을 미칠 수 있습니다. 둘째로 여기서 강조된 메커니즘은 명시적인 RL 대신 데이터 정리에 의존하는 대안 훈련 방법으로 간주될 수 있다는 점입니다.

paper AI 요약
MSACL 리아푸노프 증명서를 활용한 지수 안정화 제어를 위한 다단계 액터-크리틱 학습

MSACL 리아푸노프 증명서를 활용한 지수 안정화 제어를 위한 다단계 액터-크리틱 학습

모델이 없는 강화학습(RL)에서 증명 가능한 안정성을 달성하는 것은 여전히 도전 과제이며, 특히 탐사와 엄격한 안전을 균형 있게 유지하는 것이 어렵습니다. 이 기사는 MSACL(Multi-Step Actor-Critic Learning with Lyapunov Certificates)라는 프레임워크를 소개합니다. 이 프레임워크는 최대 엔트로피 RL과 지수 안정성 이론을 다단계 리아폰 보증 학습을 통해 통합합니다. 복잡한 보상 설계에 의존하는 방법과 달리, MSACL은 오프-폴시 다단계 데이터를 활용하여 이론적인 안정성 조건을 충족하는 리아폰 보증을 학습합니다. 지수 안정성 레이블(ESL)과 $ lambda$ 가중치 결합 메커니즘을 도입함으로써, 프레임워크는 다단계 학습에서 편향-분산 균형을 효과적으로 유지할 수 있습니다. 정책 최적화는 안정성에 민감한 이점 함수에 의해 지도되며, 이로 인해 학습된 정책은 빠른 리아폰 하강을 촉진합니다. 우리는 MSACL이 6개의 벤치마크에서 평가되었으며, 안정화 및 비선형 추적 작업을 포함하여 최신 Lyapunov 기반 RL 알고리즘보다 우수한 성능을 보여주었습니다. MSACL은 간단한 보상으로 지수 안정성과 빠른 수렴을 달성하며, 불확실성에 대한 강건성을 나타내고, 미보기 트레젝토리를 일반화하는 능력을 가지고 있습니다. 감도 분석은 다양한 시스템에서 다단계 수평 $n=20$이 탄탄한 기본값임을 확립합니다. Lyapunov 이론과 오프-폴시 액터-크리틱 프레임워크를 연결함으로써, MSACL은 검증 가능한 안전 학습 기반 제어의 토대를 제공합니다.

paper AI 요약
다크EQА 저조도 실내 환경에서 몸체 기반 질문 답변을 위해 비전-언어 모델 벤치마킹

다크EQА 저조도 실내 환경에서 몸체 기반 질문 답변을 위해 비전-언어 모델 벤치마킹

비전 언어 모델(VLMs)은 점점 더 몸체화된 에이전트의 핵심 추론 모듈로 채택되고 있습니다. 현재 벤치마크는 이상적인, 잘 비치된 조건에서 그 능력을 평가하고 있지만, 견고한 24/7 운영을 위해서는 시각적 퇴화, 특히 밤이나 어두운 환경에서의 저조도 조건에서도 성능이 필요합니다. 이 미처해진 과제를 해결하기 위해 우리는 DarkEQA라는 오픈소스 벤치마크를 제시했습니다. 이는 다양한 수준의 저조도 조건에서 EQA 관련 인식 원시 요소를 평가하도록 설계되었습니다. DarkEQA는 컨트롤된 퇴화 조건 하에서 일인칭 관찰로부터 질문에 답하는 능력을 평가함으로써 인식 병목을 분리합니다. 이로 인해 근거 있는 견고성 분석이 가능합니다. DarkEQA의 핵심 설계 특징 중 하나는 그 물리적 정확성입니다 시각적 퇴화는 선형 RAW 공간에서 모델링되어, 물리 기반 조명 감소와 센서 노이즈를 시뮬레이션한 다음 ISP에 영감을 받은 렌더링 파이프라인을 통해 표현됩니다. 우리는 DarkEQA의 활용성을 다양한 최첨단 VLMs과 저조도 이미지 강화(LLIE) 모델을 평가함으로써 입증합니다. 우리의 분석은 이러한 도전적인 시각적 조건 하에서 작동하는 VLMs의 한계를 체계적으로 드러냅니다.

paper AI 요약
평행우주, 평행언어 다언어 카운터팩ту얼 예제 생성을 위한 LLM 기반 종합 연구

평행우주, 평행언어 다언어 카운터팩ту얼 예제 생성을 위한 LLM 기반 종합 연구

카운터팩트는 모델의 예측을 바꾸기 위해 최소한 수정된 입력으로, 모델의 행동을 설명하는 유망한 접근법입니다. 대형 언어 모델(LLMs)은 영어 카운터팩트 생성에 뛰어나며 다언어 능력도 보유하고 있습니다. 그러나 이러한 모델들이 다언어 카운터팩트를 효과적으로 생성할 수 있는지 여부는 아직 불명확합니다. 이를 위해 우리는 다언어 카운터팩트에 대한 포괄적인 연구를 진행했습니다. 먼저, 목표 언어로 직접 생성된 카운터팩트와 영어 번역을 통해 도출된 카운터팩트를 6개의 언어에서 자동 평가를 수행했습니다. 번역 기반의 카운터팩트는 직접적으로 생성된 것보다 더 높은 유효성을 제공하지만, 많이 수정이 필요하며 원래 영어 카운터팩트에 비해 여전히 질적이 낮습니다. 두 번째로, 우리는 자원이 풍부한 유럽 언어의 카운터팩트에서 적용된 수정 패턴들이 매우 유사함을 발견하여 이는 교차언어적 수정이 공통 전략 원칙을 따르고 있음을 시사합니다. 세 번째로, 우리는 생성된 카운터팩트에서 언어를 불문하고 일관되게 나타나는 네 가지 주요 오류 유형을 확인 및 분류하였습니다. 마지막으로, 다언어 카운터팩트 데이터 증강(CDA)은 특히 자원이 적은 언어에 대해 교차언어적 CDA보다 더 큰 모델 성능 향상을 가져오지만, 생성된 카운터팩트의 미결정성은 모델의 성능과 견고성을 제한합니다.

paper AI 요약
[한글 번역 중] Bio-inspired Agentic Self-healing Framework for Resilient Distributed Computing Continuum Systems

[한글 번역 중] Bio-inspired Agentic Self-healing Framework for Resilient Distributed Computing Continuum Systems

인간의 생물학적 체계는 손상 감지, 타겟화된 응답 조정 및 자체 치유를 통해 생명을 유지하는 뛰어난 견고성을 보여준다. 이 연구는 이러한 능력을 바탕으로 분산 컴퓨팅 연속 시스템(DCCS)에서 견고성을 달성하기 위해 ReCiSt라는 생물학적 영감을 받은 자기 치유 프레임워크를 소개한다. 현대 DCCS는 IoT 장치부터 고성능 클라우드 인프라까지 다양한 컴퓨팅 자원을 통합하며, 이들 시스템의 복잡성, 이동성 및 동적인 운영 조건은 서비스 연속성을 방해하는 잦은 고장을 초래한다. 이러한 문제들은 확장 가능하고 적응력 있으며 자기 관리형 견고성 전략이 필요함을 강조한다. ReCiSt는 DCCS의 계산 레이어인 Containment, Diagnosis, Meta-Cognitive 및 Knowledge로 혈액 응고(Hemostasis), 염증(Inflammation), 증식(Proliferation) 및 재모델링(Remodeling)의 생물학적 단계를 재구성한다. 이 네 개의 레이어는 언어 모델(LM)을 기반으로 하는 에이전트를 통해 자동 고장 격리, 원인 진단, 적응형 회복 및 장기 지식 통합을 수행한다. 이러한 에이전트들은 다양한 로그를 해석하고 근본적인 원인을 추론하며 합리적 경로를 정교화하고 최소한의 인간 개입으로 리소스를 재구성한다. 제안된 ReCiSt 프레임워크는 여러 LM을 사용하여 공개 고장 데이터 세트에서 평가되었으며, 유사한 접근법이 드문 이유로 기저선 비교는 포함되지 않았다. 그럼에도 불구하고 우리의 결과는 다양한 LM 하에서 ReCiSt의 자기 치유 능력을 수십 초 이내에 10% 미만의 에이전트 CPU 사용률을 통해 확인한다. 또한, 우리의 결과는 불확실성을 극복하기 위한 분석의 깊이와 회복력 달성에 필요한 마이크로 에이전트의 양을 보여준다.

paper AI 요약
의미론적 방법이 팀 스포츠 전술을 개선할 수 있을까? 축구를 중심으로 한 더 넓은 응용 가능성 갖는 방법론

의미론적 방법이 팀 스포츠 전술을 개선할 수 있을까? 축구를 중심으로 한 더 넓은 응용 가능성 갖는 방법론

이 논문은 계산 언어학에서 사용된 전통적인 의미 공간 추론을 팀 스포츠의 전술적 의사결정에 어떻게 확장할 수 있는지 탐구하고 있습니다. 텍스트와 팀 간의 유사성을 통해 플레이어가 단어, 공동 플레이가 의미를 전달하는 것과 같은 방식으로 모델링된 제안 방법론은 전술적 구성을 구성적인 의미 구조로 표현합니다. 각 선수는 기술적, 물리적, 심리적 특성을 통합한 다차원 벡터로 표현되고, 팀 프로필은 컨텍스트 가중치를 통해 상위 수준의 의미 표현으로 집계됩니다. 이 공유 벡터 공간 내에서 고압, 역습, 점유 구축 등과 같은 전술적 템플릿은 언어 개념에 대한 인코딩과 유사하게 처리됩니다. 그들 간의 일치는 벡터 거리 메트릭을 사용하여 평가되며, 이는 전술적인 맞춤 및 상대방 활용 가능성 계산이 가능합니다. 파이썬 기반 프로토타입은 이러한 방법들이 해석 가능한 동적으로 적응하는 전략 권고를 생성할 수 있음을 보여주며, 속성 수준에서 세밀한 진단 통찰력을 제공합니다. 축구를 넘어서 이 접근 방식은 농구와 하키부터 협동 로봇과 인간-AI 조정 시스템에 이르는 팀 기반 영역의 집단적 의사결정 및 성능 최적화를 위한 일반화 가능한 프레임워크를 제공합니다. 논문은 실제 데이터 통합, 예측 시뮬레이션 및 하이브리드 인간-기계 전술 지능에 대한 미래 방향을 제시함으로써 결론을 맺습니다.

paper AI 요약
CoCo-Fed 메모리와 통신 효율적인 와이어리스 엣지 연방 학습을 위한 통합 프레임워크

CoCo-Fed 메모리와 통신 효율적인 와이어리스 엣지 연방 학습을 위한 통합 프레임워크

대규모 신경망을 Open Radio Access Network (O-RAN) 아키텍처 내에 배포하는 것은 원래의 엣지 인텔리전스를 가능하게 하는 데 핵심적입니다. 그러나 이 패러다임은 리소스 제약이 있는 gNB에서 로컬 훈련을 위해 요구되는 긍정적인 메모리 발자국과 고차원 모델 업데이트의 글로벌 집계 중 밴드폭 제한된 백홀 링크의 포화라는 두 가지 중요한 병목 현상을 직면하고 있습니다. 이러한 과제를 해결하기 위해, 우리는 CoCo-Fed라는 새로운 압축 및 결합 기반 연방 학습 프레임워크를 제안합니다. 이는 로컬 메모리 효율성과 글로벌 통신 감소를 통합합니다. 로컬에서는 CoCo-Fed가 두 배의 차원 축소 투영을 통해 그래디언트에 대한 메모리 벽을 뚫고, 최적화자를 작동시키는 데 추가적인 추론 매개변수/지연 없이 저차원 구조를 활용합니다. 글로벌에서는 계층별 업데이트가 각 gNB당 하나의 통합된 행렬로 투영되고 중첩되는 직교 서브스페이스 중첩 기반 전송 프로토콜을 도입하여 백홀 트래픽을 크게 줄입니다. 경험적 설계를 넘어서, 우리는 CoCo-Fed가 무감독 학습 조건에서 수렴한다는 것을 증명하는 엄격한 이론적인 근거를 구축했습니다. 각도 도착 추정 작업에 대한 광범위한 시뮬레이션은 CoCo-Fed가 비IID 환경에서도 견고하게 수렴하면서 메모리 및 통신 효율성에서 최첨단 베이스라인을 크게 능가한다는 것을 보여줍니다.

paper AI 요약
HFedMoE 자원을 고려한 이질적인 연방학습과 전문가 혼합 모델

HFedMoE 자원을 고려한 이질적인 연방학습과 전문가 혼합 모델

연방 학습(FL)은 데이터 프라이버시를 침해하지 않고 대형 언어 모델(LLM)을 미세 조정할 수 있게 하지만, LLM의 큰 크기는 메모리 제약이 있는 클라이언트 (예 휴대 기기)에서 모델 학습을 불가능하게 만듭니다. 따라서 Mixture-of-Experts(MoE) 모델은 전반적인 성능에 영향을 미치지 않으면서도 모델 학습 중 일부만 활성화하여 계산 효율성을 높이는 해법으로 등장했습니다. 그러나 MoE를 FL 미세 조정에 통합하는 것은 여전히 세 가지 주요 문제점을 안고 있습니다 i) 각 전문가의 로컬 미세 조정 성능에 대한 영향을 측정할 수 있는 신뢰할 만한 지표 부족으로 인해 클라이언트에게 적절한 전문가를 선택하는 것이 어렵습니다, ii) 다양한 입력 샘플에 따른 동적 전문가 활성화로 인해 계산 자원 제약이 있는 장치에서 MoE 기반 LLM 미세 조정이 크게 방해받을 수 있습니다, iii) 클라이언트별 전문가 하위 집합과 경로 선호도는 글로벌 집계를 방해하며, 불일치한 전문가 업데이트와 일관되지 않은 게이팅 네트워크가 파괴적인 간섭을 초래합니다. 이러한 문제점을 해결하기 위해 우리는 HFedMoE를 제안합니다. HFedMoE는 계산 효율성을 높이는 LLM 미세 조정을 위한 각 클라이언트에게 전문가 하위 집합을 맞춤화하는 이질적인 MoE 기반 FL 미세 조정 프레임워크입니다. 특히, HFedMoE는 전문가의 중요도를 그들의 미세 조정 성능에 대한 기여도에 따라 식별하고, 각 클라이언트의 계산 예산을 고려하여 정보 병목 관점에서 일부 전문가 하위 집합을 적응적으로 선택합니다. 또한 중요한 기여도로 가중치를 부여한 활성화된 미세 조정 전문가와 게이팅 파라미터를 집계하기 위한 스팽시에 대한 모델 집계 전략도 설계되었습니다. 광범위한 실험을 통해 HFedMoE는 훈련 정확도와 수렴 속도 측면에서 최고의 벤치마크를 능가함이 입증되었습니다.

paper AI 요약
주파수 영역에서 RGB-이벤트 기반 시각 객체 추적을 위한 진폭과 위상 주의 분리

주파수 영역에서 RGB-이벤트 기반 시각 객체 추적을 위한 진폭과 위상 주의 분리

기존의 RGB-Event 시각적 객체 추적 접근법은 주로 기존의 특징 수준 결합에 의존하여 이벤트 카메라의 독특한 장점을 완전히 활용하지 못합니다. 특히, 이벤트 카메라는 고동적 범위와 움직임 민감성이라는 특성을 가질 뿐만 아니라, 정보가 적은 영역도 일률적으로 처리되어 백본 네트워크에 불필요한 연산 부담을 초래합니다. 이러한 문제를 해결하기 위해 우리는 주파수 도메인에서 조기 결합이 이루어지는 새로운 추적 프레임워크를 제안합니다. 이를 통해 이벤트 모달리티의 고주파 정보가 효과적으로 집계됩니다. 구체적으로, RGB와 이벤트 모달리티는 Fast Fourier Transform을 통해 공간 도메인에서 주파수 도메인으로 변환되며, 그들의 진폭과 위상 성분이 분리됩니다. 이벤트의 고주파 정보는 진폭 및 위상 관심 메커니즘을 통해 RGB 모달리티에 선택적으로 결합되어 특징 표현을 향상시키고 백본 연산을 크게 줄입니다. 또한, 움직임 지향 공간 스퍼시피케이션 모듈은 이벤트 카메라의 움직임 민감성을 활용하여 대상 움직임 큐와 공간 확률 분포 간의 관계를 캡처하고 정보가 적은 영역을 필터링하며 대상과 관련된 특징을 강화합니다. 마지막으로, 대상과 관련이 있는 희소한 세트의 특징이 백본 네트워크에 학습되어 추적 헤드는 최종 대상 위치를 예측합니다. FE108, FELT 및 COESOT 등 널리 사용되는 RGB-Event 추적 벤치마크 데이터셋에서 수행된 광범위한 실험은 제안된 방법의 높은 성능과 효율성을 입증합니다.

paper AI 요약
No Image

대응형 계층적 평가를 통한 LLM과 SAST 도구의 Python CWE 예측 성능 분석

대형 언어 모델(Large Language Models, LLMs)은 소프트웨어 개발에 필수적이지만 자주 취약한 코드를 생성합니다. 현재의 코드 취약점 탐지 벤치마크는 이진 분류를 사용하고 있어 CWE 수준의 구체성이 부족하여 반복적인 수정 시스템에서 실질적인 피드백이 어렵습니다. 우리는 LLMs과 SAST 도구를 평가하기 위해 계층화에 대한 인식을 갖춘, CWE 특수 패널티를 사용하는 함수 레벨의 Python 벤치마크인 ALPHA(Adaptive Learning via Penalty in Hierarchical Assessment)를 제시합니다. ALPHA는 과도한 일반화, 과도한 구체화 및 횡단 오류를 구분하여 진단 도구로서 실제 차이점을 반영합니다. 7개의 LLMs과 2개의 SAST 도구를 평가한 결과, LLMs은 전체적으로 SAST보다 훨씬 높은 성능을 보였지만, SAST는 감지가 이루어질 때 더 높은 정확도를 나타냈습니다. 중요한 점은 예측 일관성이 모델 간에 매우 다름(8.26%~81.87%의 일치율)으로, 피드백 주도 시스템에 대한 의미가 큽니다. 우리는 향후 작업을 위해 ALPHA 패널티를 감독 학습 세분화에 통합하는 경로를 제시하며, 이는 원칙적인 계층 인식 취약점 탐지의 가능성을 열어놓습니다.

paper AI 요약
[한글 번역 중] KGCE Knowledge-Augmented Dual-Graph Evaluator for Cross-Platform Educational Agent Benchmarking with Multimodal Language Models

[한글 번역 중] KGCE Knowledge-Augmented Dual-Graph Evaluator for Cross-Platform Educational Agent Benchmarking with Multimodal Language Models

다양한 모드의 대형 언어 모델(MLMs)이 자동화된 에이전트에 신속하게 채택되면서, 교육 환경에서의 다중 플랫폼 작업 수행 능력은 주목을 받고 있다. 하지만 기존 벤치마킹 프레임워크는 특히 학교별 소프트웨어(XiaoYa 지능형 보조 도구, HuaShi XiaZi 등)와 관련된 교육적 맥락에서의 다중 플랫폼 작업을 지원하는 데 있어 여전히 주목할 만한 결함이 있다. 이러한 학교별 소프트웨어의 구조적 특징을 이해하지 못하기 때문에 에이전트의 효율성이 크게 감소한다. 현재 평가 방법은 목표 지향성이나 경로 일치와 같은 거친 수준의 메트릭에 의존하고 있어 복잡한 작업에서 에이전트의 세부적인 실행 및 효율성을 포착하기 어렵다. 이러한 문제를 해결하기 위해, 우리는 교육적 맥락에서 다중 플랫폼 작업을 수행하는 MLMs용 지식 증강 이중 그래프 평가기인 KGCE(Knowledge-Augmented Dual-Graph Evaluator for Cross-Platform Educational Agent Benchmarking with Multimodal Language Models)를 제안한다. 우리는 윈도우, 안드로이드 및 다중 플랫폼 협업 작업을 포함하는 104개의 교육 관련 작업으로 구성된 데이터셋을 구축했다. KGCE는 작업을 여러 하위 목표로 분해하고 그 완료 상태를 검증하는 이중 그래프 평가 프레임워크를 도입하여 세밀한 평가 메트릭을 제공한다. 기존 에이전트의 학교별 소프트웨어 작업 수행에 대한 실행 병목 현상을 극복하기 위해, 학교별 소프트웨어에 특화된 지식 베이스를 통합한 강화된 에이전트 시스템을 개발했다. 코드는 https //github.com/Kinginlife/KGCE에서 확인할 수 있다.

paper AI 요약
변환 규모에 따른 전력 흐름 분석을 위한 로컬 토폴로지 슬라이싱과 다중 작업 그래프 학습 방법

변환 규모에 따른 전력 흐름 분석을 위한 로컬 토폴로지 슬라이싱과 다중 작업 그래프 학습 방법

강력한 토폴로지 변동에 대한 적응성을 갖춘 딥러닝 모델 개발은 전력 유량 분석에서 큰 실용적 의미가 있다. 본 논문에서는 다양한 시스템 규모 하에서의 모델 성능을 향상시키고 분기 전력 예측의 강건성도 높이기 위해 스케일-적응형 다중 작업 전력 유량 분석(SaMPFA) 프레임워크를 제안한다. SaMPFA는 전체 전력 네트워크에서 다양한 규모의 서브그래프를 추출하여 모델의 교차 스케일 학습 능력을 강화하는 지역 토폴로지 슬라이싱(LTS) 샘플링 기법을 도입한다. 또한, 정확한 전력 유량 예측을 위한 강건한 무참조 다중 작업 그래프 학습(RMGL) 모델을 설계한다. RMGL은 현재 접근 방법과 달리 버스 전압과 분기 전력을 예측하며, 이는 분기 전력 계산에서 오류 확대 위험을 피하고 모델이 위상 각도 차이의 물리적 관계를 학습하도록 안내한다. 또한 손실 함수에는 각도 차이와 전력 전송의 물리 패턴을 포착하게 하는 추가 항목이 포함되어 예측과 물리 법칙 간 일관성을 더욱 향상시킨다. 시뮬레이션 결과, 제안된 모델은 변수 시스템 규모 하에서 우수한 적응성과 일반화를 보여주며, 정확도는 각각 4.47%와 36.82% 개선되었다.

paper AI 요약
[한글 번역 중] REE-TTT Highly Adaptive Radar Echo Extrapolation Based on Test-Time Training

[한글 번역 중] REE-TTT Highly Adaptive Radar Echo Extrapolation Based on Test-Time Training

강수 예보는 기상예측에 매우 중요하다. 딥러닝 기반의 레이더 에코 추정(REE)은 주요 예보 방법으로 자리잡았지만, 고품질 지역 데이터와 정적인 모델 매개변수에 대한 의존성 때문에 일반화 능력이 떨어져 다양한 지역과 극단적 사건에서의 적용성이 제한된다. 이를 해결하기 위해 우리는 새로운 모델인 REE-TTT를 제안한다. 이 모델은 테스트 시간 학습(TTT) 메커니즘을 통합하고 있으며, 그 핵심은 기존 TTT 층의 표준 선형 투영을 작업별 주의 메커니즘으로 대체한 신규 설계된 공간-시간 테스트 시간 학습(ST-TTT) 블록이다. 이를 통해 비정상적인 기후 분포에 대한 강력한 적응이 가능해져, 강수 특징 표현을 크게 개선한다. 다양한 지역의 극단적 강수 상황에서 실험 결과 REE-TTT가 예측 정확도와 일반화 능력 측면에서 최신 기준 모델을 크게 앞서고 있으며, 데이터 분포 변화에 대한 뛰어난 적응성을 보여주었다.

paper AI 요약
산업 IoT를 위한 디지털 트윈 기반 통신 효율적 연방 이상 감지

산업 IoT를 위한 디지털 트윈 기반 통신 효율적 연방 이상 감지

이상 감지는 산업 시스템의 안전성, 신뢰성 및 효율성을 유지하는 데 점점 더 중요한 역할을 하고 있습니다. 최근 디지털 트윈과 데이터 기반 의사결정의 도입으로 여러 통계적이고 머신러닝 방법이 제안되었습니다. 그러나 이러한 방법들은 실제 센서 데이터셋에만 의존하거나, 라벨링된 데이터 부족, 높은 거짓 경보율 및 프라이버시 문제와 같은 여러 가지 곤란을 겪고 있습니다. 이 문제를 해결하기 위해 우리는 전역 모델 성능을 향상시키면서도 데이터 프라이버시와 통신 효율성을 유지하는 디지털 트윈 통합 연방 학습 (DTFL) 방법의 일련을 제안합니다. 구체적으로, 다섯 가지 새로운 접근법을 제시합니다 디지털 트윈 기반 메타러닝(DTML), 연방 파라미터 융합(FPF), 계층별 파라미터 교환(LPE), 순환 가중치 적응(CWA) 및 디지털 트윈 지식 증산(DTKD). 각 방법은 합성과 실제 세계의 지식을 결합하는 고유한 메커니즘을 소개합니다. 일반화와 통신 오버헤드를 균형있게 조절합니다. 우리는 공개 가능 데이터셋을 사용하여 광범위한 실험을 수행했습니다. 80% 정확도 목표에 도달하는 데 CWA는 33라운드, FPF는 41라운드, LPE는 48라운드, DTML은 87라운드가 걸렸으며, 표준 FedAvg 기준선 및 DTKD는 100라운드 내에 목표를 달성하지 못했습니다. 이러한 결과는 통신 효율성 향상 (DTML보다 최대 62% 적은 라운드, LPE 보다 31% 적음)을 강조하고 DT 지식을 FL에 통합하면 IIoT 이상 감지의 운영적으로 의미있는 정확도 임계치로 수렴하는 속도를 가속화한다는 것을 입증합니다.

paper AI 요약
K-EXAONE 기술 보고서

K-EXAONE 기술 보고서

이 기술 보고서는 LG AI Research에서 개발한 대규모 다언어 언어 모델인 K-EXAONE을 소개합니다. K-EXAONE은 236B의 총 매개변수를 갖춘 Mixture-of-Experts 구조 위에 빌드되어 있으며, 추론 중에는 23B 매개변수를 활성화합니다. 이 모델은 256K 토큰의 컨텍스트 윈도우를 지원하며 한국어, 영어, 스페인어, 독일어, 일본어, 베트남어 등 여섯 가지 언어를 다룹니다. 우리는 K-EXAONE을 종합적인 벤치마크 스위트로 평가합니다. 이는 추론, 에이전트 기능, 일반 능력, 한국어 및 다언어 능력을 포함합니다. 이러한 평가에서 K-EXAONE은 유사한 크기의 공개 가중치 모델과 비교 가능한 성능을 보여줍니다. K-EXAONE은 더 나은 삶을 위한 AI를 진보시키는 것을 목표로 하며, 다양한 산업 및 연구 응용 분야에서 사용할 수 있는 강력한 소유권 AI 기초 모델입니다.

paper AI 요약
희소한 위협, 집중된 방어 안전한 자율주행을 위한 임계치 인식 강화 학습

희소한 위협, 집중된 방어 안전한 자율주행을 위한 임계치 인식 강화 학습

강화학습(Reinforcement Learning, RL)은 자율주행(Autonomous Driving, AD)에서 상당한 잠재력을 보였지만, 그의 변동성에 대한 취약성이 실제 세계 배치를 위한 주요 장애물로 남아 있다. 이를 주된 대책으로, 적대적 훈련(adversarial training)은 정교한 방해물을 도입하여 AD 에이전트의 견고성을 개선한다. 현재 접근법들은 일반적으로 연속적인 공격을 가정하는 제로섬 게임 형태로 상호작용을 모델링하지만, 이러한 설계는 에이전트와 적대자 사이의 내재된 비대칭성과 안전에 치명적인 위험이 희박하다는 점을 간과한다. 이런 한계를 해결하기 위해, 우리는 자율주행에서 희박하고 안전에 중점을 둔 위험을 관리하는 새로운 적대적 훈련 접근법인 중요도 인식 견고 강화학습(Criticality-Aware Robust Reinforcement Learning, CARRL)을 제안한다. CARRL은 위험 노출 적대자(Risk Exposure Adversary, REA)와 위험 타겟팅 견고 에이전트(Risk-Targeted Robust Agent, RTRA) 두 요소로 구성된다. 우리는 REA와 RTRA의 상호작용을 일반 합 게임으로 모델링하여 REA가 안전에 치명적인 실패(예 충돌)를 폭로하고, RTRA는 효율성과 안전 사이에서 균형을 맞추도록 한다. REA는 제약된 예산 하에서 희박한 위험 순간을 식별하고 활용할 수 있는 분리된 최적화 메커니즘을 사용한다. 그러나 이러한 집중적인 공격은 적대 데이터의 부족을 불러일으킨다. RTRA는 양호한 및 적대적인 경험을 병렬로 활용하는 이중 리플레이 버퍼를 통해 이를 극복하고, 변동성 하에서 정책 일관성을 강화하여 행동을 안정화한다. 실험 결과는 우리의 접근법이 모든 경우에 걸쳐 기존의 최고 수준의 기본 방법보다 충돌률을 적어도 22.66% 줄였음을 보여준다.

paper AI 요약
EverMemOS 구조화된 장기 추론을 위한 자가 조직화 메모리 운영 체제

EverMemOS 구조화된 장기 추론을 위한 자가 조직화 메모리 운영 체제

대형 언어 모델(LLMs)은 점점 더 장기적인 상호작용을 유지하는 에이전트로 배치되고 있지만, 제한된 컨텍스트 윈도우 때문에 연장된 상호작용에서 일관된 행동을 지속하기 어렵습니다. 기존의 메모리 시스템은 종종 고립된 레코드를 저장하고 조각을 검색하여 사용자 상태의 진화를 통합하고 충돌을 해결하는 능력을 제한합니다. 우리는 EverMemOS라는 자기 조직화 메모리 운영 체제를 소개하며, 이는 계산적 기억에 대한 엔그램에 착안된 라이프사이클을 구현합니다. 에피소드 추적 형성은 대화 스트림을 에피소드 추적, 원자적 사실, 그리고 시간 제한 Foresight 신호를 포착하는 MemCells로 변환합니다. 의미론적 통합은 MemCells를 테마별 MemScenes으로 조직하여 안정적인 의미 구조를 정제하고 사용자 프로필을 업데이트합니다. 재구성적 회상은 하류 추론을 위해 필요한 최소한의 컨텍스트를 구성하기 위한 에이전트 검색을 수행합니다. LoCoMo와 LongMemEval에서의 실험은 EverMemOS가 기억 증강 추론 작업에서 최고 수준의 성능을 달성함을 보여줍니다. 우리는 PersonaMem v2에 대한 프로필 연구와 사용자 프로파일링 및 Foresight와 같은 채팅 지향적 기능을 설명하는 정성 사례 연구를 추가로 보고합니다. 코드는 https //github.com/EverMind-AI/EverMemOS에서 이용 가능합니다.

paper AI 요약
QoE 기반 360도 동영상 생중계의 결합된 상행 및 하행 속도 적응 규칙

QoE 기반 360도 동영상 생중계의 결합된 상행 및 하행 속도 적응 규칙

360도 비디오는 몰입감 있는 360도 시청 경험을 제공하며, 많은 분야에서 널리 사용되고 있습니다. 360도 비디오 라이브 스트리밍 시스템은 캡처, 압축, 업링크(카메라에서 비디오 서버로), 다운링크(비디오 서버에서 사용자로) 전송을 포함합니다. 그러나 이러한 복잡한 시스템에 대해 공동으로 연구한 사례는 거의 없으며 특히 제한된 대역폭 조건 하의 360도 비디오 스트리밍을 위한 업링크와 다운링크를 연결한 데이터 속도 조절은 더욱 연구가 부족합니다. 본 논문에서는 사용자 경험(QoE)에 기반한 360도 비디오 라이브 스트리밍 시스템을 제안하며, 이는 비디오 서버가 업링크와 다운링크 대역폭과 각 사용자의 실시간 필드-오브-뷰(FOV) 정보를 기반으로 속도 조절을 수행합니다. 이를 비선형 정수 계획 문제로 수식화하고 Karush-Kuhn-Tucker(KKT) 조건과 분지 및 경계 방법(branch and bound method)을 결합한 알고리즘을 제안하여 해결했습니다. 수치 결과는 제안된 최적화 모델이 다른 기준 방식에 비해 사용자의 QoE를 크게 향상시킬 수 있음을 보여줍니다.

paper AI 요약
모바일 엣지 클라우드에서 리소스 공유를 위한 게임 이론적 프레임워크 함께 나눠보자

모바일 엣지 클라우드에서 리소스 공유를 위한 게임 이론적 프레임워크 함께 나눠보자

이 논문은 모바일 에지 컴퓨팅을 통해 다양한 지연 민감도가 있는 애플리케이션에 자원을 제공하는 것을 목표로 합니다. 이는 어려운 문제입니다. 왜냐하면, 에지 클라우드 서비스 제공자는 모든 요청된 자원을 충족할 수 있을 만큼의 충분한 자원을 보유하지 못할 수도 있기 때문입니다. 또한, 다양한 애플리케이션에 있는 사용 가능한 자원을 최적화하는 것도 어렵습니다. 다른 에지 클라우드 서비스 제공자들 간의 자원 공유는 위와 같은 한계를 해결할 수 있습니다. 특정 서비스 제공자는 다른 서비스 제공자가 빌릴 수 있는 자원을 보유하고 있을 수 있기 때문입니다. 그러나, 에지 클라우드 서비스 제공자는 서로 다른 목표나 *이용성*을 가질 수 있습니다. 따라서, 각 서비스 제공자의 다양한 목적을 고려하여 효율적이고 효과적인 자원 공유 메커니즘이 필요합니다. 우리는 이 문제를 다목적 최적화 문제로 모델링하고 *협력 게임 이론*(CGT)에 기반한 해결 프레임워크를 제시합니다. 각 서비스 제공자가 먼저 자체 애플리케이션에 자원을 할당한 후, 나머지 자원을 다른 서비스 제공자들의 애플리케이션과 공유하는 전략을 고려하였습니다. 우리는 단조 증가하는 이용성 함수에 대해 게임이 캐논이고 볼록하다는 것을 입증하였습니다. 따라서, *코어*는 빈 집합이 아니며, 그랜드 컨소시엄은 안정적입니다. 또한, 우리가 제안한 두 가지 알고리즘인 *게임 이론 기반 파레토 최적 할당*(GPOA)과 *폴리안드리-폴리가모스 매칭 기반 파레토 최적 할당*(PPMPOA)은 코어에서 할당을 제공합니다. 따라서, 얻어진 할당은 *파레토* 최적이고 모든 서비스 제공자들이 참여하는 그랜드 컨소시엄은 안정적입니다. 실험 결과는 제안한 자원 공유 프레임워크가 에지 클라우드 서비스 제공자의 이용성을 향상시키고 애플리케이션 요청 충족을 개선한다는 것을 확인하였습니다.

paper AI 요약
버튼 시뮬레이션 및 설계를 통한 FDVV 모델 적용

버튼 시뮬레이션 및 설계를 통한 FDVV 모델 적용

디자인에 따라 원하는 감각과 성능을 가진 버튼 제작은 어려운 작업이다. 기계적 구조가 적절한 반응 특성을 가져야 하기 때문이다. 버튼의 힘-이동(FD) 응답을 물리적으로 시뮬레이션하여 프로토타입화를 용이하게 하는 연구가 이루어져 왔지만, 그 범위와 현실감은 제한적이었다. 본 논문에서는 FD 모델링에 진동(V)과 속도 의존성 특징(V)을 확장시켜 FDVV 모델을 사용한다. 이로 인해 버튼의 타치리얼리티 감각, 특히 스냅 효과를 더 잘 포착할 수 있다. 본 논문은 이러한 모델을 얻고 편집하며 시뮬레이션 하는 방법도 제시한다. 이러한 종단 간 접근 방식은 버튼의 분석과 프로토타입화, 최적화를 가능하게 하며 기계적으로 구현하기 어려운 디자인을 탐색하는 데 도움이 된다.

paper AI 요약
보행 그래프 최적화 하지 재활 외골격 로봇을 위한 기반 보행에서 변화하는 보행 생성하기

보행 그래프 최적화 하지 재활 외골격 로봇을 위한 기반 보행에서 변화하는 보행 생성하기

하지 재활 외골격(LLE) 로봇의 가장 집중적인 응용 분야는 장애인들이 재걸음 을 할 수 있도록 돕는 것이다. 그러나 걸음 은 평평한 지면에서 일정한 걸음을 걷는 것 이상이다. 본 논문은 복잡한 걷기 환경에 적응하기 위해 LLE 로봇의 다양한 걸음 생성에 초점을 맞추고 있다. 이전의 2족로봇을 위한 걸음 생성기와 달리, LLE를 위한 생성된 걸음은 환자들에게 편안해야 한다. SLAM에서 사용되는 포즈 그래프 최적화 알고리즘을 통해 본 논문에서는 한 건강한 개인으로부터 수집된 기준 걸음을 바탕으로 다양한, 기능적인 그리고 편안한 걸음을 생성하기 위한 그래프 기반의 걸음 생성 알고리즘인 걸음 그래프 최적화(GGO)를 제안한다. 걸음 조정, 장애물 회피, 계단 오르내림과 같은 걷기 문제의 변형을 통해 시뮬레이션 및 실험에서 제안된 접근법이 검증된다. 우리의 구현은 오픈 소스로 공개되었다.

paper AI 요약
드론 동역학 레이더 네트워크 연합 항법 및 추적 방법

드론 동역학 레이더 네트워크 연합 항법 및 추적 방법

최근에는 소형 비행 로봇에 자동 감지와 실시간 내비게이션 기능을 부여하는 연구가 증가하고 있습니다. 이는 원격 감시, 물류, 스마트 도시 및 위험 환경에서의 긴급 지원 등 다양한 응용 분야를 가능하게 합니다. 이러한 맥락에서, 건물 뒤에 숨거나 대규모 드론 네트워크 내에서 숨어 있는 비인가 소형 무인 항공기(UAV) 추적을 하는 문제가 새롭게 제기되고 있습니다. 현재의 주로 정적인 지상 레이더 기반 솔루션과는 달리, 본 논문은 실시간 및 고정밀도로 악의적인 대상을 추적하기 위한 동적 레이더 네트워크 드론을 제안합니다. 이를 위해, 우리는 이질적으로 수집된 정보를 활용하여 드론의 실시간 내비게이션 솔루션을 설명합니다. 이러한 정보는 드론들이 멀티홉을 통해 서로 공유하며, 각 에이전트에서 작동하는 로컬 베이지안 추정기를 통해 대상을 추적할 수 있습니다. 모든 경로가 정보 수집 측면에서 동일하지 않기 때문에, 드론들은 UAV의 운동학 및 충돌 방지 제약 조건 하에서 대상 상태의 후방 공분산 행렬을 최소화하는 경로를 계획합니다. 우리의 결과는 동적 레이더 네트워크가 고정형 구성보다 더 나은 위치 결정 결과를 얻고, 드론에 장착된 센서 기술이 다양한 레이다 교차면을 가진 대상을 추적하는 정확도에 어떻게 영향을 미치는지 특히 비시야(NLOS) 상황에서 보여줍니다.

paper AI 요약
부등호, 삼각형, 미지의 형태 및 두 플레이어를 포함한 에지 매칭 문제

부등호, 삼각형, 미지의 형태 및 두 플레이어를 포함한 에지 매칭 문제

우리는 새로운 변형된 엣지 매칭 퍼즐의 계산 복잡도를 분석합니다. 먼저 인접 타일 사이의 부등식(등식 대신) 제약 조건을 분석하여, 엄격한 부등식에 대해 문제는 NP-완전하지만 비엄격한 부등식에 대해서는 다항시간 해결 가능함을 증명했습니다. 두 번째로 세 가지 유형의 삼각형 엣지 매칭을 분석하였으며, 그 중 하나는 다항시간 해결이 가능하고 나머지는 NP-완전합니다; 모든 세 가지 경우가 #P-완전합니다. 세 번째로 목표 형태를 지정하지 않은 경우에 대해 분석하여, 단순히 엣지가 일치하게 타일을 배치하는 문제는 NP-완전함을 밝혔습니다. 네 번째로 1 x n 엣지 매칭 기반의 네 가지 2인용 게임을 고려하였으며, 이 모두가 PSPACE-완전합니다. 우리의 대부분의 NP-난해성 환원은 절약형이며, 예를 들어 1 x n 엣지 매칭에 대한 #P 및 ASP 완전성을 새로 입증하였습니다.

paper AI 요약
무제한 예산 분석을 통한 무작위 탐색 휴리스틱 연구

무제한 예산 분석을 통한 무작위 탐색 휴리스틱 연구

모든 종류의 무작위 탐색 휴리스틱 성능 분석은 급속히 발전하는 연구 분야입니다. 실행 시간과 솔루션 품질은 이러한 알고리즘의 성능을 측정하는 두 가지 주요 지표입니다. 본 논문의 초점은 이 목표에 도달하는 데 걸리는 시간이 아니라, 최적화 휴리스틱이 달성하는 솔루션 품질에 있습니다. 이것은 실행 시간 분석과 크게 구분되는 부분입니다. 우리는 이를 더욱 발전시키기 위해 새로운 분석 프레임워크인 무한 예산 분석을 도입하여 임의의 계산 단계 후에 기대되는 적합성 값을 유도하고자 합니다. 이 프레임워크는 최근에 소개된 근사 오차 분석에서 그 뿌리를 찾으며, 고정 예산 분석과 일부 유사점이 있습니다. 우리는 이 프레임워크를 간단한 변이 기반 알고리즘에 적용하고 이를 통해 로컬 및 글로벌 탐색을 모두 다룹니다. 무한 예산 분석의 경우 여러 의사 불변 함수에 대한 해석적 결과를 제공하며, 동일한 알고리즘과 함수에 대해 고정 예산 프레임워크 내에서 유도된 결과와 비교합니다. 두 가지 다른 프레임워크에서 얻은 경계와 실제 관찰 성능을 비교하기 위한 실험 결과도 있습니다. 이 연구는 고정 예산 분석보다 더 일반적인 추정을 가능하게 하는 무한 예산 분석이 동일하거나 더 나은 추정을 제공할 수 있음을 보여줍니다.

paper AI 요약
신경 거북이 그래픽을 이용한 도시 도로 구조 모델링

신경 거북이 그래픽을 이용한 도시 도로 구조 모델링

본 논문에서는 Neural Turtle Graphics (NTG)를 제안하며, 이는 공간 그래프의 생성 모델로 활용되며 도시 도로 구조를 모델링하는 데 적용되었습니다. 구체적으로, 우리는 도로 구조를 노드와 간선으로 표현한 그래프를 통해 나타냈습니다. 여기서 노드는 제어 점을, 간선은 도로 구간을 의미합니다. NTG는 신경망으로 파라미터화된 순차적 생성 모델입니다. 이 모델은 현재 그래프에 기반하여 새로운 노드와 기존 노드에 연결되는 간선을 반복적으로 생성합니다. 우리는 Open Street Map 데이터를 사용해 NTG를 훈련시켰으며, 다양한 성능 지표를 통해 제안된 방법이 기존 접근법보다 우수함을 보였습니다. 또한 우리의 방법은 사용자가 도로 구조의 스타일을 조절할 수 있도록 하며, 도로 구조의 일부를 스케치하여 합성할 수 있습니다. 이 외에도 제안된 NTG는 위성 항공 사진 해석과 같은 분석적 작업에 활용될 수 있습니다. 실험 결과는 SpaceNet 데이터셋에서 최고 성능을 달성함을 보여줍니다.

paper AI 요약
해시 기반 레이 경로 예측 레이의 지역성을 활용한 BVH 순회 계산 생략

해시 기반 레이 경로 예측 레이의 지역성을 활용한 BVH 순회 계산 생략

최신 레이 추적 기술은 BVH 트리와 같은 계층적 가속 구조를 사용하여 장면 내의 객체들을 점점 더 작은 경계 볼륨으로 감싸는 방식을 채택하고 있습니다. 이러한 가속 구조는 레이가 교차하는 물체를 찾기 위해 수행해야 하는 레이-장면 교차 횟수를 줄입니다. 그러나 우리는 레이들이 이들 가속 구조를 탐색하면서 큰 중복성을 보고 있습니다. 현대의 가속 구조는 장면의 공간적 조직을 탐색하지만, 구조를 통과하는 레이 간의 유사성은 무시되어 중복된 탐색이 발생합니다. 본 논문은 새로운 유망한 기술인 해시 기반 레이 경로 예측(HRPP)을 제안하고, 이를 통해 레이들의 유사성을 활용하여 불필요한 가속 구조 탐색을 피하는 방법을 연구합니다. 우리의 데이터는 가속 구조 탐색이 플랫폼이나 목표 이미지 품질에 관계없이 레이 추적 랜더링 시간의 중요한 부분을 차지한다는 것을 보여줍니다. 본 연구는 사용되지 않은 레이의 지역성을 측정하고, 연관성이 있는 레이와 그렇지 않은 레이 모두를 위한 개선된 레이 탐색 성능의 이론적 잠재력을 평가합니다. HRPP는 평균적으로 모든 교차 탐색 계산 중 40%를 건너뛸 수 있음을 보여줍니다.

paper AI 요약
표면 그래프의 최소 자르기 방법

표면 그래프의 최소 자르기 방법

우리는 방향성 있는 표면에 내장된 무방향 그래프 G의 최소 (s,t)-커팅과 전역 최소 커팅을 효율적으로 계산하는 알고리즘을 설명합니다. n개의 정점을 가진 가중치가 주어진 무방향 그래프 G가 표면의 유전수 g에 내장되어 있을 때, 우리의 알고리즘은 이 문제를 $g^{O(g)} n log log n$ 또는 $2^{O(g)} n log n$ 시간 중 더 적게 걸리는 방법으로 해결할 수 있습니다. g가 상수일 경우, 우리의 $g^{O(g)} n log log n$ 시간 알고리즘은 기존에 알려진 평면 그래프에서 최소 커팅을 계산하는 알고리즘의 실행 시간과 일치합니다. 우리의 최소 커팅 알고리즘은 주어진 $ mathbb{Z}_2$-동형류에 속한 최소 가중치 서브그래프를 찾는 문제로 환원되며, 이 문제에 대한 효율적인 알고리즘도 제시합니다. G가 b개의 경계 구성 요소로 내장되어 있는 표면 위에 있을 때, 이러한 알고리즘은 $(g + b)^{O(g + b)} n log log n$과 $2^{O(g + b)} n log n$ 시간 중 더 적게 걸리는 방법으로 실행됩니다. 또한 단일 입력 사이클과 동형인 최소 가중치 서브그래프를 찾는 것은 NP-완전 문제임을 증명하여, 이 후자의 문제가 g에 대해 지수적으로 의존하는 것보다 개선할 수 없다는 것을 보여줍니다.

paper AI 요약
No Image

인도 에모스피치 명령 데이터셋 야외에서 감정 기반 음성 인식을 위한 데이터셋

발화 감정 분석은 여러 응용 사례를 가능하게 하는 중요한 작업입니다. 발화 내의 비언어적 소리도 발화에서의 감정 분석에 결정적인 역할을 합니다. 스마트폰의 널리 퍼진 사용으로, 마이크를 활용한 명령어 녹음을 이용해 기기 자체의 머신 러닝 모델로 감정 이해가 가능하게 되었습니다. 비언어적 정보는 주변 환경 소리와 현재 상황 및 진행 중인 활동을 설명합니다. 본 연구에서는 발화 내의 언어적(명령어)과 비언어적 소리(배경 음)를 모두 고려하여 실제 시나리오에서의 감정 분석을 수행하였습니다. 이를 위해 인도 EmoSpeech 명령어 데이터셋 이라는 자국적인 데이터셋을 작성하였습니다. 이 데이터셋은 다양한 감정과 배경 소리를 포함하고 있으며, 새로운 오디오 분석 도전 과제를 탐색하기 위한 목적으로 제시됩니다. 우리는 여러 기준 모델들과의 성능 지표별 비교를 철저히 진행하였습니다. 이를 통해 명령어 스팟팅을 위한 발화 명령어 데이터셋의 하위 집합에 대해 상위 1개 점수에서 평균적으로 3.3%의 유의미한 향상을 달성함을 보여주었습니다.

paper AI 요약
No Image

게임 기반 다중 에이전트 시스템에서의 융합

결집은 자연과 사회에서 보편적으로 나타나는 군집 행동의 하나로, 에이전트, 기업 또는 다른 물질들이 상태에 대한 합의를 유지하고 단일 집단으로 작동하는 것을 의미합니다. 이 논문에서는 n개의 독특한 초기 상태를 가진 이성적인 에이전트들의 결집을 고려합니다. 인구의 이성과 지능성을 고려하여, 결집 과정은 유일한 혼합 전략 나이시 균형 해를 갖는 이변량 게임으로 설명됩니다. 이 과정이 독립적인 확률 과정이 아니기 때문에 결집 과정을 분석하는 것이 어렵습니다. 제1 보렐-칸텔리 레마를 사용하여 모든 에이전트가 확률 1로 하나의 집단으로 결합할 것임을 증명합니다. 또한, 기대 결집 시간도 평가됩니다. 수익 함수가 거듭제곱 함수인 경우, 결집 시간의 분포와 기대값을 얻습니다. 마지막으로 이론적 결과의 유효성을 검증하기 위해 시뮬레이션 예제를 제공합니다.

paper AI 요약
신경 부분 합과 스파이크 네트워크-on-칩을 갖춘 저전력 재구성형 뉴로모픽 가속기

신경 부분 합과 스파이크 네트워크-on-칩을 갖춘 저전력 재구성형 뉴로모픽 가속기

다음 세대의 장치 내 AI는 에너지 효율적인 심층 신경망이 필요할 것입니다. 뇌에서 착안한 스파이킹 신경망(SNN)은 유력한 후보로 부상하고 있습니다. 곱셈기가 필요하지 않음으로써 에너지를 크게 절약하게 됩니다. 장치 내 응용 프로그램의 경우, 계산뿐만 아니라 통신도 많은 양의 에너지와 시간을 소비합니다. 본 논문에서는 Shenjing이라는 구성 가능한 SNN 아키텍처를 제안하며, 이는 모든 온칩 통신을 소프트웨어에 완전히 노출시켜 저전력으로 높은 정확도의 SNN 모델 맵핑을 가능하게 합니다. 이전의 TrueNorth와 같은 SNN 아키텍처와 달리 Shenjing은 맵핑을 위해 모델 수정과 재학습이 필요하지 않습니다. 우리는 기존 인공 신경망(ANN)인 다중 층 퍼셉트론, 컨볼루션 신경망 및 최신 잔차 신경망까지도 Shenjing에 성공적으로 맵핑할 수 있으며 이로써 ANNs는 SNN의 에너지 효율성을 실현할 수 있음을 보여줍니다. MNIST 추론 문제에서 다중 층 퍼셉트론을 사용하여 10개의 Shenjing 코어를 이용해 정확도 96%를 달성하면서 단 1.26mW만 소비하는 것을 확인했습니다.

paper AI 요약
생물학적 영감을 받은 CNN 아키텍처 LGN-CNN

생물학적 영감을 받은 CNN 아키텍처 LGN-CNN

이 논문에서는 시각 체계의 구조를 모방한 컨볼루셔널 신경망(CNN) 아키텍처인 LGN-CNN을 소개합니다. 이 아키텍처는 CNN의 첫 번째 컨볼루션 계층에 단일 필터를 구성하여 측면 유전체 핵(LGN)의 역할을 모방합니다. 신경망의 첫 번째 계층은 회전 대칭 패턴을 보여주며, 이는 네트워크 자체의 구조에서 파생된 것으로 Laplacian of Gaussian(LoG)의 근사치입니다. 후자의 기능은 다시 LGN 세포들의 수용 장 프로파일(RFPs)의 좋은 근사치가 됩니다. 신경망 아키텍처로부터 직접 도출되는 시각 체계와의 유사성이 확립됩니다. 고정된 LGN-CNN 아키텍처에 대한 회전 불변성을 증명하고 계산 결과를 제공합니다. 또한, LGN-CNN의 대조 불변성 능력을 조사하고 다양한 이미지에서 LGN-CNN의 첫 번째 계층과 LoG의 Retinex 효과 사이의 비교를 제공합니다. 두 번째 컨볼루션 계층의 필터에 대한 통계적 연구가 생물학적 데이터와 관련하여 수행되었습니다. 결론적으로, 제시된 모델은 LGN 및 V1의 RFPs를 잘 근사하고 Retinex 효과를 보이는 LGN 세포들의 장거리 연결에 대해 유사한 동작을 달성합니다.

paper AI 요약
AI 기반 컨볼루션 신경망을 이용한 순례자 감지

AI 기반 컨볼루션 신경망을 이용한 순례자 감지

순례는 세계에서 가장 중요한 이슬람 종교적 모임으로, 수백만 명의 순례자들이 마카와 메디나의 성지에 방문하여 그들의 의식을 수행합니다. 순례자의 안전과 보안은 관리 당국에게 최우선 과제입니다. 마카에서는 성지 주변에 5000대의 카메라가 설치되어 순례자를 모니터링하고 있지만, 초당 수집되는 이미지 수가 방대하기 때문에 인간이 모든 사건을 추적하는 것은 거의 불가능합니다. 이 문제를 해결하기 위해 우리는 딥러닝과 컨볼루셔널 신경망 기반 인공지능 기술을 활용하여 순례자와 그들의 특징을 감지하고 식별하려고 합니다. 이를 위해 우리는 순례자의 검출 및 성별 확인을 위한 포괄적인 데이터셋을 구축했습니다. 그런 다음 YOLOv3와 Faster-RCNN을 기반으로 하는 두 가지 컨볼루셔널 신경망을 개발하여 순례자를 감지하도록 했습니다. 실험 결과는 Inception v2 특징 추출기를 사용한 Faster RCNN이 모든 클래스에 대한 평균 정밀도의 평균치 51%를 제공한다는 것을 보여주었습니다.

paper AI 요약
No Image

분자가 신호를 이용한 1차원 통신 채널 특성 분석 두 개의 흡수 수신기를 대상으로

이 서한은 단일 송신기(TX)와 두 개의 완전 흡수 수신기(RXs) 사이의 채널 응답을 분석하기 위해 1차원(1D) 확산 기반 분자 통신 시스템을 개발합니다. 환경에서의 분자 감소를 고려하여, 분자가 TX에서 방출될 때 각 RX에서 흡수되는 분자의 비율, 대응하는 충돌률, 그리고 시간이 무한대로 가까워질 때 흡수되는 분자의 점근적 비율에 대한 엄격한 해석식을 유도합니다. 입자 기반 시뮬레이션을 사용하여 유도된 해석식을 검증하고, 두 RX의 분자 흡수가 서로에게 영향을 끼치지 않는 거리 범위를 제시하며, 두 개의 활성 수신기 간 상호 영향이 감소율 증가에 따라 줄어들음을 시뮬레이션으로 보여줍니다.

paper AI 요약
슬리더 스마트 계약을 위한 정적 분석 프레임워크

슬리더 스마트 계약을 위한 정적 분석 프레임워크

이 논문은 이더리움 스마트 컨트랙트에 대한 풍부한 정보를 제공하도록 설계된 정적 분석 프레임워크인 Slither에 대해 설명합니다. 이를 위해 Solidity 스마트 컨트랙트는 SlithIR이라는 중간 표현으로 변환됩니다. SlithIR은 정적 단일 할당(SSA) 형식과 축소된 명령 집합을 사용하여 분석의 구현을 용이하게 하면서, Solitidy를 바이트코드로 변환할 때 잃어버릴 수 있는 의미 정보를 유지합니다. Slither는 데이터 흐름 및 오염 추적과 같은 일반적으로 사용되는 프로그램 분석 기법에 적용됩니다. 우리의 프레임워크는 네 가지 주요 용도가 있습니다 (1) 취약성의 자동 탐지, (2) 최적화 기회의 자동 탐지, (3) 사용자의 컨트랙트 이해 향상, 그리고 (4) 코드 검토 지원. 이 논문에서는 Slither에 대한 개요를 제시하고, 그 중간 표현 설계와 실제 컨트랙트에서의 능력을 평가합니다. 우리는 Slither의 버그 탐지가 빠르고 정확하며, 속도, 견고성 및 검출과 거짓 양성 간의 균형 측면에서 이더리움 스마트 컨트랙트에 있는 문제를 찾는 다른 정적 분석 도구보다 우수함을 보여줍니다. 우리는 대규모 스마트 컨트랙트 데이터 세트를 사용하여 도구를 비교하고 가장 많이 사용되는 1000개의 컨트랙트 결과를 수동으로 검토했습니다.

paper AI 요약
온라인 행동 감지에 대한 시계열 모델링의 종합적 연구

온라인 행동 감지에 대한 시계열 모델링의 종합적 연구

온라인 행동 감지(OAD)는 실용적이면서도 난이도가 높은 작업으로, 최근 몇 년 동안 점점 더 많은 관심을 받고 있습니다. 일반적인 OAD 시스템은 주로 세 가지 모듈로 구성됩니다 대부분 사전 학습된 심층 컨볼루션 신경망(CNNs)에 기반한 프레임 수준의 특징 추출기, 시간적 모델링 모듈, 그리고 행동 분류기입니다. 그 중에서 시간적 모델링 모듈은 중요하며 과거와 현재의 특징으로부터 구별 가능한 정보를 집계합니다. 그러나 OAD뿐만 아니라 다른 주제에도 사용되는 많은 시간적 모델링 방법들이 개발되었음에도 불구하고, 그것들의 효과는 공정하게 조사되지 않았습니다. 본 논문은 OAD에 대한 시간적 모델링의 종합적인 연구를 제공하고자 하며, 네 가지 메타 유형의 시간적 모델링 방법을 포함합니다 시간적 풀링, 시간적 컨볼루션, 순환 신경망, 그리고 시간적 주의. 이 중 많은 부분은 OAD에서 처음으로 탐색되었으며 다양한 하이퍼 파라미터를 가지고 광범위하게 평가되었습니다. 또한 우리의 종합적인 연구에 기반하여, 우리는 몇 가지 혼합형 시간적 모델링 방법을 제시하며 THUMOS-14와 TVSeries에서 최근의 최고 성능 기법보다 큰 격차로 우수한 결과를 보여주었습니다.

paper AI 요약
그래프 변환을 이용한 부정적용조건 기반의 사용자 사례 진화 분석

그래프 변환을 이용한 부정적용조건 기반의 사용자 사례 진화 분석

사용 사례(UC)의 품질은 시스템 전체의 품질과 결함률에 영향을 미치며, 이들은 구현의 예상 동작을 지정합니다. 이전 연구에서는 자연어로 작성된 UC를 그래프 변환(GT)을 통해 순차적으로 번역하는 접근법을 정의하였습니다. 각 UC 단계는 하나의 변환 규칙으로 번역되며, 이를 통해 실제 구현이 이루어지기 전에 여러 사양 문제를 검출할 수 있어 개발 비용을 줄일 수 있습니다. 이 논문에서는 UC 진화를 다루기 위해 진화 규칙 이라는 개념을 확장하였습니다. 이러한 진화 규칙은 고차 규칙으로 표현되며, 동시에 변환 규칙 집합의 동작을 변경합니다. 또한 변환 및 진화 규칙에 연관된 **부적용 조건(NAC)** 을 지원합니다. 진화 규칙과 UC 단계를 설명하는 규칙 간 상호 작용 분석은 진화 효과와 잠재적인 영향력을 식별하는데 도움을 줍니다, 실제로 변경 사항이 이루어지기 전에 이를 수행할 수 있습니다. 이 논문에서는 NAC를 사용한 UC 진화의 이론적 기반뿐만 아니라 Verigraph 도구에서 진화 분석 기법을 구현하고 3개의 다른 사례 연구에서 잠재적인 영향력을 검증하였습니다. 결과는 개발자가 UC에 기반한 진화 과정을 돕기 위해 우리 접근법이 적용 가능하고 유용하다는 것을 입증합니다.

paper AI 요약
필수 구매 의무 하에서 시장 진입을 언제 제한해야 하는가?

필수 구매 의무 하에서 시장 진입을 언제 제한해야 하는가?

우리는 정부가 건강보험 시장에 개입하는 문제를 연구하였습니다. 예를 들어, 아파레블 케어 액트 교환처나 고용주들이 사기업체와 계약을 맺어 직원들에게 보험 상품을 제공할 때와 같은 상황입니다. 시장 규제자는 자유 경쟁 시장을 유지하거나 공급자의 진입을 제한함으로써 소비자 복지가 감소하더라도 경쟁 강화로 인해 수익이 줄어들게 할 수 있습니다. 우리는 공급자의 진입을 제한하는 것이 소비자가 구매할 때의 유틸리티(복지에서 수익을 뺀 값)를 증가시키는지 감소시키는지를 조사하였습니다, 특히 아무것도 구매하지 않는 것 이 매우 부적절한 선택일 경우를 중심으로 살펴보았습니다. 우리는 주로 공급자가 대칭적인 경우를 다루었습니다. 소비자 가치의 분포에 대한 충분 조건을 제안하였으며, 이는 (a) 자유 시장과 진입 제한 시장 모두에서 유일한 대칭 균형이 존재하고 (b) 유틸리티가 진입 제한으로 인해 증가하는 것을 보장합니다. 또한 이러한 결론이 모든 분포에 대해 항상 성립하지 않기 때문에 어떤 조건이 필요하다는 것도 밝혔습니다. 우리의 기법은 수익 최대화의 도구, 특히 Myerson의 가상 가치 이론을 주로 사용하였습니다. 우리는 공급자들이 계획 제공 비용이 동일한 경우와 두 개의 공급자가 비대칭적인 분포를 갖는 상황으로 확장도 고려하였습니다.

paper AI 요약
피드백 선형화 가능한 시스템을 위한 음시적 궤도 계획 시간변동 최적화 접근법

피드백 선형화 가능한 시스템을 위한 음시적 궤도 계획 시간변동 최적화 접근법

우리는 피드백 선형화 가능한 시스템의 실시간 경로 계획과 피드백 제어를 위한 최적화 기반 프레임워크를 개발합니다. 이를 달성하기 위해, 목표 경로를 시간 변동 최적화 문제의 최적 해로 정의합니다. 그러나 일반적으로 그러한 경로는 비홀노믹 제약 조건 등으로 인해 실행 불가능할 수 있습니다. 이러한 문제를 해결하기 위해, 목표 경로에 점근적으로 수렴하는 실행 가능한 경로를 생성하는 제어 법칙을 설계했습니다. 즉, 동적 전체 상태 선형화 가능한 시스템에 대해 제안된 제어 법칙은 비선형 시스템을 충분히 높은 차수의 최적화 알고리즘으로 암시적으로 변환합니다. 우리는 최적화 알고리즘과 원래 시스템 모두에서 목표 경로로의 전역 지수 수렴을 증명했습니다. 제약 조건이 있는 다중 대상이나 다중 에이전트 추적 문제에서 우리의 방법의 효과를 보여줍니다.

paper AI 요약
GUIComp 실시간 다각도 피드백을 제공하는 GUI 설계 도우미

GUIComp 실시간 다각도 피드백을 제공하는 GUI 설계 도우미

사용자는 그래픽 사용자 인터페이스(GUI)를 설계하는 과정에서 경험 부족과 지침 부재로 어려움을 겪곤 합니다. 본 논문은 경험이 없는 사용자가 GUI 설계 과정에서 마주치는 문제와 이를 해결하는 방법에 대해 조사하고자 합니다. 이를 위해 우리는 반구조화된 인터뷰를 수행하여 GUICompanion(GUIComp)이라는 GUI 프로토타이핑 지원 도구를 구축했습니다. 이 도구는 기존의 GUI 설계 소프트웨어와 연결되는 확장으로, 사용자의 현재 디자인에 대한 실시간 다면적 피드백을 제공합니다. 또한 우리는 두 가지 사용자 연구를 수행하여 참가자가 GUIComp를 사용한 경우와 그렇지 않은 경우에 대해 모바일 GUI를 만들도록 요청하고 온라인 근로자를 통해 생성된 GUI를 평가하도록 했습니다. 실험 결과는 GUIComp가 반복 설계를 촉진하며, 참가자들이 더 나은 사용자 경험을 제공하고 더 수용 가능한 디자인을 생산하는 데 도움이 되었다는 것을 보여줍니다.

paper AI 요약
연속시간 신호 시간 논리의 평균 기반 견고성

연속시간 신호 시간 논리의 평균 기반 견고성

연속 시간 신호 시공간 논리(STL) 사양을 위한 새로운 견고성 점수를 제안합니다. 신호의 진화 과정에서 가장 심각한 지점을 고려하는 대신, 전체 시간 구간 도메인에 걸친 모든 서브 공식들의 견고한 만족도를 강조하기 위해 평균 점수를 사용합니다. 우리는 이 새로운 점수가 복잡한 동역학과 다중 에이전트 시스템에서의 거짓 증명 및 제어 합성 문제에서의 장점을 보여줍니다.

paper AI 요약
블록체인 프로그래밍을 안전하게 위한 오브시디안 타입스테이트와 자산

블록체인 프로그래밍을 안전하게 위한 오브시디안 타입스테이트와 자산

블록체인 플랫폼은 상호 신뢰를 구축하지 않은 참여자들 사이에서 중요한 거래를 처리하는 데 널리 사용되고 있습니다. 많은 블록체인은 스마트 컨트랙트를 지원하는 프로그램 가능성을 가지고 있으며, 이들은 지속 가능한 상태를 유지하고 상태를 변화시키는 트랜잭션을 지원합니다. 불행히도, 수많은 스마트 컨트랙트의 버그가 해커에 의해 악용되었습니다. Obsidian은 현재 스마트 컨트랙트에서 일반적으로 발생하는 버그를 정적 분석으로 탐지할 수 있는 새로운 프로그래밍 언어입니다. Obsidian은 Silica라는 핵심 계산을 기반으로 하며, 우리는 이를 통해 유형의 안전성을 증명했습니다. Obsidian은 유현재상(typestate)을 사용하여 부적절한 상태 조작을 탐지하고 선형 유형(linear types)을 사용하여 자산의 악용을 탐지합니다. 우리는 파라메트릭 보험과 공급망 관리 분야에서 Obsidian의 적용성을 평가하는 두 가지 사례 연구를 제시하며, Obsidian의 유형 시스템이 고수준 상태와 리소스 소유권에 대한 추론을 용이하게 한다는 것을 발견했습니다. 우리는 Obsidian 구현과 Solidity 구현을 비교하여, Solidity 구현은 많은 보일러플레이트 체킹 및 상태 추적을 요구하는 반면, Obsidian은 이를 정적으로 처리한다는 것을 관찰했습니다.

paper AI 요약
기하학적 중심과 깊이를 위한 최적 알고리즘

기하학적 중심과 깊이를 위한 최적 알고리즘

$ renewcommand{ Re}{ mathbb{R}}$ 우리는 암시적으로 정의된 제약 조건을 가지는 암시적 선형 계획 문제를 해결하는 일반적인 랜덤화 기법을 개발했습니다. 이러한 제약 조건의 구조를 활용하면 효율적인 선형 프로그램 솔버를 얻을 수 있습니다. 이 기법을 사용하여 기하학에서 기본적인 다양한 문제에 대해 근사 최적 알고리즘을 개발했습니다. 주어진 점 집합 $P$가 크기가 $n$인 $ Re^d$ 공간에 있을 때, 점 집합의 기하학적 중심을 계산하는 알고리즘을 개발했습니다. 여기에는 중심점과 Tukey 중앙값 및 기타 복잡한 중앙성 측정 방법이 포함됩니다. $d=2$인 경우 새로운 알고리즘이 예상 시간 $O(n log n)$에 실행되고, 이는 최적입니다. 또한 상수 $d>2$인 경우에는 예상 시간이 $O(n^{d-1})$ 내에서 하나의 로그 팩터를 가지며, 이러한 문제 중 일부에서는 근사 최적이 될 가능성이 높습니다.

paper AI 요약
전력망 복구를 위한 결정 자동화

전력망 복구를 위한 결정 자동화

비상사태 이후, 전력망, 수자원 네트워크, 교통시스템과 같은 중요한 인프라 시스템은 어느 공동체의 복지에 큰 역할을 합니다. 이러한 인프라 시스템들의 회복은 매우 중요하며, 그 회복 과정에는 제한된 자원(인력 수리 전문가와 기계)을 손상된 인프라 구성 요소에 할당하는 것이 포함됩니다. 결정자들은 리소스 할당의 결과에 대한 불확실성도 고려해야 합니다. 많은 선택지와 연속적인 결정의 결과에 대한 불확실성을 다루는 것은 쉽지 않으며, 이 문제는 mbox{NP-난이도}로 알려져 있습니다. 저희는 이러한 대규모 실제 문제에서 발생하는 방대한 수의 의사결정을 처리할 수 있는 새로운 의사결정 기법을 제안합니다. 또한 우리의 방법은 소수의 선택에 대한 성능을 기반으로 계산 자원의 활용을 적응적으로 결정하는 경험 학습 구성 요소를 가지고 있습니다. 저희 프레임워크는 클로즈드 루프이며, 그러한 의사결정 시스템에서 모든 매력적인 특성을 자연스럽게 통합합니다. 현재 선택에 대한 미래 효과를 고려하지 않는 단기적 접근법과 달리, 우리의 방법론은 예측 학습 구성 요소를 통해 솔루션에 emph{예지}를 효과적으로 통합합니다. 이를 위해 우리는 회귀 분석 이론, 마코프 의사결정 과정(MDP), 다중 팔대기 문제, 그리고 자연 재해로 인한 공동체 피해의 확률적 모델을 활용하여 위험으로부터 영향받은 공동체 복구를 위한 방법을 개발했습니다. 우리의 방법은 방대한 행동 공간을 가진 MDP에 대한 일반적인 문제 해결에도 기여합니다.

paper AI 요약
sql4ml 머신 러닝을 위한 선언적 end-to-end 워크플로우

sql4ml 머신 러닝을 위한 선언적 end-to-end 워크플로우

본 논문에서는 기계 학습(ML) 모델을 SQL로 표현하고 이를 TensorFlow에서 자동으로 훈련시키는 시스템인 sql4ml에 대해 설명합니다. 이 연구의 주된 동기는 데이터 과학 작업 중 관계형 데이터베이스와 ML 프레임워크 사이의 상호작용을 간소화하려는 것입니다. 데이터 전처리와 특성 공정은 일반적으로 데이터베이스에서 이루어지지만, 학습은 별도의 ML 라이브러리에서 진행됩니다. 이러한 분산된 워크플로우는 사용자가 다양한 프로그래밍 패러다임과 소프트웨어 시스템 사이를 넘나들어야 하는 부담을 줍니다. sql4ml을 통해 사용자는 특성 공정 및 ML 알고리즘 모두를 SQL로 표현할 수 있으며, 이 코드가 적절한 형식으로 ML 프레임워크 내에서 훈련될 수 있도록 번역됩니다. 우리의 번역 방법론을 설명하고 세 가지 잘 알려진 ML 알고리즘에 적용한 실험 결과를 제시하며, 데이터베이스 측면에서 전체 워크플로우를 집중화하는 데 따른 사용성의 이점을 논의합니다.

paper AI 요약
No Image

자율주행차 성능 평가를 위한 시나리오 정의를 위한 본질적 체계 객체 지향 프레임워크

자율주행차의 성능을 평가하는 새로운 방법론 개발은 자동 주행 기술의 도입을 가능하게 하기 위해 필수적이다. 이는 자율주행차의 복잡한 운영 영역 때문인데, 여기서 한 가지 해결 방안으로 실제 운전 데이터로부터 얻어진 실제 도로 교통 상황에서 시험 사례를 유도하는 기반 시나리오 평가법이 있다. 이러한 시나리오에서 모델링되는 현실의 복잡성을 정의하는 구조를 만드는 것은 과제이다. 시나리오로서 자격을 갖추기 위해 필요하고 충분한 특징들을 제공하는 내적 정의를 통해, 구성된 시나리오들이 완전하며 상호 비교 가능하다는 것을 보장한다. 본 논문에서는 문헌에 있는 정의를 고려하면서 시나리오라는 개념에 대한 포괄적이며 실행 가능한 정의를 개발하였다. 이를 위해 객체 지향 프레임워크를 제안하여 시나리오와 그 구성 요소들을 속성, 메서드, 그리고 다른 객체들과의 관계를 가진 객체 클래스로 정의한다. 객체지향 접근법은 객체들의 명확성, 모듈성, 재사용성 및 캡슐화를 증가시킨다. 각각의 용어에 대한 정의와 설명을 제공하고, 더 나아가 이 프레임워크는 공개적으로 이용 가능한 코딩 언어로 변환하기 위한 용어들을 번역한다.

paper AI 요약
MPC 기반 인버터 전력 제어를 이용한 저인erti아 전력 시스템의 주파수 안정성

MPC 기반 인버터 전력 제어를 이용한 저인erti아 전력 시스템의 주파수 안정성

전기 그리드는 대부분의 동기 기계로 구성된 네트워크에서 풍력, 태양광 및 에너지 저장 장치와 같은 인버터 기반 자원(IBR)과 동기 기계가 혼합되어 있는 네트워크로 진화하고 있습니다. 이러한 변화는 시스템 내의 기계적 관성량을 줄이는 결과를 초래하였으며, 이에 따라 새로운 자원들이 인버터 인터페이스를 통해 주파수 반응을 제공해야 하는 필요성이 생겼습니다. 본 논문에서는 시스템에서 발생하는 장애 상황에서 인버터의 최적의 유동 전력 설정 값을 결정하기 위한 모델 예측 제어(MPC) 기반 새로운 전략을 제안합니다. 우리의 프레임워크는 전력 및 에너지에 대한 하드 제약 조건을 명시적으로 고려하고, 측정 노이즈와 통신 지연을 포함한 다양한 요인에 대해 강성성을 보여줍니다. 이를 위해 실시간으로 모델 불일치를 추정하기 위한 관찰기를 사용합니다. 표준 39-bus 시스템에서 여러 시나리오 아래에서 최적 조정된 가상 동기 기계와 비교했을 때 제안한 컨트롤러가 크게 우수함을 보여주었으며, 이는 최적화된 인버터 기반 자원이 전통적인 동기 기계보다 더 나은 주파수 반응을 제공할 수 있음을 시사합니다.

paper AI 요약
No Image

전력 네트워크에서의 피어투피어 거래 개요

피어-투-피 거래는 경제적으로 주도적인 소비자(프로SUMER)가 에너지를 상품과 서비스로 거래하는 미래 지향적인 에너지 관리 기법입니다. 동시에, 피어-투-피 에너지 거래는 피크 수요를 줄이고 예비 용량 요구를 낮추며 네트워크 손실을 감소시켜 전력망에 도움이 될 것으로 기대됩니다. 그러나 전력망에서 대규모로 피어-투-피 거래를 배포하는 것은 가상 및 물리 계층의 거래를 모델링하기 위한 여러 가지 과제를 제기합니다. 따라서 이 논문은 피어-투-피 에너지 거래 기술에 대한 최신 연구의 포괄적인 검토를 제공하며, 이를 통해 피어-투-피 거래의 주요 특징과 전력망 및 프로SUMER에게 중요한 혜택을 개괄합니다. 그런 다음 우리는 가상 및 물리 계층에서 연구가 해결하려는 과제에 따라 기존 연구를 체계적으로 분류하고, 피어-투-피 거래의 문제를 해결하기 위해 널리 사용된 기술적 접근법들을 식별하고 논의합니다. 마지막으로, 이 논문은 잠재적인 미래 연구 방향을 제시하며 마무리됩니다.

paper AI 요약
대수적 $k$-집합과 일반적으로 이웃한 임베딩

대수적 $k$-집합과 일반적으로 이웃한 임베딩

이 논문은 폴리노미얼 집합 시스템에서 k-면을 정확히 세는 방법과, 일반 위치에 있는 점들의 개수와 관계없이 특정값만으로 k-면의 수를 결정할 수 있는 방법을 제시합니다. 또한 일반적인 위치에서 동심원과 고차 homogeneous 다항식에 대한 새로운 결과를 제공하며, 이들 결과는 이전 연구에서 얻은 것보다 더 정확한 결과를 보여줍니다.

paper AI 요약
재귀적이고 무작위적인 센싱 결함에 대한 동적 라우팅의 회복력

재귀적이고 무작위적인 센싱 결함에 대한 동적 라우팅의 회복력

피드백 기반 동적 라우팅은 교통 체계에서 일반적으로 사용되는 제어 전략 중 하나이다. 이와 같은 제어 전략들은 각 링크의 실시간 교통 상태에 대한 정보를 의존한다. 그러나 이러한 정보는 일시적인 센싱 오류로 인해 항상 관찰될 수 없다. 본 논문에서는 두 개의 병렬 경로에서 동적 라우팅을 고려하며, 각 링크의 센싱은 재발성과 무작위 오류를 포함한다. 이러한 오류들은 유한 상태 마르코프 체인에 따라 발생하고 해결된다. 만약 한 링크에서 센싱이 오류를 일으키면 그 링크의 교통 상태는 컨트롤러에게 0으로 보여진다. 본 논문은 마르코프 과정과 단조 동적 시스템 이론을 기반으로 네트워크의 안정성 조건을 설정하여 센싱 오류에 직면한 네트워크의 가용성을 나타내는 신뢰성 점수의 하한값과 상한값을 유도한다. 이러한 결과를 이용해 다양한 주요 매개변수가 네트워크의 신뢰성 점수에 미치는 영향을 연구하였다. 본 논문의 주요 결론은 다음과 같다 (i) 센싱 오류는 처리량을 줄이고 기본적으로 안정적인 네트워크를 불안정하게 만들 수 있다; (ii) 높은 고장률이 반드시 처리량을 감소시키지는 않으며, 최저 처리량을 낮추는 특정 고장률이 존재할 수 있다; (iii) 두 링크의 고장 확률 간 상관관계가 클수록 처리량이 증가한다; (iv) 두 링크 사이의 용량 차이가 클 경우 처리량이 감소할 수 있다.

paper AI 요약
DUNE 프레임워크 기본 개념과 최근 발전

DUNE 프레임워크 기본 개념과 최근 발전

이 논문은 분산 및 통합된 수치 환경(Distributed and Unified Numerics Environment)의 기본 개념과 모듈 구조를 제시하며, 2007년 첫 번째 Dune 버전 출시 이후의 주요 개발과 변화에 대해 설명합니다. 이 논문은 도메인 결합 및 쿠팅 셀, 그리드 수정(예 적응화 및 이동 도메인), 고차원 해석 및 노드 수준 성능, 미분 가능한 다중 격자 방법, 그리고 다중 규모 방법 등의 다양한 고급 기능에 대한 설명을 포함하고 있습니다. 논문은 프레임워크의 현재 개발 방향과 미래 전망에 대해 간략하게 논합니다.

paper AI 요약
등한계 단어들의 비결정적 유한 오토마타의 VC 차원

등한계 단어들의 비결정적 유한 오토마타의 VC 차원

$NFA_b(q)$를 $q$ 상태와 $b$ 문자로 구성된 알파벳을 사용하는 비결정적 유한 오토마타가 인식하는 언어의 집합이라고 하자. 그리고 $B_n$을 길이 $n$인 단어들의 집합이라고 하자. 이 논문에서는 $ {L cap B_n mid L in NFA_2(q) }$의 VC 차원에 대한 2차식 하한치를 제공한다. 다음으로, Gruber와 Holzer(2007)가 $B_n$에 포함된 유한 언어의 비결정적 상태 복잡도에 대한 상한을 제시하였는데, 이 논문에서는 우리의 방법을 사용하여 이를 강화한다. 마지막으로, $NFA_2(q) cap B_n$의 VC 차원과 테스팅 차원에 대한 $n$의 종속성을 몇 가지 이론적이고 실험적인 결과를 제공한다.

paper AI 요약
정확한 경계 기반 FEM을 이용한 전자기 분석 및 다 ölçek 구조물에의 응용

정확한 경계 기반 FEM을 이용한 전자기 분석 및 다 ölçek 구조물에의 응용

이 논문은 2차원 원통형 및 3차원 카르테시안 시스템의 전자기 분석을 위한 정확한 에지 기반 스무딩 유한 요소 방법 (ES-FEM)을 소개하며, 메쉬 왜곡에 대한 정확성과 수치 안정성이 기존 FEM보다 훨씬 우수함을 보여줍니다. ES-FEM에서는 전통적인 FEM와 달리 계산 도메인은 각 요소의 에지와 연관된 겹치지 않는 스무딩 도메인으로 나뉩니다. 2차원 도메인에서는 삼각형, 3차원 도메인에서는 사면체를 사용합니다. 그런 다음 FEM의 강도 행렬에 있는 기울기 성분을 부드럽게 하기 위해 기울기 스무딩 기술 (GST)이 사용됩니다. 여러 수치 실험을 통해 정확성과 수치 안정성을 검증했습니다. 수치 결과는 ES-FEM이 훨씬 더 정확한 결과를 얻을 수 있으며 메쉬 왜곡에 거의 독립적임을 보여줍니다.

paper AI 요약
신경세포를 이용한 디지털 논리 회로 분자 통신 분석

신경세포를 이용한 디지털 논리 회로 분자 통신 분석

생물학의 발전에 따라 여러 새로운 도구들이 지난 몇 년 동안 현재 의료 절차를 대체할 가능성이 있는 것으로 개념화되었습니다. 대부분의 이러한 응용 프로그램은 다양한 만성 질환에 적용됩니다. 본 연구는 합성적으로 설계된 신경세포가 어떻게 디지털 논리 게이트로서 작동할 수 있는지를 조사하고, 이를 통해 뇌를 위한 생물학적 컴퓨팅을 실현하는 방법을 탐구합니다. 우리는 높은 발화율 하에서 신경세포 네트워크 내의 논리 게이트 정확도를 측정하며, 얼마나 원치 않는 신경세포 발화를 완화시키는지 분석합니다. 본 방법의 효능을 검증하기 위해, 논리 게이트 구조로 연결된 뉴런의 계산 모델로 구성된 시뮬레이션을 수행했습니다. 이러한 시뮬레이션은 올바른 논리 연산을 수행하는 정확도를 보여주었으며, 발화율과 같은 특정 속성이 정확성에 중요하게 작용할 수 있음을 밝혔습니다. 분석의 일부로써, 평균 제곱 오차는 우리의 모델 품질을 측정하고 다양한 샘플링 주파수를 기반으로 게이트의 정확한 동작을 예측하는 데 사용되었습니다. 응용 사례로서 논리 게이트는 신경세포 네트워크에서 발작을 억제하는데 사용되었으며, 결과는 발화율 감소에 대한 효과성을 입증하였습니다. 우리의 제안된 시스템은 뇌의 다양한 신경학적 상태를 계산하는 잠재력을 가지고 있습니다.

paper AI 요약
No Image

동의 하에 사회 네트워크 구축 문헌 고찰

이 논문은 연결 형성에 대한 상호 동의의 가설 하에서 네트워크 형성의 게임 이론 모델을 탐색하는 문헌 조사를 다룹니다. 연결 형성에 동의를 도입하면 네트워크 형성 과정에서 조정 문제가 발생합니다. 이 조사는 이러한 이론과 연결 형성을 위한 다양한 방법론을 통해 주요 함정을 피하려는 시도를 탐색합니다. 주된 통찰력은 Myerson이 연결 형성에 대한 상호 동의와 양적인 연결 형성 비용 하에서 네트워크 형성의 게임 이론 모델에서 항상 빈 네트워크(연결이 없는 네트워크)가 강한 나시 균형을 이루는 결론을 내린 작업에서 유래됩니다. Jackson과 Wolinsky는 이러한 주요 함정을 피하기 위해 협력적 프레임워크를 도입했습니다. 그들은 주로 비즈니스적이지 않은 균형 네트워크에 도달하도록 쌍방 안정 네트워크의 개념을 만들어냈습니다. 그러나 이 쌍방 안정성의 개념은 연결 형성을 위한 의사결정자들의 짝이 조정된 행동을 요구합니다. 본 논문에서는 상호 동의 하에서 네트워크 형성을 위한 순수한 비협력적 프레임워크 속에서 이러한 문제를 해결하기 위해 표준 나시 균형 개념의 잠재적인 세부화를 탐색하고, 비즈니스적이지 않은 네트워크가 어떻게 발생하는지를 설명합니다. 이는 개인들이 다른 사람들이 자신의 노력을 통해 네트워크를 수정할 때 어떻게 반응할 것인지에 대한 고급 합리적 사고를 기반으로 하는 단일 안정성과 제약된 합리적인 행동을 네트워크 형성 과정에 통합하는 모니케이드 안정성을 포함합니다. 이 조사는 상호 동의 하에서 네트워크 형성을 위한 대안적 프레임워크로 외부 상관 장치를 초기 탐색으로 마무리됩니다.

paper AI 요약
코딩 기술을 활용한 단일 포트 메모리의 멀티포트 메모리 성능 달성

코딩 기술을 활용한 단일 포트 메모리의 멀티포트 메모리 성능 달성

현재 많은 성능 중심 시스템은 멀티포트 메모리와 같은 성능 개선을 통해 증가하는 메모리 접근 용량 요구를 충족시키기 위해 의존하고 있습니다. 그러나 기존의 멀티포트 메모리 설계는 큰 영역 차지와 복잡성을 가지고 있어 그 적용성이 제한적입니다. 이 논문은 코딩 이론을 이용해 이러한 문제를 해결하려고 합니다. 특히, 이 논문에서는 여러 단일 포트 메모리 뱅크에 데이터를 인코딩하여 알고리즘적으로 멀티포트 메모리의 기능을 구현하는 프레임워크를 소개합니다. 이 논문은 저장 공간 오버헤드가 현저히 적은 세 가지 코드 설계를 제안하며, 더욱 성능을 개선하기 위해 여러 코어에서 보내는 읽기와 쓰기 요청을 더 효율적으로 스케줄링할 수 있는 메모리 컨트롤러 설계도 제시합니다. 또한 DRAM 트레이스에 따라 코드 기반 메모리 설계의 효율성을 개선하기 위한 동적 인코딩 기술을 탐구하고, 제안된 코딩 메모리 설계에서 중요한 단어 읽기와 쓰기 지연 시간이 전통적인 미코딩 메모리 설계보다 크게 향상됨을 보여줍니다.

paper AI 요약
네우로모픽 프로세서에서 대리 경사하강법을 활용한 온칩 몇 샷 학습에 대한 연구

네우로모픽 프로세서에서 대리 경사하강법을 활용한 온칩 몇 샷 학습에 대한 연구

최근 연구는 생물학적 모델의 뉴런과 뇌형태 학습장치에서 시냅스 플라스틱화 동력학이 기울기 기반 학습과 호환될 수 있음을 제안하고 있습니다 (Neftci et al., 2019). 기울기 기반 학습은 데이터셋을 여러 번 반복해야 하므로 시간이 많이 걸리고, 훈련 샘플들이 독립적이고 동일한 분포를 가질 필요가 있습니다. 이는 훈련과 추론 사이에 경계가 없는 시스템에는 적합하지 않습니다. 이를 극복하는 한 가지 접근 방법은 전이 학습으로, 네트워크의 일부는 사전 훈련되고 하드웨어로 매핑되며 나머지 부분은 온라인 학습됩니다. 전이 학습은 태스크 도메인이 알려져 있으면 오프라인에서 사전 훈련을 가속화할 수 있고, 각 클래스의 일부 샘플만으로도 목표 태스크를 합리적인 정확도로 학습하는 이점이 있습니다. 여기서 우리는 Intel의 Loihi 뇌형태 연구 프로세서에서 특징이 주파수 기반 기울기 역전파를 통해 사전 훈련된 온라인 대리 기울기 소 샷 학습을 시연합니다. 실험 결과는 Loihi 칩이 작은 수의 샷으로 온라인에서 제스처를 학습하고, 일반적인 프로세서에서 시뮬레이션된 모델과 비교할 수 있는 결과를 얻음을 보여줍니다.

paper AI 요약
디지털 이미지의 스테가날리시스를 위한 채널 가위기 지원 딥 리즈드 네트워크 CALPA-NET

디지털 이미지의 스테가날리시스를 위한 채널 가위기 지원 딥 리즈드 네트워크 CALPA-NET

과거 몇 년 동안 딥러닝 기반의 스테가널라이저의 탐지 성능 향상은 대부분 구조 확장에 의해 이루어졌습니다. 그러나 과도한 구조 확장은 거대한 계산 비용, 저장 공간 부담을 초래하고 결국 학습과 배포를 어렵게 만듭니다. 본 논문에서는 기존의 방대하고 과하게 파라미터화된 딥러닝 기반 스테가널라이저의 네트워크 구조를 축소하기 위한 ChAnneL-Pruning-Assisted 깊은 잔차 네트워크 아키텍처 탐색 접근 방식인 CALPA-NET을 제안합니다. 본 논문에서는 기존 딥러닝 기반 스테가널라이저의 광범위한 역피라미드 구조가 잘 확립된 모델 다양성 중심 철학과 상충될 수 있으며, 따라서 스테가널리시스에 적합하지 않다는 것을 관찰합니다. 그런 다음 데이터 주도 방식으로 모든 관련 컨볼루션 레이어를 자동으로 축소시키는 두 가지 네트워크 가위 작업 기법을 결합한 하이브리드 기준을 도입합니다. 결과적으로 형성된 네트워크 아키텍처는 가늘고 목구멍 같은 구조를 보여줍니다. 우리는 BOSSBase+BOWS2 데이터셋, 더 다양한 ALASKA 데이터셋 및 심지어 ImageNet CLS-LOC 데이터셋에서 추출한 대규모 하위 집합에 대한 광범위한 실험을 수행했습니다. 실험 결과는 제안된 CALPA-NET으로 생성된 모델 구조가 원래 스테가널리시스 모델의 약 2% 미만의 파라미터와 약 1/3의 FLOPs로도 비교 가능한 성능을 달성할 수 있음을 보여줍니다. 새로운 모델은 더 나은 적응성, 전이 가능성 및 확장성을 갖추고 있습니다.

paper AI 요약
BRISC-V 오픈소스 아키텍처 설계 공간 탐색 도구박스

BRISC-V 오픈소스 아키텍처 설계 공간 탐색 도구박스

이 논문에서는 레지스터-트랜스퍼 수준 (RTL) 아키텍처 설계 공간 탐색을 위한 플랫폼을 소개합니다. 이 플랫폼은 오픈 소스이며, RISC-V 기반의 단일 및 멀티코어 시스템 설계를 위해 파라미터화되고 합성 가능한 RTL 모듈 세트로 구성됩니다. 플랫폼은 높은 수준의 모듈성을 갖추고 있습니다. 다양한 복잡도의 RISC-V 기반 코어, 다중 레벨 캐시 및 메모리 조직, 시스템 토폴로지, 라우터 아키텍처 및 라우팅 방식을 탐색하기 위한 고성능, 정확한 파라미터화된, 조합 가능한 RTL 모듈을 제공합니다. 이 플랫폼은 RTL 시뮬레이션과 FPGA 기반의 에뮬레이션에 사용될 수 있습니다. 하드웨어 모듈은 벤더별 블록 없이 합성 가능한 Verilog로 구현되었습니다. 플랫폼에는 코어를 위한 소프트웨어 개발을 돕는 RISC-V 컴파일러 도구체인, 시스템 구성용 웹 기반 그래픽 사용자 인터페이스 (GUI), 그리고 RISC-V 어셈블리 시뮬레이터가 포함되어 있습니다. 이 플랫폼은 단순한 싱글 사이클 프로세서에서 복잡한 메모리 계층과 네트워크-온-칩을 갖춘 멀티코어 SoC까지 다양한 RISC-V 아키텍처를 지원합니다. 모듈은 증분적 추가 및 수정을 지원하도록 설계되었습니다. 구성 요소 간의 인터페이스는 프로세서의 전체 캐시 모듈, 코어 또는 개별 파이프라인 스테이지가 시스템의 나머지를 변경하지 않고 수정되거나 교체될 수 있도록 설계되었습니다. 이 플랫폼은 연구원들이 필요에 따라 맞춤화할 수 있는 완성된 RISC-V 멀티코어 시스템을 빠르게 인스턴스화하고 합성 가능한 RTL로 만들 수 있게 합니다.

paper AI 요약
자동화된 정보그래픽 디자인을 향한 노력 딥러닝 기반의 확장형 타임라인 자동 추출

자동화된 정보그래픽 디자인을 향한 노력 딥러닝 기반의 확장형 타임라인 자동 추출

디자이너들은 정보그래픽을 만들 때 효과적인 인지성과 시각적 스타일 모두를 고려해야 합니다. 이 과정은 전문 디자이너에게도 어렵고 시간이 많이 소요되며, 초보 사용자는 더욱 어려울 수 있습니다. 따라서 자동화된 정보그래픽 설계에 대한 수요가 있습니다. 본 연구에서는 타임라인 정보그래픽을 자동으로 추출하는 종단 간 접근법을 제안합니다. 우리의 접근 방법은 분해와 재구성의 패러다임을 채택하고, 분해 단계에서 다중 작업 딥 뉴럴 네트워크를 사용하여 비트맵 이미지 타임라인에서 두 가지 유형의 정보를 동시에 해석합니다. 하나는 전체적인 정보, 즉 타임라인의 표현, 척도, 레이아웃 및 방향성이고, 다른 하나는 각 시각 요소의 위치, 범주 및 픽셀입니다. 재구성 단계에서는 비트맵 이미지에서 확장 가능한 템플릿을 추출하기 위해 세 가지 기법인 Non-Maximum Merging, Redundancy Recover, 그리고 DL GrabCut를 사용하는 파이프라인을 제안합니다. 우리의 접근 방법의 효과를 평가하기 위해 합성 타임라인 데이터셋(4296개 이미지)과 인터넷에서 수집한 실제 타임라인 데이터셋(393개 이미지)을 작성하였습니다. 우리는 두 데이터셋에 대한 양적 평가 결과를 보고하고, 자동으로 추출된 템플릿 및 이러한 템플릿을 기반으로 생성된 자동 타임라인의 예제를 제시하여 성능을 질적으로 입증합니다. 결과는 우리의 접근 방법이 실제 타임라인 정보그래픽에서 확장 가능한 템플릿을 효과적으로 추출할 수 있음을 확인합니다.

paper AI 요약
다중 에이전트 강화학습에서의 이질성

다중 에이전트 강화학습에서의 이질성

다양성은 다중 에이전트 강화학습(MARL)의 기본적인 속성으로, 에이전트 간의 기능적 차이뿐만 아니라 정책 다양성과 환경 상호작용에도 밀접하게 관련되어 있습니다. 그러나 MARL 분야에서는 아직도 다양성을 엄격히 정의하고 깊게 이해하는 데 부족한 상태입니다. 본 논문은 에이전트 수준의 모델링을 기반으로 다양성의 정의, 측정 및 활용 방법에 대해 체계적으로 다룹니다. 먼저, 본 연구는 다양한 종류의 다양성을 분류하고 수학적인 정의를 제공합니다. 두 번째로, 다양성 거리라는 개념을 제시하고 실제 측정 방법을 제안합니다. 세 번째로, 우리의 방법론을 적용하는 예제로서 다양성 기반 다중 에이전트 동적 파라미터 공유 알고리즘을 설계합니다. 사례 연구를 통해 다양한 종류의 에이전트 다양성을 효과적으로 식별하고 측정할 수 있음을 보여주며, 실험 결과는 제안된 알고리즘이 다른 파라미터 공유 기반 라인에 비해 해석성이 더 뛰어나고 적응력이 강함을 확인합니다. 본 연구 방법론은 MARL 커뮤니티가 다양성에 대해 더 포괄적이고 깊게 이해할 수 있게 하며, 실용적인 알고리즘 개발을 더욱 촉진시킬 것입니다.

paper AI 요약
No Image

좌표 행렬 기계 매우 유사한 문서를 분류하기 위한 인간 수준의 개념 학습

인간 수준의 개념 학습은 일반적으로 단일 예제에서 새로운 개념을 배우는 반면, 기계 학습 알고리즘은 단일 개념을 배우기 위해 수백 개의 샘플이 필요하다는 주장을 한다. 우리의 뇌는 중요한 특징들을 무의식적으로 인식하고 더 효과적으로 학습한다. 이 논문에서는 Coordinate Matrix Machine (CM$^2$)을 제시한다. CM$^2$은 문서 구조를 학습하고 이 정보를 사용하여 문서를 분류함으로써 인간 지능을 보완하는 목적으로 설계된 작은 모델이다. 현대 Red AI 트렌드는 대규모 사전 훈련과 에너지 집약적인 GPU 인프라에 의존하지만, CM$^2$은 Green AI 솔루션으로 설계되어 있다. 이 알고리즘은 인간이 고려할 중요한 특징들만 식별하여 매우 유사한 문서를 분류하는 데 단일 샘플을 사용한다.

paper AI 요약
주의가 필요한 포커스 주의 할당에 대한 통일된 관점

주의가 필요한 포커스 주의 할당에 대한 통일된 관점

Transformer 아키텍처는 대형 언어 모델(LLM)의 주춧돌로, 특히 그 주목할 만한 성공은 주목력(attention mechanism)에 의존하고 있습니다. 그러나 표준 주목력 메커니즘에는 표현력 붕괴와 주목력 침수 같은 잘 알려진 문제들이 존재합니다. 이전 연구는 이러한 문제가 각각 독립적으로 다루어져 있어 그 깊은 연결성이 가려졌습니다. 본 논문에서는 이러한 문제들을 공통의 근본 원인 - 부적절한 주목력 할당으로 설명하는 통합적인 관점을 제시합니다. 두 가지 실패 모드를 식별하였는데, 첫째로는 토큰들이 비슷한 높은 가중치를 받으면서 의미적 특징이 흐려져 표현력 붕괴가 일어나는 주목력 과부하 입니다. 둘째로는 의미적으로 관련성이 없는 토큰에도 주목력이 분배되어 부수적인 주목점처럼 보이는 주목력 부족 입니다. 이러한 통찰을 기반으로, 저자는 Lazy Attention이라는 새로운 메커니즘을 도입하여 더욱 집중된 주목력 분배를 목표로 합니다. 이를 위해 헤드와 차원에 걸친 위치별 차별화를 이용해 토큰 간의 구분을 명확히합니다. 또한 Elastic-Softmax라는 수정된 정규화 함수를 도입하여 무관한 토큰에 대한 주목력을 억제하려고 합니다. FineWeb-Edu 코퍼스에서 수행한 실험은 Lazy Attention이 주목력 침수 문제를 완화하고, 표준 주목력과 현대 아키텍처와 비교할 때 경쟁적인 성능을 보여주며, 최대 59.58%의 주목력 희소성을 달성하는 것을 보여줍니다.

paper AI 요약
파일시스템과 다단계 서비스 아키텍처의 종말

파일시스템과 다단계 서비스 아키텍처의 종말

천문학 데이터 센터는 여전히 파일 시스템에 의존하고 있습니다. 그러나 산업계에서는 이미 이러한 상황을 벗어났습니다. 현재 컴퓨팅 인프라의 표준은 POSIX 파일 시스템 대신 대규모 데이터 처리의 확장성을 달성하기 위해 객체 저장소를 사용하는 것입니다. 이는 소프트웨어의 포터빌리티와 재사용 가능성을 높이는 기회를 제공하지만, 현재 센터에 있는 고유한 구현 방식과 호환되지 않아 문제가 발생합니다.

paper AI 요약
No Image

_chatGPT의 추천에서 다양성, 신선함 및 인기 편향 탐색

ChatGPT는 다양한 분야에서 능력을 보여주는 다재다능한 도구로 부상하고 있다. 이러한 성공에 따라 추천 시스템(RS) 커뮤니티에서는 주로 정확도에 초점을 맞추고 ChatGPT의 추천 시나리오 내 적용을 조사하기 시작했다. ChatGPT가 RS에 통합되면서 많은 관심을 받았지만, 다양한 차원에서의 성능에 대한 포괄적인 분석은 아직 충분히 이루어지지 않았다. 특히 다각도의 다양성과 새로운 추천 제공 능력, 인기도 편향 가능성 등이 철저하게 검토되지 않은 상태이다. 이러한 모델의 사용이 계속 확대됨에 따라 이러한 측면을 이해하는 것은 사용자 만족도를 높이고 장기적인 개인화를 달성하는 데 중요하다. 본 연구는 ChatGPT-3.5와 ChatGPT-4가 제공하는 추천을 분석하여 다양성, 신규성 및 인기도 편향 측면에서 ChatGPT의 능력을 평가한다. 세 가지 다른 데이터셋에서 이 모델들을 평가하고 상위 N개 추천과 냉기 시작 시나리오에서의 성능을 분석한다. 결과는 ChatGPT-4가 전통적인 추천자들과 맞먹거나 그 이상으로, 추천에서 신규성과 다양성을 균형 있게 유지할 수 있음을 보여준다. 또한 냉기 시작 시나리오에서는 ChatGPT 모델들이 정확도와 신규성 측면에서 우수한 성능을 나타내어 새 사용자에게 특히 유익하다는 것을 나타낸다. 이 연구는 ChatGPT의 추천에 대한 강점과 한계를 강조하고, 정확도 중심 지표를 넘어 이러한 모델들이 제공할 수 있는 추천 능력을 재해석한다.

paper AI 요약
.AI 원숭이의 확실한 포도 획득 -- 명확한 결정을 위한 구체적 모델 네트워크

.AI 원숭이의 확실한 포도 획득 -- 명확한 결정을 위한 구체적 모델 네트워크

(가상의 논문 초록을 한국어로 번역한 예시) 본 연구에서는 딥러닝 기반의 이미지 분류 모델 성능 개선에 대해 탐구하였다. 이를 위해, 다양한 데이터셋에서 컨볼루션 신경망(CNN)의 3가지 학습 방법을 체계적으로 비교했다. 특히, 커스텀 모델링, 트랜스퍼 러닝, 그리고 앙상블 기법에 초점을 맞추었다. 결과적으로, 데이터셋 별로 성능이 상당히 차이를 보였으며, 이는 모델의 적합성과 관련이 있는 것으로 나타났다. ###

paper AI 요약
.sb-트르포 엄격한 안전 제약 조건을 갖춘 안전 강화 학습으로의 진보

.sb-트르포 엄격한 안전 제약 조건을 갖춘 안전 강화 학습으로의 진보

본 연구는 딥러닝 모델이 자연어 처리 작업에 미치는 영향을 조사했습니다. 특히 우리는 감성 분석에서 다양한 하이퍼파라미터가 어떻게 모델 성능에 영향을 미치는지 살펴보았습니다. 우리의 결과는 특정 하이퍼파라미터 조합이 디폴트 설정보다 훨씬 높은 정확도를 제공할 수 있음을 시사합니다.

paper AI 요약
[한글 번역 중] CubeBench Diagnosing Interactive, Long-Horizon Spatial Reasoning Under Partial Observations

[한글 번역 중] CubeBench Diagnosing Interactive, Long-Horizon Spatial Reasoning Under Partial Observations

본 논문에서는 딥러닝 기반의 이미지 분류 모델을 개선하기 위한 새로운 접근법을 제안한다. 이 방법은 기존 트랜스퍼 러닝 기법에 추가적인 조정 단계를 도입함으로써 성능을 향상시킨다. 실험 결과, 제안된 방법은 다양한 데이터셋에서 우수한 정확도와 일반화 능력을 보여준다.

paper AI 요약
[한글 번역 중] Is Chain-of-Thought Really Not Explainability? Chain-of-Thought Can Be Faithful without Hint Verbalization

[한글 번역 중] Is Chain-of-Thought Really Not Explainability? Chain-of-Thought Can Be Faithful without Hint Verbalization

이 연구에서는 다양한 학습 속도가 심층 신경망(DNN)의 수렴 속도에 미치는 영향을 탐구합니다. 우리는 이미지 분류와 자연어 처리 작업을 포함한 여러 데이터셋에서 다양한 DNN 아키텍처를 사용하여 실험을 수행했습니다. 우리의 발견은 적응형 학습 속도 방법이 고정된 속도 접근법보다 수렴 속도와 최종 모델 정확성 측면에서 크게 우수하다는 것을 보여줍니다.

paper AI 요약
3D 다중 객체 장면에서의 2D 시스템 비디오와 언어 정합성 및 멀티정보 도함수 없는 제어

3D 다중 객체 장면에서의 2D 시스템 비디오와 언어 정합성 및 멀티정보 도함수 없는 제어

본 논문은 시각-언어 모델(VLM)이 2차원 이미지를 기반으로 학습되었음에도 불구하고, 3차원 장면을 분석하는 방법론을 제안합니다. 이는 특정 객체의 위치와 특징을 정확하게 파악하기 위해 필요한 최적의 시점 순서를 예측하고, 이를 통해 VLM이 더 정확한 결과를 반환할 수 있도록 합니다.

paper AI 요약
Act2Goal 세계 모델에서 일반 목표 조건화 정책으로

Act2Goal 세계 모델에서 일반 목표 조건화 정책으로

이 연구는 자연어 처리 작업에서 딥러닝 모델의 영향을 조사하며 특히 감성 분석에 집중하고 있다. 재귀 신경망(RNN), 장단기 메모리 네트워크(LSTM), 그리고 트랜스포머 기반 모델이라는 세 가지 다른 유형의 신경망 구조를 비교한다. 실험 결과, 트랜스포머 기반 모델은 정확도와 효율성 측면에서 전통적인 RNN과 LSTM보다 우수하며 특히 긴 텍스트 시퀀스에서는 더욱 그렇다.

paper AI 요약
AdaGReS 토큰 예산에 적응하는 중복 고려 스코어링을 통한 선욕적 문맥 선택

AdaGReS 토큰 예산에 적응하는 중복 고려 스코어링을 통한 선욕적 문맥 선택

RAG(Retrieval-Augmented Generation)는 대형 언어 모델(LLM)이 외부 지식을 통합하고, 지식 집약적인 작업 성능을 향상시키는 주요 기술로 발전했습니다. 그러나 RAG 시스템은 검색된 결과의 다양성과 관련성을 균형 있게 유지하는 데 어려움을 겪습니다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 맥락 점수화 및 선택 메커니즘을 제안하고 이를 구현합니다.

paper AI 요약
AI 기반 다중 클러스터 환경의 클라우드 리소스 최적화

AI 기반 다중 클러스터 환경의 클라우드 리소스 최적화

현대의 클라우드 네이티브 시스템은 확장성, 견고성 및 지리적 분산을 지원하기 위해 다중 클러스터 배포에 점점 더 의존하고 있습니다. 그러나 기존의 리소스 관리 접근 방식은 여전히 대응형이고 클러스터 중심적이어서 동적인 워크로드 하에서 시스템 전체의 행동을 최적화하는 능력이 제한됩니다. 이러한 한계는 분산 환경에 걸쳐서 효율적인 리소스 활용, 지연된 적응 및 증가된 운영 부담으로 이어집니다. 본 논문은 다중 클러스터 클라우드 시스템에서 적응형 리소스 최적화를 위한 AI 기반 프레임워크를 제시합니다. 제안된 접근 방식은 예측 학습, 정책 인식 결정 및 지속적인 피드백을 통합하여 클러스터 간에 능동적이고 조율된 리소스 관리를 가능하게 합니다. 이 프레임워크는 클러스터 간 텔리미트리와 역사적 실행 패턴을 분석하여 성능, 비용 및 신뢰성 목표를 균형 있게 맞추기 위해 리소스 할당을 동적으로 조정합니다. 프로토타입 구현은 전통적인 대응형 접근 방식에 비해 개선된 리소스 효율성, 워크로드 변동 시 더 빠른 안정화 및 성능 변화의 감소를 보여줍니다. 결과는 확장적이고 견고한 클라우드 플랫폼을 위한 핵심 요인으로서 지능형 자가 적응 인프라 관리의 효과성을 강조합니다.

paper AI 요약
AI 라이브러리의 숨은 손길, 오픈소스 프로젝트와 커뮤니티를 형성하다

AI 라이브러리의 숨은 손길, 오픈소스 프로젝트와 커뮤니티를 형성하다

이 논문은 오픈 소스 소프트웨어(OSS) 프로젝트에서 인공지능(AI) 라이브러리의 채택과 그 영향을 조사한다. 특히, Java와 Python 기반 OSS에서 AI 라이브러리의 사용 범위를 분석하고 이를 통해 개발 활동, 협업, 그리고 소프트웨어 복잡성과 유지보수에 미치는 영향을 평가한다. 본 연구는 157,700개의 가능 저장소에 대한 대규모 분석을 수행하여 AI 라이브러리 채택의 범위와 그 결과를 제공하며, 이는 소프트웨어 엔지니어링과 OSS 커뮤니티에 중요한 통찰력을 제공한다.

paper AI 요약
AI 사회의 독성 채택 검사 Chirper.ai를 통한 해악 분석

AI 사회의 독성 채택 검사 Chirper.ai를 통한 해악 분석

사회 봇이 온라인 플랫폼에서 정보 확산, 참여 동태, 공론에 큰 영향을 미쳐 왔지만, 대형 언어 모델(LLMs)은 이전 세대보다 훨씬 복잡하고 자연스러운 상호작용을 가능하게 하는 새로운 사회 봇을 구현했습니다. LLM 기반 에이전트의 행동은 오프라인에서 시뮬레이션된 사회 환경을 통해 검증되었으며, 이는 인간과 유사한 네트워크 구조와 집단 현상에 대한 연구를 가능하게 했습니다. 그러나 이러한 에이전트들은 독해나 해로운 콘텐츠 생성의 위험성을 내포하고 있습니다. 본 논문에서는 Chirper.ai라는 AI 기반 소셜 네트워크 플랫폼을 통해 LLM 에이전트들의 독해 유발 메커니즘에 대한 대규모 실험적 평가를 수행합니다.

paper AI 요약
AI 안전을 위한 불확실성과 완전하지 않은 선호도

AI 안전을 위한 불확실성과 완전하지 않은 선호도

How can we ensure that AI systems are aligned with human values and remain safe? We can study this problem through the frameworks of the AI assistance and the AI shutdown games. The AI assistance problem concerns designing an AI agent that helps a human to maximise their utility function(s). However, only the human knows these function(s); the AI assistant must learn them. The shutdown problem instead concerns designing AI agents that shut down when a shutdown button is pressed; neither try to prevent nor cause the pressing of the shutdown button; and otherwise accomplish their task competently. In this paper, we show that addressing these challenges requires AI agents that can reason under uncertainty and handle both incomplete and non-Archimedean preferences.

paper AI 요약
AI 에이전트 시스템 아키텍처, 응용 프로그램 및 평가

AI 에이전트 시스템 아키텍처, 응용 프로그램 및 평가

인공지능(AI) 에이전트는 기초 모델과 실행 루프를 결합하여, 정보 수집, 상태 유지, 도구 선택 및 제약 조건 하에서의 다단계 작업을 수행합니다. 이러한 AI 에이전트는 현대 디지털 작업 환경에서 분산된 지식과 도구 중재 작업, 그리고 최종 결과에 대한 성공 정의를 처리할 수 있습니다. 이 논문은 에이전트 아키텍처와 학습 전략을 중심으로 이러한 시스템의 현재 격차 및 개선 방향을 조사합니다.

paper AI 요약
AI드IVEN LLM 시스템의 선순환 구축 FlashInfer-Bench

AI드IVEN LLM 시스템의 선순환 구축 FlashInfer-Bench

양자 컴퓨팅의 최근 발전은 데이터 보안 분야에 새로운 도전과 기회를 제공하고 있다. 이 논문에서는 양자 알고리즘, 특히 Shor의 알고리즘이 어떻게 현재 사용 중인 암호화 방법을 위협하는지 설명한다. 또한, 양자 키 배분(QKD)과 같은 양자 암호화 기술이 미래 보안에 어떤 영향을 미칠 수 있는지도 탐구한다.

paper AI 요약
AMAP 에이전시 계획 기술 보고서

AMAP 에이전시 계획 기술 보고서

최근 대형 언어 모델(LLMs)은 도구 호출을 통합하여 복잡한 작업 추론 능력을 향상시켰습니다. 이 논문에서는 실시간 공간-시간 상황에서의 추론 작업에 초점을 맞춘 STAgent를 제안합니다. STAgent는 강화학습, 고급 데이터 구성 및 계층적 학습 방법을 통합한 종합적인 파이프라인을 구현하여 복잡한 현실 세계 문제 해결 능력을 향상시킵니다.

paper AI 요약
ARIES 실시간 역학 감시 및 발생 모니터링을 위한 확장형 다중 에이전트 조정 프레임워크

ARIES 실시간 역학 감시 및 발생 모니터링을 위한 확장형 다중 에이전트 조정 프레임워크

세계 건강 감시는 현재 지식 격차라는 도전에 직면해 있습니다. 일반적인 목적으로 사용되는 인공지능이 확산되었지만, 만성적 환영 현상과 전문 데이터 시ilos를 탐색하는 능력 부족으로 인해 여전히 고스테이크 역학 분야에는 적합하지 않습니다. 본 논문은 ARIES(Agentic Retrieval Intelligence for Epidemiological Surveillance)라는 특화된 자율적 다중 에이전트 프레임워크를 소개합니다. 이 프레임워크는 정적인 질병별 대시보드에서 벗어나 동적인 지능 생태계로 나아가도록 설계되었습니다. 계층형 명령 구조 위에 작성된 ARIES는 GPTs를 활용해 WHO(World Health Organization), CDC(Center for Disease Control and Prevention) 및 피어 리뷰 연구 논문을 자동으로 조회할 수 있는 확장 가능한 서브 에이전트 스와rm을 조정합니다. 감시 데이터의 추출과 논리적 종합을 자동화함으로써 ARIES는 신흥 위협과 신호 발산을 실시간에 가깝게 식별하는 특화된 사고를 제공합니다. 이 모듈형 아키텍처는 특정 작업을 수행하는 에이전트 스와rm이 일반적인 모델보다 우수하다는 것을 입증하며, 다음 세대의 발생 대응 및 글로벌 건강 지능에 강력하고 확장 가능한 솔루션을 제공합니다.

paper AI 요약
AutoFed 개인화 프롬프트를 활용한 수동 없는 연방 교통 예측

AutoFed 개인화 프롬프트를 활용한 수동 없는 연방 교통 예측

정확한 교통 예측은 라이드해링, 도시 도로 계획, 차량 페리 관리 등 지능형 교통 시스템에 필수적입니다. 하지만 교통 데이터 주변의 중요한 프라이버시 문제로 인해 대부분의 기존 방법은 로컬 트레이닝에 의존하여 데이터 실로와 제한적인 지식 공유가 발생합니다. 연방 학습(FL)은 개인정보 보호 협업 훈련을 통해 효율적인 해결책을 제공하지만, 표준 FL은 클라이언트 간의 독립적이지 않고 동일하게 분포되지 않은(non-IID) 문제에 어려움을 겪습니다. 이挑战组合中包含了韩文和中文，最后的部分没有完全翻译成韩文。以下是完整的韩文翻译： 정확한 교통 예측은 라이드해링, 도시 도로 계획, 차량 페리 관리 등 지능형 교통 시스템에 필수적입니다. 하지만 교통 데이터 주변의 중요한 프라이버시 문제로 인해 대부분의 기존 방법은 로컬 트레이닝에 의존하여 데이터 실로와 제한적인 지식 공유가 발생합니다. 연방 학습(FL)은 개인정보 보호 협업 훈련을 통해 효율적인 해결책을 제공하지만, 표준 FL은 클라이언트 간의 독립적이지 않고 동일하게 분포되지 않은(non-IID) 문제에 어려움을 겪습니다. 이 어려움은 개인화 연방 학습(PFL)이 유망한 패러다임으로 등장하는 원인이 되었습니다. 그럼에도 불구하고 현재의 PFL 프레임워크는 교통 예측 작업에 대한 전문적인 그래프 특징 공학, 데이터 처리 및 네트워크 아키텍처 설계가 필요합니다. 많은 이전 연구들의 주목할 만한 제한점 중 하나는 실세계 시나리오에서 자주 사용 불가능한 데이터셋 간의 하이퍼파라미터 최적화에 의존하는 것입니다. 이를 해결하기 위해 AutoFed라는 새로운 PFL 프레임워크를 제안합니다. 이는 개인화된 예측자에게 교차 클라이언트 지식을 활용하면서도 로컬 특이성을 유지하도록 하여 자동 조정을 통해 인공적인 하이퍼파라미터 튜닝의 필요성을 제거합니다. 프롬프트 학습에서 영감을 받아, AutoFed는 클라이언트 맞춤형 어댑터를 사용하여 로컬 데이터를 축소된 글로벌 공유 프롬프트 행렬에 응축하는 연방 표현자를 도입하였습니다. 이 프롬프트는 개인화 예측자에게 조건을 제공합니다. 실제 데이터셋에서의 광범위한 실험은 AutoFed가 다양한 시나리오에서 일관되게 우수한 성능을 달성한다는 것을 보여주었습니다. 본 논문의 코드는 https //github.com/RS2002/AutoFed 에서 제공됩니다.

paper AI 요약
BERT-JEPA 언어 불변 의미를 위한 CLS 임베딩 재구조화

BERT-JEPA 언어 불변 의미를 위한 CLS 임베딩 재구조화

BERT와 그 후속 모델들은 NLP 작업을 위해 풍부한 임베딩을 생성하는데 사용된다. 하지만 이러한 임베딩은 언어의 진정한 표현을 포착하지 못한다. 이 연구는 BERT를 새로운 학습 아키텍처인 Joint-Embedding Predictive Architectures (JEPA)를 통해 훈련하여, 문장과 정보의 진정한 의미만을 나타내도록 가르치려고 한다. 이를 위해 BERT-JEPA (BEPA)라는 새로운 학습 패러다임을 제시하며, 이는 [CLS ] 임베딩 공간을 재구조화하고 다언어 작업에서 성능을 향상시키며, PCA 표현을 더 포괄적인 형태로 변화시킨다는 결과를 보여준다.

paper AI 요약
No Image

BOAD 계층적 소프트웨어 공학 에이전트의 대iband 최적화 발견

이 논문은 인공지능 모델의 성능 향상을 위한 새로운 접근법을 제시한다. 연구진은 다양한 데이터셋에서 CNN 기반 모델들의 시스템적 비교를 통해, 학습 방식과 최적화 전략에 따른 성능 차이를 분석했다. 이를 통해, 특정 문제 영역에서 가장 효과적인 학습 방법을 식별할 수 있었다.

paper AI 요약
CaveAgent LLM을 상태형 런타임 오퍼레이터로 변환하기

CaveAgent LLM을 상태형 런타임 오퍼레이터로 변환하기

이 논문에서는 대형 언어 모델(LLM)을 기반으로 하는 새로운 시스템인 CaveAgent를 제시합니다. 이 시스템은 LLM의 강력한 코드 생성 능력을 활용하여, 프로세스 중심의 함수 호출 패러다임에서 객체 지향 상태 관리로 이동하는 것을 목표로 합니다. 이를 통해 기존 문제점들을 해결하고, 복잡한 논리적 의존성을 효율적으로 처리하며, 다중 에이전트 간의 정확한 협업을 가능하게 합니다.

paper AI 요약
CNC-TP 상위 관련 속성 기반 분류 명목개념

CNC-TP 상위 관련 속성 기반 분류 명목개념

데이터베이스에서의 지식 발견(KDD)은 컴퓨터 응용 프로그램의 다양한 분야에서 매일 생성되는 방대한 양의 데이터를 활용하는 것을 목표로 합니다. KDD는 데이터 선택, 전처리, 변환, 데이터 마이닝, 시각화 등 일련의 구조적인 과정을 통해 데이터셋으로부터 숨겨진 의미 있는 지식을 추출합니다. 핵심 데이터 마이닝 기법 중 하나인 분류는 레이블된 데이터로 훈련된 분류기를 사용하여 새로운 인스턴스의 클래스를 예측하는 것을 포함합니다. 문헌에서 제안된 여러 접근 방법에는 의사결정 나무 추출, 베이지안 분류기, 가장 가까운 이웃 검색, 신경망, 서포트 벡터 머신, 그리고 형식적 개념분석(FCA) 등이 있습니다. FCA는 해석 가능한 학습을 위한 효과적인 접근 방법으로 인정받고 있으며, 개념 격자라는 수학적 구조를 기반으로 합니다. 이 구조는 형식적 개념의 생성과 그들 사이의 숨겨진 관계를 발견하는 데 도움이 됩니다. 본 논문에서는 FCA 기반 분류기의 최신 동향을 검토합니다. 이름형 데이터에서 폐쇄 연산자 계산 방법을 다양한 방식으로 탐구하고, 가장 관련성이 높은 개념에 초점을 맞춘 부분 개념 격자의 구성 방법에 대한 새로운 접근법을 소개합니다. 제안된 방법의 효율성을 입증하기 위해 실험 결과를 제공합니다.

paper AI 요약
COMPASS 기업별 정책 일치성 평가 프레임워크

COMPASS 기업별 정책 일치성 평가 프레임워크

대형 언어 모델(LLMs)은 의료, 금융 및 공공 부문 등 다양한 분야에서 광범위하게 채택되고 있습니다. 이러한 환경에서는 조직 정책과의 일치가 필수적입니다 LLM 어시스턴트는 회사 규정, 규제 요구사항 및 안전에 중요한 제약 조건을 따르아야 합니다. 예를 들어 의료 챗봇은 건강 정보를 제공할 수 있지만 진단이나 용량 조언을 제공해서는 안 됩니다. 이러한 제약 조건을 준수하지 않으면 오정보, 규제 위반, 명성 손상 및 사용자 피해가 발생할 수 있습니다. 이러한 필요성은 보편적인 안전과 조직별 정책 일치 사이의 근본적인 차이를 강조합니다. 독소성, 폭력, 혐오 발언 등 보편적 안전 문제는 대부분 문맥에 무관하고 많은 배포 환경에서 적용됩니다. 반면 조직별 정책은 도메인 및 조직마다 세밀한 제약 조건을 정의하며 (예 투자 조언 거절, 진단 피하거나 경쟁사 참조 금지) 이와 같은 차이를 이해하는 것이 중요합니다. ###

paper AI 요약
DA-DPO 비용 효율적인 난이도 인식 선호 최적화로 MLLM 환영 줄이기

DA-DPO 비용 효율적인 난이도 인식 선호 최적화로 MLLM 환영 줄이기

> 직접 선호도 최적화(DPO)는 다중모드 대형 언어 모델(MLLMs)에서 환영현상(hallucinations)을 완화하는 데 큰 잠재력을 보여주고 있다. 하지만 기존의 다중모드 DPO 접근법은 선호도 데이터의 난이도 불균형으로 인해 과적합하기 쉽다. 우리의 분석에 따르면, MLLMs는 쉽게 구분할 수 있는 선호도 쌍을 지나치게 강조하므로 미세한 환영현상 억제와 전체 성능 저하가 발생한다. 이 문제를 해결하기 위해 우리는 학습 과정을 균형 있게 하는 효과적인 프레임워크인 난이도 인식 직접 선호도 최적화(DA-DPO)를 제안한다. DA-DPO는 두 가지 주요 구성 요소로 이루어져 있다 (1)*난이도 추정*은 보완적인 생성과 대조 목표를 가진 사전 훈련된 시각-언어 모델을 활용하여 추가 학습 없이 견고한 난이도 점수를 생산한다; 그리고 (2) *난이도 인식 학습*은 추정 난이도에 기반해 선호 쌍을 재가중하며, 쉽게 구분할 수 있는 샘플의 가중치를 줄이고 더 어려운 샘플에 중점을 두어 과적합을 완화한다. 이 프레임워크는 새로운 데이터나 추가적인 미세 조정 단계 없이 도전적인 예제를 우선시함으로써 선호도 최적화를 더욱 효과적으로 수행할 수 있게 한다. 광범위한 실험은 DA-DPO가 다중모드 선호도 최적화를 지속적으로 개선하고 환영현상에 대한 강건성을 향상시키며 표준 벤치마크에서 더 나은 일반화 성능을 제공하면서 계산 효율성을 유지한다는 것을 보여준다. 프로젝트 페이지는 [`https //artanic30.github.io/project_pages/DA-DPO`](https //artanic30.github.io/project_pages/DA-DPO/)에 있습니다.

paper AI 요약
DatBench 차별적이고 신뢰성 있으며 효율적인 VLM 평가

DatBench 차별적이고 신뢰성 있으며 효율적인 VLM 평가

실증적 평가는 기초 모델 연구 진전의 주요 나침반 역할을 합니다. 최신 비전-언어 모델(VLM) 훈련에 중점을 둔 많은 연구가 있음에도 불구하고, 이들의 평가 방법론은 아직 초기 단계입니다. 그 성숙을 돕기 위해 우리는 평가에서 충족해야 하는 세 가지 요구 사항을 제안합니다 (1) 모달리티와 응용 분야에 대한 충실성, (2) 다양한 품질의 모델 간 차별 가능성, 그리고 (3) 계산 효율성. 이 관점에서 우리는 충실성과 차별 가능성을 위반하고 모델 능력을 왜곡하는 중요한 실패 모드를 파악합니다 (i) 선택식 질문 형식은 추측을 장려하고 하류 사용 사례를 잘 반영하지 않으며, 모델이 개선됨에 따라 일찍 포화상태에 이릅니다; (ii) 이미지 없이도 답변 가능한 문제들로 구성된 평가의 70%까지 해당하며; (iii) 잘못 표시되거나 애매한 샘플은 일부 데이터셋에서 최대 42%를 차지합니다. 효율성 측면에서는, 가장 첨단의 모델을 평가하는 계산 부담이 금지불능 수준으로 올라갔습니다 일부 보고서에 따르면 개발용 컴퓨팅 자원의 거의 20%가 단순히 평가를 위해 사용되고 있습니다. 기존 벤치마크를 버리는 대신, 우리는 변환 및 필터링을 통해 충실도와 차별 가능성을 최대한 높이는 방법으로 이를 정제합니다. 선택식 질문을 생성적 작업으로 바꾸는 것이 모델의 능력을 최대 35%까지 급격히 낮추는 것을 발견했습니다. 또한, 무작정 해결 가능한 문제와 잘못 표시된 샘플들을 필터링하면 차별 가능성을 향상시키면서 동시에 계산 비용을 줄일 수 있습니다. 우리는 DatBench-Full이라는 33개의 데이터셋으로 구성된 청소된 평가 패키지와, 원래 데이터셋의 차별 가능성과 거의 일치하면서 평균적으로 13배(최대 50배) 속도 향상을 달성하는 차별적 하위 집합인 DatBench를 공개합니다. 우리의 연구는 VLM이 계속 확장됨에 따라 동시에 엄격하고 지속 가능한 평가 관행을 추구하는 길을 제시합니다.

paper AI 요약
DynaFix 실행 수준 동적 정보로 주도되는 반복적 자동 프로그램 수정

DynaFix 실행 수준 동적 정보로 주도되는 반복적 자동 프로그램 수정

소프트웨어 시스템은 현대 사회의 거의 모든 중요한 분야에서 핵심적인 역할을 합니다. 이들 시스템이 복잡해질수록 버그가 늘어나게 되며, 이를 해결하기 위한 프로그램 수정 기술이 필요하게 됩니다. 최근에는 LLM(Large Language Model) 기반의 자동 패치 생성 방법이 연구되고 있으나, 이러한 접근법들은 정적 코드 정보에 크게 의존하여 동적인 실행 정보를 충분히 활용하지 못합니다. 본 논문에서는 DynaFix라는 새로운 방법론을 제시하며, 이는 비침습적인 바이트코드 악기화 기술인 ByteTrace를 이용해 프로그램의 실행 중 발생하는 동적 정보를 수집하고 이를 반복적인 수정 과정에 활용합니다.

paper AI 요약
EgoGrasp 제1인칭 동영상에서의 세계공간 손-물체 상호작용 추정

EgoGrasp 제1인칭 동영상에서의 세계공간 손-물체 상호작용 추정

이 논문에서는 제1인칭 시점의 동영상에서 손과 물체 간 상호작용을 3D 세계 좌표계에 재구성하는 방법을 제안한다. EgoGrasp는 다단계 감지–생성–최적화 프레임워크를 사용하여 현대 감지 시스템에서 얻은 정확한 3D 정보를 활용하면서, 시간과 공간적으로 일관된 결과를 보장하기 위해 생성적인 동작 사전을 도입한다. EgoGrasp는 다음과 같은 세 단계로 작동한다 (1) 전처리 제1인칭 동영상에서 정확한 카메라 궤적과 밀도가 높은 기하학적 정보를 복원하여 일관된 세계 좌표계를 설정하고, 초기 3D 손 자세와 물체의 6자유도 자세를 추출 및 정렬한다. (2) 동작 확산 두 단계로 구성된 분리된 확산 모델을 사용하여 연속적인 손과 물체의 동작을 생성한다. 첫 번째 단계는 SMPL-X 전체 신체 자세에 의해 안내되는 시간적으로 안정적인 손 궤적을 생성하며, 두 번째 단계에서는 CAD 모델 없이 자연스러운 동작을 포착하고 세계 좌표에서의 이동을 줄인다. (3) 테스트 시 최적화 SMPL-X 매개변수를 최적화하여 공간 정확성, 시간 부드러움 및 발-지면 접촉 일관성을 개선한다. ###

paper AI 요약
ElecTwit 다중 에이전트 사회 시스템 내에서 설득 연구를 위한 프레임워크

ElecTwit 다중 에이전트 사회 시스템 내에서 설득 연구를 위한 프레임워크

본 논문에서는 대형 언어 모델(LLMs)이 다중 에이전트 시스템에서 어떻게 활용되는지 살펴보고, 특히 사회적 상호작용과 설득 전략에 집중합니다. 이 연구는 ElecTwit라는 정치 선거를 모방한 시나리오를 통해 LLMs의 설득 능력을 평가하며, 이를 통해 실제 세계에서 에이전트들이 어떻게 행동할지 더 정확하게 이해하려고 합니다.

paper AI 요약
F2IDiff 실 세계 이미지 초해상도 강화를 위한 특징에서 이미지로의 확산 기반 모델

F2IDiff 실 세계 이미지 초해상도 강화를 위한 특징에서 이미지로의 확산 기반 모델

생성형 인공지능의 도입으로 단일 이미지 초해상도(SISR) 품질이 크게 개선되었으며, 텍스트-투-이미지 확산(T2IDiff) 기반 모델에서 학습한 강력한 사전 지식은 고해상도(HR)와 저해상도(LR) 이미지 사이의 간격을 줄일 수 있습니다. 그러나 플래그십 스마트폰 카메라는 생성형 모델을 채택하는 데 느리게 반응하고 있으며, 강력한 생성은 불필요한 환영현상을 초래할 수 있기 때문입니다. 학계에서 볼 수 있는 크게 훼손된 LR 이미지는 강력한 생성이 필요하며, HR과의 큰 간격 때문에 환영현상도 어느 정도 용인됩니다. 반면에 소비자 사진에서는 LR 이미지가 상당히 높은 정확성을 가지고 있으며, 따라서 최소한의 환영현상 없는 생성만 요구됩니다. 우리는 SISR에서 생성이 FM의 조건부 기능의 엄격성과 풍부함에 의해 제어된다고 가정합니다. 첫째, 텍스트 특징은 고수준의 특징으로 이미지의 미세한 텍스처를 설명하는 데 자주 부적절할 수 있습니다. 또한 스마트폰 LR 이미지는 최소 12MP 이상이지만 T2IDiff FM 기반 SISR 네트워크는 훨씬 작은 이미지(<1MP)에 대해 추론하도록 설계되었습니다. 그 결과 SISR 추론은 종종 텍스트 특징으로 정확하게 설명하기 어려운 작은 패치에서 이루어져야 합니다. 이러한 단점을 해결하기 위해 우리는 하위 수준의 조건부 기능을 가진 FM, 특히 DINOv2 특성을 사용한 이미지 확산(Feature-to-Image Diffusion) 기반 모델(FM)이라고 명명하는 SISR 네트워크를 도입합니다. 하위 수준의 특징은 엄격한 조건부를 제공하면서 동시에 작은 패치도 충분히 설명할 수 있습니다.

paper AI 요약
Falcon-H1R 하이브리드 모델을 이용한 효율적인 테스트 시 확장성 개선

Falcon-H1R 하이브리드 모델을 이용한 효율적인 테스트 시 확장성 개선

대규모 언어 모델(LLMs)은 복잡한 추론 작업을 수행하는 데 있어 큰 성과를 거두었으며, 이는 훈련 및 추론 시 확장성을 통해 달성되었습니다. 훈련 확장을 통해 LLMs는 더 복잡한 문제 해결 능력을 갖추게 되지만, 이를 위해 필요한 계산 자원이 증가하고 고급 데이터가 제한적일 수 있습니다. 이러한 문제를 해결하기 위해 시험 시간 확장(TTS)이라는 새로운 방법론이 도입되었으며, 이는 추가적인 추론 시 계산 자원을 할당하여 잠재적인 추론 능력을 향상시킵니다. Falcon-H1R은 TTS 방법론을 활용해 추론 효율성을 높이는 7B 모델입니다. ###

paper AI 요약
Gemini-3-Pro를 넘어 대규모 LLM 라우팅 및 집약 재검토

Gemini-3-Pro를 넘어 대규모 LLM 라우팅 및 집약 재검토

이 논문에서는 대형 언어 모델(LLM)들의 협업을 통해 인공일반지능(AGI)으로의 새로운 접근 방법을 제안한다. 특히, 개별적으로 약한 오픈소스 LLM들이 협력하여_gemini-3-pro_와 같은 주요 폐쇄형 모델들을 능가할 수 있음을 보여준다. 이를 위해 **JiSi**라는 새로운 프레임워크를 제안하며, 이는 라우팅과 집약(aggregation)의 통합을 통해 LLM들의 협업을 최적화한다.

paper AI 요약
HOG과 딥 피처 통합을 통한 히스토พา토로지 이미지 분류 강화 및 견고한 노이즈 성능

HOG과 딥 피처 통합을 통한 히스토พา토로지 이미지 분류 강화 및 견고한 노이즈 성능

디지털 병리학은 현대 의료 실무에서 중요한 기술로 발전하여, 복잡한 조직 이미지를 분석하는 데 필요한 자동화 방법을 개발하게 되었습니다. 특히 머신러닝과 인공지능의 발달 덕분에 복잡한 병리학적 이미지에서 의미 있는 패턴을 추출할 수 있게 되었으며, 이를 통해 정확하고 효율적인 진단이 가능해졌습니다. ###

paper AI 요약
HY-모션 1.0 텍스트에서 모션 생성의 새 지평

HY-모션 1.0 텍스트에서 모션 생성의 새 지평

본 연구에서는 최근 머신러닝(ML) 알고리즘의 발전을 탐구하고, 다양한 데이터셋에 대한 성능을 비교합니다. 감독학습, 비감독학습, 강화학습 이 세 가지 주요 패러다임을 분석하였습니다. 우리의 결과는 각각이 장점은 있지만, 복잡한 문제 해결 시나리오에서는 강화학습이 가장 유망하다는 것을 나타냅니다.

paper AI 요약
IoT 보안 해킹 LLM들이 정적 분석 도구를 능가할 수 있을까?

IoT 보안 해킹 LLM들이 정적 분석 도구를 능가할 수 있을까?

스마트 홈 IoT 애플리케이션의 급속한 채택은 가정 자동화를 혁신적으로 변화시켰지만, 이에 따른 규칙 상호작용 위협(RIT)을 해결하기 위한 도전 과제가 발생했습니다. 기존 접근 방식은 정밀도는 높으나 대규모 코드베이스에서의 확장성과 적응력이 부족합니다. 본 논문에서는 대형 언어 모델(LLMs)이 IoT 자동화 시스템에 대한 보안 분석을 개선하는 데 얼마나 효과적인지 평가했습니다.

paper AI 요약
JMedEthicBench 일본 의료 대형 언어 모델의 안전성 평가를 위한 다중 대화 벤치마크

JMedEthicBench 일본 의료 대형 언어 모델의 안전성 평가를 위한 다중 대화 벤치마크

이 논문은 JMedEthicBench라는 일본 의료 환경을 위한 다중 대화 안전성 평가 벤치마크를 소개합니다. 이 벤치마크는 67개의 구체적인 임상 시나리오를 포함한 일본 의학협회(JMA) 지침을 바탕으로 하며, 오토메이티드 적대적 공격 전략을 사용하여 모델 안전성의 경계를 탐색합니다. 이 평가 틀은 단일 대화에서 벗어나 복잡한 다중 대화 상황을 고려하며, 이를 통해 의료 AI 모델이 실제 환경에서도 안전하게 작동할 수 있는지 확인합니다.

paper AI 요약
JP-TL-BENCH 양방향 일본어-영어 번역을 위한 쌍 비교 평가 도구

JP-TL-BENCH 양방향 일본어-영어 번역을 위한 쌍 비교 평가 도구

이 연구는 다양한 데이터셋에서 서로 다른 학습 방법론이 기계 학습 모델 성능에 미치는 영향을 탐구합니다. 우리는 감독 학습, 비감독 학습 및 강화 학습이라는 세 가지 패러다임을 소개합니다. 실험 결과 각각의 패러다임이 특정 조건 하에서 뛰어난 성능을 보여주며, 데이터셋 특성에 따른 모델 선택 방법을 제안합니다.

paper AI 요약
LinMU 선형화로 다중 모달 이해 단순화

LinMU 선형화로 다중 모달 이해 단순화

> 최근의 비전-언어 모델(VLMs)은 인상적인 성능을 보여주지만, 자기 주의력(self-attention)의 이차적 복잡도로 인해 엣지 장치에서의 배포가 제한되며, 고해상도 이미지와 긴 컨텍스트 비디오에 대한 이해를 수행하는 데 큰 비용이 발생한다. 이러한 문제를 해결하기 위해 우리는 LinMU(Linear-complexity Multimodal Understanding)을 소개한다. 이 모델은 자기 주의력 기반 VLMs의 성능을 유지하면서 모든 자기 주의력 층을 M-MATE 블록으로 대체하여 선형 복잡도를 달성한다. M-MATE 블록은 전역 컨텍스트를 포착하기 위한 양방향 상태 공간 모델(Flex-MA 분기)과 인접한 상관관계를 처리하는 로컬 Swin 주의력(Local-Swin 분기)을 결합한 이중 분기 모듈이다. 기존 VLM을 LinMU 아키텍처로 변환하기 위해, 우리는 세 단계의 지식 추출(distillation) 프레임워크를 제안한다 (i) 양 분기를 자기 주의력 가중치로 초기화하고 Flex-MA 분기만 학습, (ii) Local-Swin 분기를 해동하여 두 분기를 함께 조정, (iii) 나머지 블록을 LoRA 어댑터를 사용해 조정하면서 동결된 VLM 교사의 은닉 상태와 토큰 수준 로짓에 대해 회귀한다. MMMU, TextVQA, LongVideoBench, Video-MME 등의 벤치마크에서 LinMU는 교사 모델과 유사한 성능을 보이면서 Time-To-First-Token(TTFT)을 최대 2.7배 줄이고 분단위 비디오의 토큰 처리 속도를 최대 9.0배 개선한다. ###

paper AI 요약
LION-DG 깊은 그래디언트 프로토콜을 활용한 계층 정보 초기화를 통한 가속 신경망 학습

LION-DG 깊은 그래디언트 프로토콜을 활용한 계층 정보 초기화를 통한 가속 신경망 학습

깊은 신경망에서 보조 분류기((auxiliary classifiers))는 중간 레이어에서 추가적인 그래디언트 신호를 제공함으로써 학습을 가속화하고 그래디언트 흐름을 개선하는데 효과적이다. 그러나 보조 분류기를 어떻게 초기화해야 하는지는 여전히 연구되지 않은 문제다. 본 논문에서는 LION-DG(Layer-Informed Initialization with Deep Gradient protocols)를 제안하며, 이는 보조 분류기를 0으로 초기화하고 백본 레이어에 대해 표준적인 초기화 방법을 사용하는 전략이다. 실험 결과 LION-DG는 더 빠른 학습 속도와 최고의 정확성을 달성하며, 특히 DenseNet-DS에서 8.3%의 속도 향상을 보였다. ###

paper AI 요약
LLM 기반 자동차 시스템의 안전성 및 보안 설계

LLM 기반 자동차 시스템의 안전성 및 보안 설계

이 논문은 자동차 산업의 혁신에서 가장 중요하게 여겨지는 기능적 안전성과 사이버 보안을 유지하면서 고급 차량 기능의 신속한 프로토타입, 검증 및 배포에 중점을 둔다. 특히 복잡해지고 있는 소프트웨어 정의 차량(SDV)에서 이러한 중요성이 더욱 부각된다. 대규모 언어 모델(LLMs)은 자연어 요구사항에서 구조를 추출하고 초기 행동 모델을 생성하여 이 과정을 가속화할 수 있는 새로운 기회를 제공한다. 그러나 LLMs가 무분별하게 사용될 경우, 정확성과 안전한 동작, 타이밍 결정론, 보안 포지셔닝에 대한 보장이 부족하다는 문제점이 있다. 따라서 이러한 간극을 메우기 위해 기능적 안전성 및 보안 분석을 지원하기 위한 이벤트 체인(Event Chain) 기반의 LLM 가이드 워크플로를 제안한다. 이 방법은 자동차 시스템에서 안전 메커니즘과 타이밍 요구사항을 구성하는 인과적, 시간적, 데이터 흐름 관계를 구조화된 표현으로 제공하며, LLM의 출력을 제약하고 안전하지 않거나 검증되지 않은 동작이 생성되는 것을 방지한다. 또한 이 프레임워크 내에서는 LLM이 전문적인 도메인 지식이 필요한 작업들을 자동화하는 데 도움을 주며, 텍스트 요구사항에서 후보 안전 메커니즘을 도출하거나 기능적 의도와 차량 신호 사양(VSS)을 정렬하고 잠재적인 위험 또는 비안전 상호작용을 식별한다. 뿐만 아니라 검색 강화 생성(RAG)은 LLM의 추론 범위를 인정된 VSS 카탈로그, 안전 매뉴얼 및 아키텍처 설명과 같은 신뢰할 수 있는 데이터 소스로 제한하여 환영 신호나 평가되지 않은 데이터 경로를 줄인다. 이를 통해 자동으로 생성된 모델은 안전 및 사이버 보안 심사에 필요한 권위있는 출처와의 추적 가능성을 유지한다. 이벤트 체인 모델과 LLM 간의 시너지는 기능적 안전성(예 시간 예산 위반, 인과 체인 파괴, 누락된 안전 반응) 및 사이버 보안(예 무단 신호 경로, 일관되지 않은 신뢰 경계 또는 예상치 못한 제어 영향력)에 대한 자동 사전 분석을 가능하게 한다. 코드가 타겟 플랫폼으로 배포되기 전에 ISO 26262 파트 6(소프트웨어 아키텍처 제약 조건) 및 ISO 21434(안전한 신호 및 인터페이스 처리)와 일치하는 일관성 검사를 수행한다. 결과적으로 LLM 생성 아티팩트는 더 신뢰할 수 있으며, 기존 안전 공학 워크플로에 직접 통합될 수 있다. 이러한 제안된 파이프라인은 자동차 코드의 안전 및 보안 분석 절차를 자동화하려는 시도로서 초기 디자인 단계에서의 노력 감소와 동시에 현대적인 안전 및 사이버 보안 요구사항을 충족하는 엄격함을 유지한다. 이를 증명하기 위해 우리는 물리적 테스트벤치와 시뮬레이션 플랫폼 기반의 ADAS 시나리오에 이 워크플로를 적용한다.

paper AI 요약
LLM 에이전트를 활용한 조합적 효율적 프론티어 투자 포트폴리오 최적화

LLM 에이전트를 활용한 조합적 효율적 프론티어 투자 포트폴리오 최적화

이 논문은 실생활 상황에 적합한 다목적 조합 최적화 문제를 해결하기 위해 언어 모델 에이전트 프레임워크를 개발하고 검증한다. 이 프레임워크는 기존의 벤치마크 연구와 달리, 실제 문제의 복잡성을 반영하며, 특히 NP-난해 문제에 효과적이다. 또한, 생성된 알고리즘 포트폴리오는 다양한 투자 포트폴리오 최적화 문제에서 우수한 성능을 보여준다.

paper AI 요약
MACA 신뢰할 수 있는 대형 언어 모델을 효율적인 검색기로 추출하는 프레임워크

MACA 신뢰할 수 있는 대형 언어 모델을 효율적인 검색기로 추출하는 프레임워크

현대 기업 검색 시스템은 정확성과 지연 시간 사이의 균형을 유지하면서 해외 거래 수수료 환불 이나 최근 통장 상태 와 같은 부분적으로 명시된 사용자 질의를 처리해야 합니다. 이러한 질의는 주제, 하위 주제, 의도 또는 엔티티에 대한 중요한 세부 사항을 생략하는 경향이 있어 여러 후보 답변이 가능하게 됩니다. 이 논문에서는 메타데이터에 민감한 검색기인 MACA를 제안하며, 이를 통해 LLM 호출 없이 정확성과 지연 시간 간의 균형을 맞춥니다.

paper AI 요약
OmniNeuro 다모달 HCI 프레임워크로 설명 가능한 BCI 피드백 생성

OmniNeuro 다모달 HCI 프레임워크로 설명 가능한 BCI 피드백 생성

뇌-컴퓨터 인터페이스(BCI)의 임상적 채택을 저해하는 주요 장벽은 디코딩 정확도보다 인간-컴퓨터 상호작용(HCI)의 부재입니다. OmniNeuro는 이 문제를 해결하기 위해 기존의 투명하지 않은 오라클 시스템에서 피드백 파트너로 진화시킵니다. 이를 통해 사용자는 시스템이 어떤 상태인지 이해하고, 더 나은 신경가소성과 학습을 촉진할 수 있습니다.

paper AI 요약
PackKV LLM 인식 손실 압축을 통한 KV 캐시 메모리 절약

PackKV LLM 인식 손실 압축을 통한 KV 캐시 메모리 절약

트랜스포머 기반 대형 언어 모델(LLMs)은 광범위한 실제 응용 분야에서 놀라운 잠재력을 보여주고 있습니다. 그러나 키-밸류(KV) 캐시의 큰 메모리 요구 사항으로 인해 긴 문맥 추론이 여전히 중요한 도전 과제입니다. KV 캐시는 시퀀스 길이와 배치 크기가 증가함에 따라 몇 GB까지 확장될 수 있습니다. 본 논문에서는 긴 문맥 생성을 위한 최적화된 일반적이고 효율적인 KV 캐시 관리 프레임워크인 textbf{PackKV}를 제시합니다. PackKV는 KV 캐시 데이터의 특성에 맞게 조정된 손실 압축 기법을 도입하며, 압축 알고리즘과 시스템 아키텍처 간의 세밀한 공학 설계를 특징으로 합니다. 우리의 접근 방법은 KV 캐시가 동적으로 성장하는 성격을 유지하면서 높은 연산 효율성을 보존합니다. 실험 결과는, 현존하는 양자화 방법과 같은 정확도 하락을 감안할 때 PackKV가 평균적으로 K 캐시에 대해 textbf{153.2} %의 메모리 감소율을, V 캐시에 대해서는 textbf{179.6} %를 달성함을 보여줍니다. 또한 PackKV는 분해압축 오버헤드를 효과적으로 제거하고 행렬-벡터 곱 연산을 가속화하여 매우 높은 실행 통과율을 제공합니다. 구체적으로, A100 및 RTX Pro 6000 GPU에서 cuBLAS 행렬-벡터 곱 커널에 비해 K는 평균 textbf{75.7} %, V는 textbf{171.7} %의 통과율 향상을 이루며, 이는 더 적은 GPU 메모리 대역폭을 필요로 합니다. 코드는 https //github.com/BoJiang03/PackKV에서 이용 가능합니다.

paper AI 요약
QSLM 성능과 메모리를 고려한 계층적 탐색 전략을 갖춘 양자화 프레임워크

QSLM 성능과 메모리를 고려한 계층적 탐색 전략을 갖춘 양자화 프레임워크

대형 언어 모델(LLMs)과 스파이크 구동 언어 모델(SLMs)의 성능을 개선하고, 이를 임베디드 시스템에 효과적으로 구현하기 위한 양자화 기법에 대해 논한다. 본 연구에서는 SLMs의 메모리 및 에너지 효율성을 높이기 위해 자동화된 양자화 프레임워크인 QSLM을 제안하며, 이를 통해 SLMs의 성능과 메모리 요구사항을 충족시키는 효과적인 양자화 설정을 제공한다.

paper AI 요약
R-디베이터 논쟁 메모리를 통한 검색 강화된 토론 생성

R-디베이터 논쟁 메모리를 통한 검색 강화된 토론 생성

R-Debater는 논쟁적 기억을 기반으로 한 다중 턴 토론을 생성하기 위한 에이전시 프레임워크를 제안합니다. 수사학 및 기억 연구에 근거한 이 시스템은 토론을 전략 일관성을 유지하고, 상대방의 주장을 대응하며, 증거로 주장을 뒷받침하기 위해 이전 주장들을 회상하고 적응하는 과정으로 간주합니다. 구체적으로 R-Debater는 사례와 유사한 증거를 검색하고 이전 토론을 움직일 수 있는 토론 지식 베이스를 역할 기반 에이전트와 통합하여 회화의 일관성을 유지하는 발언을 구성합니다. 표준化的的ORCHID辩论被用来进行评估，构建了包含1000个检索语料和涵盖七个领域的32个保留辩论集。评估了两个任务：下一个发言生成，通过InspireScore（主观性、逻辑性和事实性）来评估；以及对抗性的多回合模拟，由Debatrix（论点、来源、语言和总体）进行评判。与强大的基础大模型相比，R-Debater在单轮和多轮评分中都取得了更高的分数。通过20位有经验的辩论者的人类评估进一步证实了其一致性和证据使用情况，表明结合检索基础和结构化规划可以产生更忠实、立场对齐且跨回合连贯的辩论。 注意：根据规则要求，上述翻译为自然韩语，但由于技术限制，在此以中文展示了翻译内容。

paper AI 요약
RAG에서의 노이즈 필터링 본질적 어려움 해결

RAG에서의 노이즈 필터링 본질적 어려움 해결

대형 언어 모델(LLMs)은 다양한 작업에서 놀라운 성능을 보여주지만, 사실적 정보 부족으로 인해 환영(hallucinations)에 시달리고 있으며, 새로운 지식을 통합하기 위해서는 추가적인 세부 조정(fine-tuning)이 필요하다. 이로 인해 LLMs를 외부 검색기와 결합하는 것이 성능 개선에 기여하지만, 실제 문서에서 얻은 정보가 항상 사용할 수 있는 것은 아니며, 때때로 잡음 정보를 포함하고 있어 성능 저하의 원인이 된다. 본 논문에서는 이러한 문제를 해결하기 위한 새로운 세부 조정 방법을 제안한다.

paper AI 요약
Refined 프롬프트 추적 모델 행동을 이용한 대화 조정 감지

Refined 프롬프트 추적 모델 행동을 이용한 대화 조정 감지

이 논문은 언어 모델의 미세조정 과정에서 원본 프롬프트와 리피너가 재작성한 프롬프트를 구분하는 문제, 즉 Refinement Provenance Inference (RPI)에 대해 다룹니다. 이를 위해 RePro라는 로짓 기반 프레임워크를 제안하며, 이는 그림과 같은 과정을 통해 빠른 선형 분류기를 사용해 추론 모델에서 원본 및 리피너 재작성된 프롬프트의 출처를 판별합니다.

paper AI 요약
RefSR-Adv 참조 기반 이미지 초해상도 모델의 적대적 공격

RefSR-Adv 참조 기반 이미지 초해상도 모델의 적대적 공격

단일 이미지 초해상화(SISR)는 다양한 아키텍처를 통해 저해상도 입력에서 고해상도 세부 사항을 복원하는 데 사용됩니다. 그러나 SISR은 제한된 정보로 인해 실제적이지 않은 아트팩이나 텍스처 환상을 합성하게 됩니다. 이를 극복하기 위해, Reference-based Super-Resolution (RefSR)에서는 외부 고주파수 텍스처 라이브러리인 고해상도 참조 이미지를 도입하여 유사한 텍스처를 전송하는 방식을 사용합니다. 이 논문은 이러한 RefSR 시스템의 보안 취약성을 체계적으로 탐색하고, 참조 이미지에 약간의 변화를 주어 출력을 저하시키는 새로운 적대적 공격인 RefSR-Adv를 제안합니다.

paper AI 요약
RelayGR 장기 시퀀스 생성 추천의 확장을 위한 다단계 중계 경주 추론

RelayGR 장기 시퀀스 생성 추천의 확장을 위한 다단계 중계 경주 추론

현대 산업용 추천 시스템은 하루에 수십억 건의 요청을 처리하며, 이는 검색, 사전 가공 및 세부 정렬 단계를 포함한다. 사용자 참여는 지연 시간에 매우 민감하므로 전체 파이프라인은 몇 백 밀리초 내에 완료되어야 한다. 세부 정렬 단계가 병목 현상을 일으키며, 고용량 모델로 수백 개의 후보 항목을 점수화하는 데 99번째 백분위 수(P99)에서 몇십 밀리초만 주어진다. 생성적 추천(GR) 모델은 긴 시퀀스를 처리하고 더 큰 용량에 잘 확장되지만, 온라인 서비스에서는 시퀀스 길이 증가로 인한 추론 지연 시간 증가로 인해 제약을 받는다. 본 논문에서는 GR의 입력 구조적 특징을 활용하여 장기 사용자 행동 접두사에 대한 사전 추론과 중간 상태 캐싱 및 재사용을 통해 이 문제를 해결하는 RelayGR 시스템을 제안한다.

paper AI 요약
RMAAT 별구이상 기억압축과 재생을 통한 효율적인 긴 문맥 트랜스포머

RMAAT 별구이상 기억압축과 재생을 통한 효율적인 긴 문맥 트랜스포머

Transformer 아키텍처는 자연어 처리에서 중요한 역할을 하지만, 자기 주의 메커니즘이 긴 시퀀스를 처리하는 데 복잡도 문제를 일으킵니다. 이 논문에서는 이러한 문제를 해결하기 위해 신경-글리아 원리를 활용한 재귀적 기억 증강 아스트로모픽 트랜스포머(RMAAT) 모델을 제안합니다. RMAAT는 아스트로사이트의 기능에서 영감을 받아 긴 시퀀스 처리와 계산 효율성을 향상시킵니다.

paper AI 요약
RovoDev 코드 검토자 아틀라시안에서의 대규모 온라인 LLM 기반 코드 검토 자동화 평가

RovoDev 코드 검토자 아틀라시안에서의 대규모 온라인 LLM 기반 코드 검토 자동화 평가

코드 리뷰는 현대 소프트웨어 엔지니어링의 핵심이며, 품질 보장을 위해 중요합니다. 그러나 프로젝트가 복잡해짐에 따라 수동 코드 리뷰는 시간과 자원을 많이 필요로 하게 되며, 이는 개발 과정에서 병목 현상을 일으킬 수 있습니다. 대형 언어 모델(Large Language Models)을 사용하여 코드 리뷰의 일부를 자동화함으로써 이러한 문제를 해결할 수 있습니다. RovoDev 코드 리뷰어는 데이터 보안, 실용적인 가이드라인 제공, 새로운 프로젝트에 대한 컨텍스트 인식 능력 등 다양한 기능을 갖춘 자동화 도구입니다.

paper AI 요약
RSAgent 텍스트 안내 분할을 위한 다중 대화 도구 활용 학습

RSAgent 텍스트 안내 분할을 위한 다중 대화 도구 활용 학습

이 연구는 태양 복사가 식물 성장에 미치는 영향을 탐구한다. 우리는 다양한 수준의 노출과 그들이 광합성 속도, 생체량 축적 및 식물의 전반적인 건강에 미치는 영향을 통제된 환경에서 조사했다. 우리의 결과는 식물 발달에 최적의 태양 복사량이 중간 수준임을 제시하며, 그 이상에서는 손상이 발생한다.

paper AI 요약
RTL 최적화 평가를 위한 새로운 벤치마크

RTL 최적화 평가를 위한 새로운 벤치마크

최근에는 대형 언어 모델(LLM)이 반도체 회로 설계의 유연한 디자인에 있어 흥미로운 연구 방향으로 부상하고 있습니다. 특히, 많은 최근 작업들은 직접적으로 레지스터-트랜스퍼 레벨(RTL) 코드 형태로 반도체 회로 설계를 생성하기 위한 맞춤형 LLM을 개발하고 있습니다. 그러나 RTL 코드 최적화에 대한 기존 벤치마크는RTL 코드의 정확성에만 초점을 맞추고 있어, 전력, 성능, 면적(PPA) 측면에서의 실제 회로 설계 품질을 평가하지 않습니다. 이 문제를 해결하기 위해 새로운 벤치마크인 RTL-OPT를 제안합니다.RTL-OPT는 실용적인 최적화 패턴을 제공하며, 다양한 합성 설정에 대해 효과적으로 작동하도록 설계되었습니다.

paper AI 요약
ScienceDB AI 대규모 과학 데이터 공유 서비스를 위한 LLM 기반 에이전트 추천 시스템

ScienceDB AI 대규모 과학 데이터 공유 서비스를 위한 LLM 기반 에이전트 추천 시스템

과학기술용 AI(Science4AI)의 급속한 성장은 과학 데이터셋의 중요성을 부각시켰고, 그 결과 많은 국가적 수준의 과학 데이터 센터와 공유 플랫폼이 설립되었습니다. 그러나 이러한 발전에도 불구하고, 과학 연구를 위한 데이터셋의 효율적인 공유와 활용을 촉진하는 것은 여전히 어려운 문제입니다. 과학 데이터셋은 복잡한 도메인 특화된 지식과 맥락을 포함하고 있어, 기존의 협업 필터링 기반 추천 시스템이 적합하지 않습니다. 대형 언어 모델(LLMs)의 최근 발전은 깊은 의미 이해와 개인화된 추천이 가능한 대화형 에이전트 구축에 대한 전례 없는 기회를 제공합니다. 이에 따라 우리는 과학데이터뱅크(ScienceDB), 세계 최대 규모의 과학 데이터 공유 플랫폼 중 하나에서 개발한 새로운 LLM 기반 에이전트 추천 시스템인 ScienceDB AI를 소개합니다. ScienceDB AI는 자연어 대화와 깊은 추론을 활용하여 연구자의 과학적 의도와 변화하는 요구사항에 맞춘 데이터셋을 정확하게 추천합니다. 이 시스템은 다음과 같은 혁신들을 도입하고 있습니다 복잡한 쿼리에서 구조화된 실험 요소를 추출하는 Scientific Intention Perceptor, 다중 회차 대화를 효과적으로 관리하는 Structured Memory Compressor, 신뢰성 있는 검색 강화 생성(Trustworthy RAG) 프레임워크입니다. Trustworthy RAG는 두 단계의 검색 메커니즘을 사용하고 Citable Scientific Task Record(CSTR) 식별자를 통해 인용 가능한 데이터셋 참조를 제공하여 추천의 신뢰성과 재현성을 향상시킵니다. 과학적 연구에 활용되는 1,000만 개 이상의 실제 데이터셋을 사용한 광범위한 오프라인 및 온라인 실험을 통해 ScienceDB AI는 중대한 효과를 입증했습니다. 우리의 지식으로는, ScienceDB AI가 대규모 과학적 데이터셋 공유 서비스에 특화된 첫 번째 LLM 기반 대화형 추천 시스템입니다. 이 플랫폼은 다음 링크에서 공개적으로 이용 가능합니다 https //ai.scidb.cn/en.

paper AI 요약
SMOTE 생성 샘플의 이론적 수렴성

SMOTE 생성 샘플의 이론적 수렴성

불균형 데이터 세트는 한 클래스(소수 클래스)가 다른 클래스들(다수 클래스)에 비해 크게 소수로 나타나는 기계 학습 및 통계적 분석에서의 주요 도전 과제입니다. 이 불균형은 예측 모델이 소수 클래스에 대해 성능이 저하되는 편향된 결과를 초래하며, 이러한 소수 클래스는 고장 감지, 의료 진단, 네트워크 보안 또는 컴퓨터 비전과 같은 중요한 경우들을 나타낼 수 있습니다. 이를 완화하기 위해 다양한 데이터 증강 기법들이 개발되었습니다. 이 논문에서는 Synthetic Minority Over-sampling Technique (SMOTE)이라는 가장 널리 사용되는 증강 방법에 대해 이론적 분석을 제공합니다. 특히, SMOTE가 생성하는 합성 샘플들이 원래 데이터 분포로 수렴하는 과정을 이론적으로 입증하고자 합니다. 우리의 주요 기여는 다음과 같습니다 1. 확률 수렴 합성 랜덤 변수 $`Z`$가 표본 크기 $`n`$이 무한대로 접근할 때 원래 랜덤 변수 $`X`$로 확률적으로 수렴한다는 것을 증명합니다. 2. 최근접 이웃 순위 $`k`$ $`k`$의 값이 합성 샘플의 수렴 속도에 미치는 영향을 분석하고, 더 낮은 값을 사용하면 더 빠른 수렴을 얻을 수 있다는 것을 보여줍니다. 3. 경험적 검증 균일, 가우시안 및 지수 분포를 사용한 시뮬레이션 연구를 통해 이론 결과를 확인합니다. 이 논문의 결과는 SMOTE 알고리즘에서 $`k = 1`$을 사용하는 것이 원래 분포로 더 빨리 수렴하도록 하는 등 실제 응용에 대한 중요한 통찰력을 제공합니다. 이러한 통찰력은 실무자들이 SMOTE를 사용할 때 적절한 매개변수를 선택하고 증강된 데이터를 기반으로 훈련하는 모델의 성능을 개선하는 데 도움이 될 것입니다. ###

paper AI 요약
SPARK 에이전트 기반 검색 및 지식 공유를 통한 맞춤형 검색

SPARK 에이전트 기반 검색 및 지식 공유를 통한 맞춤형 검색

양자 컴퓨팅은 고전적인 컴퓨터와 다른 방식으로 정보를 처리하고 저장하는 새로운 기술입니다. 이 논문에서는 양자 알고리즘의 최신 발전을 조사하며, 특히 양자 상태의 측정과 양자 회로 설계에 초점을 둡니다. 또한, 양자 컴퓨팅이 정보 보안 분야에서 어떤 영향을 미치는지 탐구합니다. ###

paper AI 요약
STED와 일관성 점수 구조화된 출력 신뢰도 평가 프레임워크

STED와 일관성 점수 구조화된 출력 신뢰도 평가 프레임워크

이 논문은 심층 학습 모델의 성능을 향상시키기 위한 새로운 접근법을 제시한다. 특히, 이 연구는 데이터 증강과 사전 학습 기법을 결합하여 모델의 일반화 능력을 높이는 방법에 초점을 맞추고 있다. 실험 결과, 제안된 방법은 다양한 이미지 분류 작업에서 현존하는 최적의 성능을 보여주었다. ###

paper AI 요약
SynRAG 이질적인 SIEM 시스템용 실행 가능한 쿼리 생성 대형 언어 모델 프레임워크

SynRAG 이질적인 SIEM 시스템용 실행 가능한 쿼리 생성 대형 언어 모델 프레임워크

보안 정보 및 이벤트 관리(SIEM) 시스템은 대규모 기업들이 매일 수백만 개의 로그와 이벤트를 수집하고 분석하여 IT 인프라스트럭처를 모니터링하는 데 필수적입니다. 보안 운영 센터(SOC) 분석가는 이러한 방대한 데이터를 모니터링하고 분석하여 잠재적인 위협을 식별하고 기업 자산을 보호하기 위한 예방 조치를 취해야 합니다. 하지만 Palo Alto Networks Qradar, Google SecOps, Splunk, Microsoft Sentinel 및 Elastic Stack과 같은 SIEM 플랫폼들 간의 다양성은 상당한 도전 과제를 제기합니다. 이러한 시스템들은 속성, 아키텍처, 쿼리 언어에서 차이점이 있어 분석가들이 광범위한 훈련을 받지 않으면 여러 플랫폼을 효과적으로 모니터링하기 어렵고 기업은 인력을 확대해야 하는 상황입니다. 이 문제를 해결하기 위해 우리는 플랫폼에 무관한 사양에서 다중 SIEM 플랫폼용 위협 탐지 또는 사건 조사 쿼리를 자동으로 생성하는 통합 프레임워크인 SynRAG을 도입합니다. SynRAG은 분석가가 작성한 단일 고수준 사양으로 특정 플랫폼에 맞는 쿼리를 생성할 수 있습니다. SynRAG 없이 분석가는 시스템 간에 크게 차이가 나는 쿼리 언어 때문에 각 SIEM 플랫폼별로 별도의 쿼리를 수작업으로 작성해야 합니다. 이 프레임워크는 다양한 SIEM 환경에서 위협 탐지와 사건 조사를 원활하게 진행할 수 있도록 하여 전문적인 훈련과 수동 쿼리 번역에 대한 필요성을 줄입니다. 우리는 Qradar 및 SecOps를 대표적인 SIEM 시스템으로 사용하여 GPT, Llama, DeepSeek, Gemma, Claude와 같은 최첨단 언어 모델들과 SynRAG을 비교 평가하였습니다. 우리의 결과는 SynRAG이 위협 탐지와 사건 조사에 있어 다양한 SIEM 환경에서 최첨단 기본 모델보다 훨씬 더 좋은 쿼리를 생성한다는 것을 보여줍니다.

paper AI 요약
T3C 일관성 보장과 함께 테스트 시점 텐서 압축

T3C 일관성 보장과 함께 테스트 시점 텐서 압축

이 논문에서는 T3C라는 예산 조건에 따른 학습-한번/시험 시간 압축 프레임워크를 제안합니다. T3C는 탄력적인 텐서화와 계층별 혼합 정밀도 양자화를 결합하고, 경량화된 정책을 사용하여 구조화된 예산 토큰을 층별 순위/비트 할당으로 매핑합니다. 이 프레임워크는 단일 체크포인트에서 일관되고 하드웨어에 맞춘 정확도-지연-크기 교환 관계를 제공하며, 양자화, 가위내기, 저순위 기준선보다 낮은 꼬리 위험을 줍니다.

paper AI 요약
UltraEval-오디오 오디오 기초 모델의 종합적인 평가를 위한 통일된 프레임워크

UltraEval-오디오 오디오 기초 모델의 종합적인 평가를 위한 통일된 프레임워크

오디오 기반 모델의 폭발적인 발전과 함께, 오디오 모델을 객관적이고 체계적으로 평가하기 위한 통합 평가 프레임워크인 **UltraEval-Audio**를 제안합니다. 이 프레임워크는 데이터 로딩부터 추론 파라미터 조정까지 다양한 과정을 분리하여 연구자들이 실험의 재현성을 높이고, 빠르게 적응하고 확장할 수 있도록 설계되었습니다.

paper AI 요약
VEAT이 텍스트-비디오 생성기 소라의 암시적 연관성을 측정하고 편향 완화에서의 과제를 드러냄

VEAT이 텍스트-비디오 생성기 소라의 암시적 연관성을 측정하고 편향 완화에서의 과제를 드러냄

텍스트-투-비디오(T2V) 생성기인 소라와 같은 시스템은 생성된 콘텐츠가 사회적 편견을 반영하는지에 대한 우려를 제기한다. 우리는 단어와 이미지에서 비디오로 임베딩 연관 검사를 확장하기 위해 비디오 임베딩 연관 검사(VEAT)와 싱글-카테고리 VEAT(SC-VEAT)를 도입한다. 이 방법들을 널리 사용되는 베이스라인, 특히 암묵적 연관 검사(IAT) 시나리오와 OASIS 이미지 카테고리로부터의 관계 방향과 크기를 재현함으로써 검증한다. 그런 다음 17개 직업과 7개 수상 분야에서 인종(아프리카 계 미국인 대 유럽계 미국인)과 성별(여성 대 남성)이 가치(기분 좋은 것 대 불쾌한 것)와 연관되는 정도를 측정한다. 소라 비디오는 유럽계 미국인과 여성들이 더 기분 좋게 인식된다(d>0.8). 효과 크기는 실제 세계의 인구 분포와 상관관계가 있다 직업에서 남성과 백인이 차지하는 비율(r=0.93, r=0.83) 및 수상자들 중 남성과 흑인 비율이 아닌 사람들의 비율(r=0.88, r=0.99). 명시적인 디비어스 프롬프트를 적용하면 효과 크기의 크기가 일반적으로 줄지만 역효과를 초래할 수도 있다 두 개의 흑인 관련 직업(청소원, 우편 서비스)은 디비어싱 이후 더 강하게 흑인 연관성이 증가한다. 이 결과들은 쉽게 접근 가능한 T2V 생성기가 철저히 평가되지 않고 책임감 있게 배치되지 않는 경우 표현적 피해를 실제로 확대할 수 있음을 보여준다.

paper AI 요약
VLA-RAIL VLA 모델과 로봇을 위한 실시간 비동기 추론 링커

VLA-RAIL VLA 모델과 로봇을 위한 실시간 비동기 추론 링커

비전-언어-행동(VLA) 모델은 로봇이 자연 언어 명령을 이해하고, 공간-시각적 의미를 추출하며, 열린 세계 조작 작업에 적합한 행동을 생성할 수 있게 합니다. 그러나 VLA 모델의 배포는 다양한 하드웨어 구성과 소프트웨어 인터페이스로 인해 한정되어 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 실시간 비동기 추론 프레임워크인 VLA-RAIL을 제안합니다.

paper AI 요약
тонкая структура 세gmentation의 새 지평 TopoLoRA-SAM

тонкая структура 세gmentation의 새 지평 TopoLoRA-SAM

본 연구에서는 다양한 도메인에서 이진 세분화를 위한 기초 모델의 적응을 위해 TopoLoRA-SAM이라는 원칙적인 프레임워크를 제안한다. SAM ViT-B 이미지 인코더는 고정되며, 각 트랜스포머 블록의 피드포워드 네트워크(FNN) 층에 학습 가능한 LoRA 모듈을 삽입하고, 고해상도 임베딩 텐서에서 마스크 디코딩 전에 가벼운 깊이별 분리 컨볼루션 어댑터를 사용한다. 이 설계는 미세 조정을 가능하게 하면서 사전 학습된 표현을 유지한다.

paper AI 요약
가장 유용한 파트너 선발의 새로운 길

가장 유용한 파트너 선발의 새로운 길

많은 현대 AI 및 ML 문제는 공유되지만 비대칭적인, 계산적으로 집약적인 과정을 통해 파트너의 기여를 평가하고 동시에 가장 유익한 후보자를 선별하는 것을 필요로 합니다. 이러한 문제들은 새로운 프레임워크인 순차적 지원 네트워크 학습(SSNL) 하에서 통합될 수 있습니다. 이 목표는 모든 참가자에게 가장 유익한 파트너 집합을 시도를 통해 선택하는 것입니다, 즉, 최고의 성능 기여를 나타내는 방향 그래프를 학습하는 것입니다. 우리는 단일 평가가 구조적인 중첩성으로 인해 여러 밴딧에 대한 고유한 피드백을 제공하는 새로운 순수 탐색 모델인 반복적으로 겹치는 다중(다중 팔) 밴딧(SOMMAB)이 희박한 후보 목록에서 지원 네트워크를 효율적으로 학습할 수 있음을 보여줍니다. 우리는 SOMMAB용 일반화된 GapE 알고리즘을 개발하고, 이는 다중 밴딧 최고 팔 식별에 있어 가장 잘 알려진 상수보다 지수 계수에서 크게 향상된 새로운 지수 오류 경계를 제공합니다. 이러한 경계는 중첩도와 선형적으로 비례하여, 공유 평가로부터 발생하는 샘플 복잡성의 큰 이점을 드러냅니다. 응용 프로그램 측면에서 본 연구는 다중 작업 학습(MTL), 보조 작업 학습(ATL), 연방 학습(FL) 및 다중 에이전트 시스템(MAS)과 같은 여러 학습 문제에서 희박한 후보자로부터 지원 네트워크를 식별하는 순차적 학습 도구의 이론적인 기초와 개선된 성능 보장을 제공합니다.

paper AI 요약
가족 모델의 확장 법칙 이론 기반

가족 모델의 확장 법칙 이론 기반

이 논문은 이미지 분류 작업에서 다양한 학습 방법들이 CNN 성능에 미치는 영향을 조사한다. 전통적인 지도 학습, 사전 훈련된 모델을 이용한 트랜스퍼 러닝, 그리고 두 가지 방법을 결합한 하이브리드 접근법이라는 세 가지 패러다임을 비교하였다. 여러 데이터셋을 사용하여 다양한 조건에서의 견고성을 확보하였다.

paper AI 요약
강화학습의 적대적 인스턴스 생성과 로브스트 트레이닝

강화학습의 적대적 인스턴스 생성과 로브스트 트레이닝

본 논문에서는 다목적 조합 최적화 문제(MOCOP)를 해결하는 강화학습 기반의 신경망 모델에 대한 강인성을 향상시키는 새로운 접근법을 제안한다. 이를 위해 선호도 기반 적대적 공격(PAA) 방법과 동적인 선호도 증강 방어(DPD) 방법을 소개한다. PAA는 특정 선호도에 맞춘 어려운 인스턴스를 생성하여 신경망 모델의 성능을 저하시키며, DPD는 적대적 공격으로부터 신경망 모델을 보호하고 그 강인성을 향상시킨다. 이러한 방법들은 다목적 트래블링 세일즈맨 문제(MOTSP), 다목적 용량 제약 차량 경로 문제(MOCVRP), 그리고 다목적 배낭 문제(MOKP)에서 우수한 성능을 보여준다.

paper AI 요약
게임 디자인의 혁명, 모터 자동화된 게임 메커닉스

게임 디자인의 혁명, 모터 자동화된 게임 메커닉스

본 논문은 게임 메커니즘의 절차적 생성을 위한 새로운 접근 방식을 제안합니다. 이를 위해 <span class= smallcaps >Mortar</span>이라는 시스템을 소개하며, 이 시스템은 대형 언어 모델(LLM)과 품질 다양성(QD) 알고리즘을 사용하여 다양한 게임 메커니즘을 진화시킵니다. <span class= smallcaps >Mortar</span>은 진화된 메커니즘이 전체 게임의 질에 기여하는지를 평가함으로써, 메커니즘의 가치를 판단합니다.

paper AI 요약
결합 임베딩 예측 세계 모델을 통한 물리적 계획 성공 요인은 무엇일까?

결합 임베딩 예측 세계 모델을 통한 물리적 계획 성공 요인은 무엇일까?

본 논문은 제어 및 탐색 계획 작업을 위한 임베딩 공간에서 동적 모델을 효율적으로 학습하는 방법에 대해 연구합니다. 주요 기여는 액션 조건부 결합 예측 월드 모델(JEPA-WM)의 핵심 구성 요소들에 대한 분석이며, 이를 통해 DINO-WM과 V-JEPA-2-AC을 능가하는 최적의 JEPA-WM을 제안합니다.

paper AI 요약
계층적 계획과 다목적 선호도 정렬을 통한 효율적인 생성 슬래트 추천 HIgr

계층적 계획과 다목적 선호도 정렬을 통한 효율적인 생성 슬래트 추천 HIgr

본 논문은 계층적 생성 슬레이트 추천 프레임워크인 HiGR을 제안한다. HiGR은 대규모 온라인 서비스에서 사용자 경험의 핵심 요소로 작용하는 슬레이트 추천 문제를 해결하기 위해 설계되었다. 기존 방법론이 효율적이지만 항목 수준 목표만 최적화하고 전체 리스트 품질을 무시하는 반면, HiGR은 생성 모델과 대조 학습을 통한 계층적 구조화된 아이디를 통해 슬레이트의 글로벌 구조와 세부 항목 선택 사이에서 효율적인 추론을 가능하게 한다.

paper AI 요약
고급 정규화로 부드러운 제어 에너지 관리의 새로운 패러다임

고급 정규화로 부드러운 제어 에너지 관리의 새로운 패러다임

강화학습은 복잡한 의사결정 작업에서 뛰어난 성과를 보여왔지만, 실제 시스템에 적용할 때 급격하고 무작위적인 제어 행동이 즉각적인 보상 최적화와 함께 큰 운영 비용을 초래하는 문제점이 나타났다. 이 논문은 이런 현상을 해결하기 위해 3차 도함수 패널티를 도입하여, 제어 벤치마크에서 1차와 2차 도함수 패널티를 비교하고, HVAC 시스템에 적용해 장비 수명과 에너지 효율성을 측정한다. ###

paper AI 요약
공격 벡터 엔지니어링과 가법 제조에서의 이상 감지

공격 벡터 엔지니어링과 가법 제조에서의 이상 감지

추가 제조(AM)는 항공우주, 자동차, 의료 등 중요 산업 분야에 신속하게 통합되고 있습니다. 하지만 이 사이버-물리적 융합은 특히 컴퓨터 지원 설계(CAD)와 기계 실행 레이어 간의 인터페이스에서 새로운 공격 표면을 소개합니다. 본 연구에서는 광범위하게 사용되는 용융 침착 모델링(FDM) 시스템인 크리얼러티의 플래그십 모델 K1 Max와 엔더 3에 대한 정교한 사이버공격을 조사하였습니다. 우리의 위협 모델은 대항자들이 사용자 인터페이스로부터 프린터 펌웨어까지 G코드 파일을 전송하는 과정에서 가로채고 조작하는 다층적 Man-in-the-Middle(MitM) 침입입니다. 이 MitM 침입 체인은 몇 가지 비밀리에 이루어지는 파괴 시나리오를 가능하게 합니다. 이러한 공격들은 기존의 슬라이서 소프트웨어나 런타임 인터페이스로는 감지할 수 없으며, 구조적으로 결함이 있지만 외부적으로 신뢰할 수 있는 프린팅 부품을 생성합니다. 이러한 비밀리에 이루어지는 위협에 대응하기 위해, 우리는 생생한 프린팅 동안 생성되는 구조화된 머신 로그를 분석하는 무감독 침입 탐지 시스템(IDS)을 제안하였습니다. 우리의 방어 메커니즘은 변형 BERT로 이루어진 동결된 Transformer 기반 인코더를 사용하여 시스템 행동의 의미 표현을 추출하고, 이어서 대조적으로 학습된 투영 머리가 이상 감도 임베딩을 배우도록 합니다. 이후에는 클러스터링 기반 접근 방식과 자기 주의 자동 인코더를 사용하여 분류합니다. 실험 결과는 우리의 접근법이 무해한 실행과 침해된 실행 사이에서 효과적으로 구분한다는 것을 보여줍니다.

paper AI 요약
공격적인 압축이 LLM 가중치 유출을 가능하게 한다

공격적인 압축이 LLM 가중치 유출을 가능하게 한다

AI 모델을 훈련시키는 비용이 급증하면서, 특히 고급 AI 시스템은 국가 안보 자산으로 인식되고 있습니다. 이에 따라 모델 가중치를 해킹에서 보호하려는 관심이 증가하고 있으며, 특히 가중치 유출 공격이 주요 문제로 부각되었습니다. 본 논문에서는 큰 언어 모델(Large Language Model, LLM)의 압축 기술을 이용해 가중치 유출 공격의 가능성과 방어 방법에 대해 분석하였습니다.

paper AI 요약
구조-상태 결합 학습으로 네트워크 진화 히스토리 추론

구조-상태 결합 학습으로 네트워크 진화 히스토리 추론

네트워크의 진화 역사로부터 한 개의 최종 스냅샷과 제한된 시간 주석을 추론하는 것은 기본적이면서도 도전적인 과제이다. 현재 접근 방식은 대부분 위상만에 의존하는데, 이는 종종 부족하고 잡음을 포함한 단서를 제공한다. 본 논문은 특정 동적 과정 하에서 수렴된 노드 상태인 네트워크 정상 상태 동역학을 추가적인 널리 접근 가능한 관찰로 활용하여 네트워크 진화 역사 추론에 사용한다. 우리는 CS$^2$를 제안하며, 이는 구조-상태 결합을 명시적으로 모델링하여 위상이 정상 상태를 어떻게 조절하는지와 두 신호가 엣지 판별을 어떻게 공동으로 향상시키는지를 포착한다. 여섯 개의 실제 시간 네트워크에서 여러 동적 과정 하에 평가한 실험 결과 CS$^2$는 강력한 베이스라인을 일관되게 능가하며, 평균 4.0%의 엣지 순위 판별 정확도 향상과 평균 7.7%의 전역 순서 일관성(Spearman-$ρ$) 향상을 보여준다. CS$^2$는 또한 클러스터 형성, 차수 이질성, 허브 성장과 같은 거시적 진화 경로를 더욱 신뢰성 있게 복원한다. 게다가, 정상 상태만을 사용하는 변형은 신뢰할 수 있는 위상이 제한적인 상황에서도 경쟁력을 유지하며, 정상 상태가 진화 추론을 위한 독립된 신호임을 강조한다.

paper AI 요약
그래프 신경망의 저장소 기반 학습 가속화

그래프 신경망의 저장소 기반 학습 가속화

그래프 신경망(GNN)의 학습은 대규모 그래프를 처리하는 데 있어서 주요한 도전 과제를 안고 있다. 이 논문에서는 GNN 학습에서 데이터 준비 단계가 전체 과정에서 큰 병목 현상을 일으키는 문제점을 파악하고, 이를 해결하기 위한 새로운 프레임워크 **AGNES**을 제안한다. AGNES는 블록 단위의 저장 장치 I/O 처리와 하이퍼 배치 기반 처리를 통해 효율적으로 데이터 준비 과정을 수행하며, 특히 대규모 그래프 학습에서 성능 향상에 크게 기여한다.

paper AI 요약
그래프 포인터 네트워크와 분산의 결합을 통한 다양한 TSP 경로 생성

그래프 포인터 네트워크와 분산의 결합을 통한 다양한 TSP 경로 생성

이 논문에서는 다각적 여행 상인 문제(D-TSP)를 해결하기 위한 새로운 프레임워크를 제안합니다. 이 작업은 고성능 해답을 찾으면서 동시에 해답의 다양성을 최대화하는 것을 목표로 합니다. 우리의 접근 방식은 전통적인 알고리즘과 신경망 기반 방법을 결합한 것입니다. 실험 결과는 40개 도시에 대해 몇 시간 동안 훈련하면, 우리의 모델이 현재까지 알려진 최고의 성능을 보여줍니다.

paper AI 요약
기계를 위한 코드, 인간만을 위한 것이 아니라 코드 헬스 메트릭으로 AI 친화성을 측정하기

기계를 위한 코드, 인간만을 위한 것이 아니라 코드 헬스 메트릭으로 AI 친화성을 측정하기

AI가 코드를 이해하고 개선하는 데 있어, 인간이 읽기 쉬운 코드는 어떻게 도움을 줄 수 있을까? 본 논문은 CodeHealth 지표를 사용하여 AI 친화적인 코드 디자인이 더 나은 결과를 내는지 분석한다. 또한, Perplexity와 Source Lines of Code(SLOC)와 비교해보며, 인간이 이해하기 쉬운 코드가 실제로 AI에게도 더 친근한지 확인한다.

paper AI 요약
기하학적 및 양자 커널 방법을 활용한 만성 폐쇄성 폐질환의 골격근 예측 방법론 연구

기하학적 및 양자 커널 방법을 활용한 만성 폐쇄성 폐질환의 골격근 예측 방법론 연구

골격근 기능 장애는 만성 폐쇄성 폐질환(COPD)의 임상적으로 중요한 폐외 증상이며 체내 및 기도 염증과 밀접하게 연관되어 있습니다. 이를 바탕으로 최소 침습적 생물학적 표지자로부터 근육 결과를 예측하는 모델링을 실시하고자 합니다. 본 연구에서는 총 213마리의 동물을 대상으로 가짜 수술과 담배 연기 노출 조건을 비교한 사전 임상 데이터셋을 분석하였습니다. 이는 혈액 및 기관지알ве올라세척액 측정치와 함께 근육중량(mg), 특이력(mN), 근질 지수(mN/mg)라는 세 가지 연속 목표를 포함하고 있습니다. 연구에서는 조정된 전통적 베이스라인, 기하학을 인식하는 대칭 양의 결정체(SPD) 설명자와 Stein 발산량, 그리고 저차원 표형 데이터를 위한 양자 커널 모델들을 평가하였습니다. 근육중량 설정에서, 혈액 C-반응 단백질, 호중구 수치, 기관지알베올라세척액 세포도, 조건을 포함한 네 가지 해석 가능한 입력을 사용하는 양자 커널 리지 회귀는 테스트 루트 평균 제곱 오차 4.41mg과 결정 계수 0.605를 달성하였으며 동일 특징 집합에서 대응되는 리지 베이스라인(4.70mg 및 0.553)보다 향상되었습니다. 기하학적 정보를 포함한 Stein 발산량 프로토타입 거리는 생물학적 표지자만을 사용하는 설정에서 더 작은 그러나 일관된 개선(4.55mg 대비 4.79mg)을 보였습니다. 연속 결과를 훈련 가짜 수술 평균의 0.8배로 임계값 설정한 스크리닝 평가에서는 근육중량이 낮은 상태를 탐지하는 수신자 작동 특성 곡선(AUC-ROC) 최대 값까지 0.90을 달성하였습니다. 이러한 결과는 저데이터, 저특징 생물의학 예측 문제에서 기하학적 및 양자 커널 향상이 해석 가능성과 투명한 모델 선택을 유지하면서 측정 가능한 이점을 제공할 수 있음을 나타냅니다.

paper AI 요약
긴 법적 문서를 짧은 무작위 조각으로 분류하기

긴 법적 문서를 짧은 무작위 조각으로 분류하기

법적 문서 분류는 전문 용어뿐만 아니라 때때로 매우 긴 문서가 될 수 있어挑战组合中的中文被错误地包含进去了。以下是符合要求的日韩翻译： 법적 문서를 분류하는 것은 전문적인 어휘 외에도 종종 매우 긴 문서라는 점에서 과제입니다. 이는 전체 문서를 변형 모델 기반의 분류 모델에 입력하는 것이 불가능하거나 비용이 많이 들거나 느릴 수 있다는 것을 의미합니다. 따라서 본 논문에서는 48개의 임의로 선택된 짧은 조각(max 128 토큰)을 입력으로 사용하는 DeBERTa V3와 LSTM을 기반으로 한 법적 문서 분류기를 제시합니다. 또한 지속 가능한 실행 솔루션인 Temporal을 사용한 배포 파이프라인도 제시하여 신뢰성 있고 견고한 처리 워크플로를 확보할 수 있습니다. 최상의 모델은 가중치 F 점수 0.898을 기록했으며, CPU에서 작동하는 파이프라인의 처리 중앙값 시간은 100개 파일당 498초였습니다.

paper AI 요약
길이 인식 샘플링으로 더 안정적인 트래젝토리 생성 모델

길이 인식 샘플링으로 더 안정적인 트래젝토리 생성 모델

이 논문은 다양한 영역에서 시뮬레이션과 역사적 분석을 위한 실제적인 경로와 순서 모델 학습의 중요성을 강조한다. 특히, 이동성 분석, 추천 시스템, 교육 분야에서의 순차적인 결정 로그 등에서 길이가 다양한 트래JECTORY를 처리하는 데에 어려움이 있다. 이러한 문제를 해결하기 위해 제안된 방법은 길이 인식 샘플링(LAS) 기법으로, 이는 미니배치 내의 길이 다양성을 통제하고 생성자/판별자의 업데이트를 더 일관되게 만드는 트레이닝 시 개입이다. 또한, LAS와 조건부 트래JECTORY GAN 및 보조 시간 정렬 손실을 결합하여 트래JECTORY 데이터용 디지털 트윈을 구축한다.

paper AI 요약
No Image

깊은 계층 모델을 배우는 신경망 레이어별로 어떻게 학습할까?

본 논문에서는 $n$개의 레이블을 갖는 감독 학습을 고려하고 잔차 네트워크에서 계층별 SGD가 효율적으로 특정 계층 모델을 학습할 수 있음을 보여줍니다. 이 모델 클래스는 알려지지 않은 레이블 계층 $L_1 subseteq L_2 subseteq dots subseteq L_r = [n]$의 존재를 가정합니다. 여기서 $L_1$에 속한 레이블들은 입력의 간단한 함수이며, $i > 1$인 경우 $L_i$에 속한 레이블들은 더 간단한 레이블들의 간단한 함수입니다. 이러한 클래스는 깊은 학습 알고리즘으로 학습할 수 있음이 이전에 입증된 모델들보다 더 넓은 범위를 포함하며, 효율적인 학습 가능성을 도달하는 깊이 한계를 설정합니다. 즉, 해당 클래스에는 다항식 깊이가 필요한 표현을 요구하는 모델들이 있으며 이전의 모델들은 로그 깊이 회로에서 계산될 수 있습니다. 또한 이러한 계층 모델들의 학습 가능성은 깊은 학습을 이해하기 위한 기반으로 될 수 있음을 제안합니다. 깊은 학습이 뛰어난 성능을 보이는 도메인에서의 자연스러운 적합성뿐만 아니라 인간 교사 의 존재는 계층 구조가 본질적으로 가능하다는 가설을 지지한다고 주장합니다. 교사는 세밀한 레이블을 제공함으로써 두뇌가 사용하는 내부 알고리즘의 힌트 또는 스니펫 을 드러내는데 효과적입니다. 이 직관성을 형식화하여 교사가 부분적으로 자신의 내부 논리를 인식하는 간략한 모델에서 계층 구조가 효율적인 학습 가능성을 촉진시키는 방식으로 나타남을 보여줍니다.

paper AI 요약
노래봇 감성 가창 로봇얼굴의 새로운 시대

노래봇 감성 가창 로봇얼굴의 새로운 시대

이 논문은 로봇의 노래를 표현하는 방법을 제안하며, 이는 인간의 감정과 행동을 모방하는 중요한 기준이다. 특히, 데이터 주도적인 접근법을 사용하여 가수의 감정과 리듬에 맞춰 로봇의 얼굴 표정을 동기화시키는 데 중점을 두었다. 이를 통해 로봇은 노래하면서 자연스러운 입동작과 감정 표현을 할 수 있다.

paper AI 요약
놀라움과 은유 신선도 판단 대규모 데이터 기반 분석을 통한 중등도 상관 및 효과 차이

놀라움과 은유 신선도 판단 대규모 데이터 기반 분석을 통한 중등도 상관 및 효과 차이

최근 언어 모델링의 발전은 전통적인 자연어 처리 시스템에서 어려웠던 언어 창조성 연구에 대한 새로운 관심을 불러일으켰다. 이 논문에서는 기존과 신규 메타포 사이의 차이점을 탐구하고, 언어 모델(LM)을 사용하여 메타포의 창조성을 측정하는 방법을 제안한다. 특히, LM에서 계산된 surprisal 점수와 메타포 창조성 간의 상관관계를 분석하며, 이를 통해 신규 메타포와 기존 메타포 사이의 차이점을 구분할 수 있는 새로운 방법을 제시한다.

paper AI 요약
다중 에이전트 AI 워크플로우의 시간적 공격 패턴 감지 추적 기반 보안 모델 훈련을 위한 오픈 프레임워크

다중 에이전트 AI 워크플로우의 시간적 공격 패턴 감지 추적 기반 보안 모델 훈련을 위한 오픈 프레임워크

본 논문은 에이전트 워크플로의 보안성을 평가하는 첫 번째 공개된 방법론을 제시합니다. 이 방법론은 합성 OpenTelemetry 추적 생성, 데이터셋 구축, 훈련 구성 및 재현 가능한 평가 프로토콜을 포함하며, 에이전트 워크플로의 보안성을 향상시키는 데 중점을 두고 있습니다.

paper AI 요약
다중 에이전트 AI에 인간의 반공모 메커니즘 매핑

다중 에이전트 AI에 인간의 반공모 메커니즘 매핑

다중 에이전트 AI 시스템이 점점 더 자율성을 띠면서, 이들이 인간 시장과 기관에서 오랜 시간 동안 관찰되어온 공모 전략을 개발할 수 있다는 증거가 나타나고 있습니다. 인간 영역에서는 세기동안의 반공모 메커니즘이 축적되어 있지만, 이러한 메커니즘들을 AI 환경에 어떻게 적용할 수 있는지 여전히 명확하지 않습니다. 이 논문은 (i) 제재, 관대주의 및 고발, 감시와 심사, 시장 설계, 그리고 통치를 포함한 인간의 반공모 메커니즘의 분류 개발과 (ii) 이러한 메커니즘들을 다중 에이전트 AI 시스템에 대한 잠재적 개입으로 매핑하는 문제점을 해결하고자 합니다. 각 메커니즘에 대해 구현 방법을 제안합니다. 또한, 특정 에이전트에게 일어난 조정을 귀속시키는 어려움, 에이전트의 쉽게 분할 또는 수정 가능성, 협력과 공모를 구분하는 문제, 그리고 적응적 감지 회피 학습 등 열린 과제들을 강조하고 있습니다.

paper AI 요약
다차원 프롬프트 체이닝으로 대화 질 끌어올리기

다차원 프롬프트 체이닝으로 대화 질 끌어올리기

대형 언어 모델(LLMs)은 자연어 처리를 혁신적으로 발전시켰지만, 이로 인해 필요한 컴퓨팅 자원이 많이 필요합니다. 본 논문에서는 작은 규모의 언어 모델(SLMs)을 사용하여 대형 모델과 동등한 수준의 대화 품질을 달성하기 위한 새로운 다차원 프롬프트 체이닝 프레임워크를 제안합니다. 이 프레임워크는 생성된 응답의 맥락적 일관성, 자연스러움, 그리고 매력성을 각각 개선하는 세 가지 단계로 구성됩니다.

paper AI 요약
No Image

대규모 실증적 사례 연구 AI 레드팀 테스트를 위한 Go-Explore 적응

(이 논문에서는 Go-Explore 알고리즘을 사용하여 LLM 에이전트의 안전성을 테스트하고, 무작위 시드 변동성이 알고리즘 선택보다 큰 영향을 미친다는 것을 보여줍니다. 또한, 악성 공격 탐지에 대한 다중 에이전트 조합 전략이 공격 유형 다양화를 제공한다는 점도 확인했습니다.)

paper AI 요약
대형 언어 모델로 자동 이슈 할당 혁신

대형 언어 모델로 자동 이슈 할당 혁신

본 논문에서는 소프트웨어 개발 프로젝트에서 이슈 할당의 중요성과 그 과정에 대한 문제점을 다룹니다. 특히 수동 할당이 비효율적이며, 시간을 많이 잡아먹는다는 점을 강조합니다. 이를 해결하기 위해 LLM 기반의 자동화된 이슈 할당 방법론인 LIA(Large Language Model-based Issue Assignment)를 소개하며, 이 방법론은 텍스트 기반과 그래프 기반 방법론들의 한계점을 극복할 수 있는 가능성을 제시합니다. 본 연구에서는 두 개의 대규모 오픈소스 프로젝트 데이터셋(EclipseJDT와 Mozilla)을 사용하여 LIA가 기존 방법론들보다 우수한 성능을 보이는 것을 입증하였습니다. ###

paper AI 요약
대형 언어 모델로 측정하는 온라인 편향 분석

대형 언어 모델로 측정하는 온라인 편향 분석

(대규모 언어 모델(LLM)을 이용해 사회적 매체에서 발생하는 감정적 극단화를 측정하는 새로운 방법론을 소개합니다. 본 논문에서는 기존의 감성 분석에 대비하여 LLM이 제공하는 맥락 이해와 텍스트 분류 능력을 활용하여 주제별 입장, 감정 표현, 그리고 합의 수준을 추출하는 프레임워크를 제안합니다. 이를 통해 사회적 매체에서 발생하는 감정적 극단화를 더 정교하게 측량하고 이해할 수 있습니다.)

paper AI 요약
대형 언어 모델을 이용한 범주형 데이터 클러스터링의 의미적 간극 해소

대형 언어 모델을 이용한 범주형 데이터 클러스터링의 의미적 간극 해소

범주형 데이터는 의료, 마케팅, 바이오정보학과 같은 분야에서 패턴 발견의 기본 도구로 클러스터링을 사용합니다. 범주형 데이터 클러스터링의 핵심 과제 중 하나는 내재적인 순서나 거리가 없는 속성 값 간의 유사성을 측정하는 것입니다. 적절한 유사성 지표 없이 값을 등거리로 취급하면 의미론적 격차가 발생하여 잠재 구조를 가리고 클러스터링 품질을 저하시킵니다. 기존 방법들은 데이터셋 내에서의 공발생 패턴으로부터 값 간 관계를 추론하지만, 샘플이 제한적일 때 이러한 추론은 신뢰할 수 없게 되어 데이터의 의미론적 맥락이 충분히 탐색되지 않습니다. 이 격차를 메우기 위해 우리는 ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)를 제시합니다. ARISE는 대형 언어 모델(LLMs)로부터 외부 의미론적 지식을 끌어와 범주형 데이터의 거리 공간을 보완하는 의미론 인식 표현을 구성하여 정확한 클러스터링을 실현합니다. 즉, LLM은 표현 강화를 위해 속성 값을 설명하고, LLM으로 향상된 임베딩은 원래 데이터와 결합되어 의미론적으로 중요한 클러스터를 탐색합니다. 8개의 벤치마크 데이터셋에 대한 실험에서 ARISE는 대표적인 일곱 가지 방법보다 19-27% 향상된 성능을 보여주며, 코드는 https //github.com/develop-yang/ARISE에서 이용 가능합니다.

paper AI 요약
대형 언어 모델의 자각 깨우침

대형 언어 모델의 자각 깨우침

대형 언어 모델에서 내성적 인식의 발현 본 연구는 대형 언어 모델이 그들의 내부 상태에 대해 반성할 수 있는지 조사합니다. 이러한 질문을 단순한 대화만으로는 답변하기 어렵습니다. 진정한 반성이 착각과 구별되기 때문입니다. 여기서 우리는 이 도전 과제를 해결하기 위해 모델의 활성화 상태에 알려진 개념들의 표현을 주입하고, 이러한 조작이 모델의 자기 보고된 상태에 미치는 영향을 측정합니다. 연구 결과, 특정 상황에서는 모델들이 주입된 개념의 존재를 인식하고 정확하게 식별할 수 있음을 발견했습니다. 모델들은 이전 내부 표현을 회상하는 일부 능력을 보여주며, 이를 원문 텍스트 입력과 구분할 수 있습니다. 가장 놀라운 결과는 일부 모델들이 자신의 출력과 인공적인 사전 채우기를 구분하기 위해 이전 의도를 회상하는 능력을 사용한다는 것입니다. 모든 실험에서 가장 우수한 모델인 Claude Opus 4 및 4.1이 일반적으로 최고 수준의 내성적 인식을 보여주지만, 각 모델 간의 경향은 복잡하고 후 훈련 전략에 민감합니다. 마지막으로 우리는 모델들이 명시적으로 자신의 내부 표현을 조절할 수 있는지 탐색했습니다. 결과는 개념에 대해 생각해보라 는 지시나 유인책이 있으면 모델들의 활성화 상태를 조정할 수 있다는 것을 나타냅니다. 전체적으로 우리의 결과는 현재 언어 모델들이 자신들의 내부 상태에 대한 기능적인 반성적 인식을 어느 정도 가지고 있음을 보여줍니다. 그러나 이러한 능력은 오늘날의 모델에서 매우 불안정하고 문맥에 크게 의존하며, 모델의 성능 개선을 통해 계속 발전할 수 있습니다.

paper AI 요약
대형 언어 모델의 주관적 텍스트 영역 식별 능력은?

대형 언어 모델의 주관적 텍스트 영역 식별 능력은?

텍스트 스패닝을 식별하는 것은 NLP의 여러 하류 작업에 중요하며, 이는 모델 설명 가능성에 기여합니다. 대부분의 스패닝 식별 접근 방법은 BERT와 같은 상대적으로 작은 사전 훈련된 언어 모델에 의존하지만, 최근 몇 가지 접근 방식은 대규모 언어 모델(LLMs)을 이 작업에 활용하였습니다. 현재의 연구는 명명된 엔터티 인식(NER)과 같이 명시적인 스패닝 식별에 집중한 반면, 주관적 스패닝 식별과 LLMs를 사용한 감성 기반 분석(ABSA) 작업은 충분히 탐구되지 않았습니다. 본 논문에서는 이 중요한 간극을 메꾸기 위해 세 가지 인기 있는 작업인 감성 분석, 모욕적 언어 식별 및 주장 검증에서 다양한 LLMs의 성능을 평가합니다. 우리는 지시 조정, 상황 학습, 사고 체인 등 여러 가지 LLM 전략을 탐구하였습니다. 우리의 결과는 텍스트 내의 기본적인 관계가 LLMs이 정확한 텍스트 스패닝을 식별하는 데 도움이 된다는 것을 나타냅니다.

paper AI 요약
대형언어모델의 과다생성 블랙박스 공격 벤치마크

대형언어모델의 과다생성 블랙박스 공격 벤치마크

이 연구는 강화학습 알고리즘의 성능을 향상시키기 위해 사용되는 다양한 기법들을 체계적으로 분석하고 비교합니다. 본 논문에서는 다섯 가지 주요 기법, 즉 엡실론 탐욕 정책(Epsilon-Greedy Policy), 소프트맥스 정책(Softmax Policy), 오퍼레이터 학습(Operator Learning), 모델 기반 강화학습(Model-Based Reinforcement Learning), 그리고 적응적 학습률(Adaptive Learning Rate)을 검토합니다. 이들 방법의 장단점을 실험적으로 평가하고, 다양한 환경에서의 성능을 분석하여 최적의 접근 방식을 제시합니다.

paper AI 요약
더 큰 세상 가설 계산적 관점에서 본 세계의 확장

더 큰 세상 가설 계산적 관점에서 본 세계의 확장

이 논문은 주의 메커니즘을 컨볼루션 신경망(CNN)에 통합하여 이미지 분류 작업에서 모델의 정확성과 효율성을 향상시키는 새로운 방법을 제안한다. 이 방법은 여러 데이터셋을 통해 전통적인 CNN 접근법과 성능을 비교하기 위해 시험되었다. 결과적으로, 속도와 정확성이 크게 개선되어 실제 세계 응용 프로그램에 적합함이 입증되었다.

paper AI 요약
데이터 복잡도로 모델 성능 예측, 새로운 방법론

데이터 복잡도로 모델 성능 예측, 새로운 방법론

딥러닝 모델은 컴퓨터 비전을 포함한 다양한 분야에서 널리 사용되고 있다. 모델 유도 과정에서는 주어진 데이터셋에 적합한 아키텍처를 선택하는 데 반복적인 시도와 오류 절차가 종종 필요하다. 이 절차는 시간이 많이 소요되고 자원을 많이 사용하며 자동화하기 어렵다. 이전 연구에서는 부분적 학습이나 복잡한 시뮬레이션을 활용해 성능 예측을 탐구하였으나, 이러한 방법들은 종종 큰 계산 부담을 필요로 하거나 일반화 능력이 부족하다는 문제가 있다. 본 논문에서는 이에 대한 대안적인 접근 방식을 제시한다 데이터셋과 집중된 딥 모델 구조를 이해함으로써 학습 전 모델 성능을 추정할 수 있는 가벼운 두 단계 프레임워크다. 첫 번째 단계에서는 데이터셋의 측정 가능한 속성 분석을 기반으로 베이스라인 예측을 수행하고, 두 번째 단계에서는 모델 아키텍처와 하이퍼파라미터 세부 정보에 대한 추가 정보를 활용해 추정치를 조정한다. 이 구성은 프레임워크가 다양한 데이터셋과 모델 유형을 초월하여 일반화할 수 있게 한다. 더불어, 예측을 위한 일부 기본 특성 - 예컨대 데이터셋 변동성 -는 모델 선택에 대한 실제적 지침을 제공하고 데이터 품질의 조기 지표로도 활용될 수 있다. 결과적으로 이 프레임워크는 단순히 모델 성능을 예측하는 데만 그치지 않고 아키텍처 선택을 안내하며, 필요한 전처리 절차를 통보하고 학습 시작 전에 문제 있는 데이터셋을 검출하는 데도 활용될 수 있다.

paper AI 요약
데이터는 얼마나 필요한가? 낮은 차원 구조 하의 생성 및 시각-언어 모델을 위한 균일 수렴 경계

데이터는 얼마나 필요한가? 낮은 차원 구조 하의 생성 및 시각-언어 모델을 위한 균일 수렴 경계

이 연구는 이미지 분류 작업에서 다양한 컨볼루셔널 신경망(CNN) 아키텍처의 효과를 조사합니다. 우리는 사용자 정의 CNN 모델, ImageNet으로 미리 학습된 ResNet50을 이용한 파인튜닝, 그리고 순수 데이터 주도 접근법을 비교했습니다. 우리의 결과는 사용자 정의 모델이 유연성을 제공하지만, 광범위한 튜닝이 필요함을 시사합니다. 이미 미리 학습된 모델은 매개변수 조정 노력 없이 우수한 성능을 보여주며, 전이학습은 고도의 정확도를 달성하기 위한 효과적인 단축 경로임을 나타냅니다.

paper AI 요약
동적 대형 개념 모델 적응적 의미 공간에서의 잠재적 추론

동적 대형 개념 모델 적응적 의미 공간에서의 잠재적 추론

대형 언어 모델(Large Language Models, LLMs)은 자연어 처리에서 큰 성공을 거두었지만, 이들 모델은 모든 토큰에 동일한 계산을 적용하는 통상적인 가정을 가지고 있다. 본 논문에서는 이 제약을 벗어나, [[IMG_PROTECT_N]] 동적 대형 개념 모델(Dynamic Large Concept Model, DLCM)을 제안한다. DLCM은 토큰 수준의 예측에 필요한 계산량을 최소화하고, 정보 밀도가 높은 부분에 더 많은 계산 자원을 할당함으로써 효율성을 극대화한다.

paper AI 요약
동적 모델 연합 그래프로 실시간 이상 감지

동적 모델 연합 그래프로 실시간 이상 감지

온라인 시간 시리즈 이상 감지는 데이터 포인트가 정상적인 시간 패턴에서 크게 벗어나는 것을 식별하는 작업입니다. 이 연구에서는 고주파수 데이터의 급증과 실시간 모니터링에 대한 요구 증대로 인해 오프라인 분석에서 온라인 처리로 주목이 이동했습니다. GDME(GRAPH 기반 시간 시리즈 이상 감지 모델 앙상블 프레임워크)은 이러한 문제를 해결하기 위해 그래프 구조와 커뮤니티 검출, 개념 유동성 탐지를 통합한 새로운 접근 방식을 제시합니다.

paper AI 요약
두단계 의사결정-표본 추측 가설 RL 트레이닝된 대형 언어 모델에서의 자반성의 등장 이해

두단계 의사결정-표본 추측 가설 RL 트레이닝된 대형 언어 모델에서의 자반성의 등장 이해

이 논문에서는 대형 언어 모델에서 자기 반성 능력이 어떻게 생겨나는지에 대한 이론적 해석을 제시합니다. 특히, 강화학습(RL) 훈련 과정에서 이러한 능력이 발달하는 메커니즘과 이를 기존의 감독 학습(SFT) 훈련과 어떻게 구별할 수 있는지에 대해 설명합니다.

paper AI 요약
드라이빙젠 자율주행의 미래를 그리다

드라이빙젠 자율주행의 미래를 그리다

비디오 생성 모델은 세계 모델의 한 형태로 AI에서 가장 흥미로운 분야 중 하나로 부상하고 있으며, 이는 복잡한 장면의 시간적 변화를 통해 미래를 상상할 수 있는 능력을 에이전트에게 제공합니다. 자율주행에서는 이러한 비전이 주행 세계 모델이라는 개념을 탄생시켰습니다 자신과 다른 에이전트의 미래를 상상하는 생성 시뮬레이터로, 이는 확장 가능한 시뮬레이션, 안전한 경계 사례 테스트 및 풍부한 합성 데이터 생성을 가능하게 합니다. 그럼에도 불구하고 빠르게 성장하고 있는 연구 활동에도 불구하고, 이 분야에는 진척을 측정하고 우선순위를 설정하는 엄격한 벤치마크가 부족합니다. 현재의 평가는 제약적입니다 일반적인 비디오 메트릭은 안전에 중요한 이미징 요소를 무시하며; 트레젝토리 가능성은 거의 측정되지 않으며; 시간적 및 에이전트 수준의 일관성은 간과되며; 그리고 자아 조건화에 대한 통제 가능성은 고려되지 않습니다. 또한 현재 데이터셋은 실제 세계 배치를 위해 필요한 다양성을 충분히 커버하지 못하고 있습니다. 이러한 격차를 해결하기 위해 우리는 첫 번째로 생성 주행 세계 모델을 위한 종합적인 벤치마크인 DrivingGen을 제시합니다. DrivingGen은 다양한 평가 데이터셋과 새로운 메트릭 스위트를 결합하며, 이는 시각적 실재성, 트레젝토리 가능성, 시간적 일관성 및 통제 가능성을 공동으로 평가합니다. 14개의 최신 모델을 벤치마킹한 결과 명확한 절충점이 드러났습니다 일반적인 모델은 더 잘 보이나 물리를 위반하고, 주행에 특화된 모델들은 움직임을 실제적으로 포착하지만 시각적 품질에서 뒤처집니다. DrivingGen은 신뢰할 수 있고 통제 가능하며 배포 가능한 주행 세계 모델을 육성하기 위한 통합 평가 프레임워크를 제공하여 확장 가능한 시뮬레이션, 계획 및 데이터 기반 의사결정을 가능하게 합니다.

paper AI 요약
드럼 반주 생성을 위한 세밀한 리듬 제어[DARC

드럼 반주 생성을 위한 세밀한 리듬 제어[DARC

최근에는 높은 품질의 음악적으로 일관된 보조 악기 생성이 이루어졌지만, 시간 변동 특성에 대한 세밀한 제어가 부족하다. 이 연구에서는 사용자가 리듬 프롬프트를 기록하면, 그것이 드럼으로 렌더링되는 Tap2Drum 작업을 집중적으로 다룬다. 우리의 모델 DARC는 음악적 맥락과 리듬 프롬프트를 입력으로 받아, 음악적 일관성과 리듬 프롬프트에 대한 충실도를 평가한다.

paper AI 요약
등록 슬롯과 대조적 정렬로 개선된 객체 중심 확산 학습

등록 슬롯과 대조적 정렬로 개선된 객체 중심 확산 학습

슬롯 어텐션(SA)과 사전 훈련된 확산 모델은 최근 객체 중심 학습(OCL)에 대한 잠재력을 보여주었지만, 슬롯 얽힘 및 객체 슬롯과 이미지 내용 간의 약한 정합성 문제를 겪고 있습니다. 저희는 Contrastive Object-centric Diffusion Alignment(CODA), 즉 간단한 확장 방법을 제안합니다. 이 방법은 (i) 잔여 어텐션을 흡수하고 객체 슬롯 사이의 간섭을 줄이기 위해 등록 슬롯을 사용하고, (ii) 슬롯-이미지 대응을 명시적으로 유도하기 위해 대조적 정합성 손실을 적용합니다. 결과적인 학습 목표는 슬롯과 입력 사이의 상호 정보(MI)를 최대화하는 실용적인 대체 방식으로 작동하여 슬롯 표현의 질을 강화합니다. 합성(MOVi-C/E) 및 실제 데이터셋(VOC, COCO) 모두에서 CODA는 객체 발견(예 COCO에서 +6.1% FG-ARI 증가), 속성 예측, 그리고 구성적 이미지 생성을 강력한 베이스라인보다 향상시킵니다. 등록 슬롯은 무리 없이 추가되므로 CODA는 효율적이며 확장 가능합니다. 이러한 결과는 복잡하고 실제 상황에서 견고한 OCL을 위한 효과적인 프레임워크로서 CODA의 잠재적 응용 가능성에 대한 증거를 제공합니다.

paper AI 요약
디지털 트윈 AI 대형 언어 모델에서 세계 모델까지의 기회와 과제

디지털 트윈 AI 대형 언어 모델에서 세계 모델까지의 기회와 과제

디지털 트윈은 물리적 시스템의 정확한 디지털 표현으로, 실제 세계와 양방향 연결을 유지하며 모니터링, 예측, 최적화 및 의사결정 지원을 가능하게 합니다. 이 기술은 의료, 도시 계획, 제조 등 다양한 분야에서 활용되고 있으며, 인공지능과의 통합으로 더욱 발전하고 있습니다. 디지털 트윈은 이제 단순한 모니터링 도구를 넘어 학습하고 예측하며 물리적 세계에 대한 행동을 취하는 지능형 에이전트로 진화하고 있습니다.

paper AI 요약
디지털 피부과의 혁신 지도

디지털 피부과의 혁신 지도

인공지능의 피부과 분야 도입은 의료 접근성의 민주화를 약속하지만, 모델의 신뢰성이 이러한 모델을 구동하는 데이터의 품질과 포괄성에 따라 달라집니다. 공개적으로 이용 가능한 피부과 이미지의 빠른 증가에도 불구하고, 이 분야는 새로운 데이터셋이 임상적 범위를 확장시키는지 아니면 이미 알려진 내용을 단순히 재현하는지를 측정하기 위한 양적 성과 지표를 갖추고 있지 않습니다. 본 연구에서는 전체 데이터 기반에 대한 첫 번째 포괄적인 심사 프레임워크로 피부지도(SkinMap)를 제시합니다. 저희는 공개적으로 이용 가능한 피부과 데이터셋을 단일 쿼리 가능한 의미론적 아틀라스로 통합하여 피부 질환 이미지 110만 개 이상에 대한 정보적 신규성, 데이터셋 중복, 인구통계학 및 진단 간의 표현 격차를 정량화합니다. 데이터셋 크기의 지수적인 성장에도 불구하고 시간 경과에 따른 정보적 신규성은 어느 정도 정체 상태입니다 공선종양 같은 일부 클러스터는 밀집되어 있지만, 소수 피부 유형과 많은 희귀 질환은 여전히 다루어지지 않습니다. 저희는 더불어 커버리지 간의 구조적 격차를 식별합니다 피츠파트릭 V-VI 피부색을 가진 이미지는 5.8%에 불과하며, 소아 환자는 3.0%에 그치며 많은 희귀 질환과 형태 조합은 여전히 저밀도로 표현됩니다. 피부지도는 검증되지 않은 영역을 측정하고 임상적 공간의 미표현 지역으로 전략적인 데이터 수집을 유도하는 인프라를 제공합니다.

paper AI 요약
디코딩 의학적 질의응답에서 내용과 전달 분리하기

디코딩 의학적 질의응답에서 내용과 전달 분리하기

대형 언어 모델(LLMs)은 강력한 의학적 지식을 보유하고 사실적으로 정확한 답변을 생성할 수 있습니다. 그러나 기존의 모델들은 종종 개별 환자의 상황을 고려하지 못해 임상적으로는 맞지만 환자들의 요구와 잘 맞지 않는 답변을 제공하는 경향이 있습니다. 본 연구에서는 DeCode라는 훈련이 필요 없고 모델에 무관한 프레임워크를 소개합니다. 이 프레임워크는 기존 LLMs을 임상 환경에서 상황에 맞는 답변을 생성하도록 조정합니다. 우리는 OpenAI HealthBench, 즉 LLM 응답의 임상적 관련성과 유효성을 평가하기 위해 설계된 포괄적이면서도 어려운 벤치마크를 사용하여 DeCode를 평가했습니다. DeCode는 이전 최고 기록인 28.4%에서 49.8%로 성능을 향상시켰으며, 이는 상대적으로 75%의 개선입니다. 실험 결과는 LLMs의 임상적 질문에 대한 답변 품질을 개선하는 데 DeCode가 효과적임을 시사합니다.

paper AI 요약
레언캣 벤치마크로 본 카테고리 이론의 정식화

레언캣 벤치마크로 본 카테고리 이론의 정식화

이 논문에서는 대규모 언어 모델(LLM)과 에이전트 훈련을 활용한 형식적 정리 증명의 최근 발전을 다룹니다. 특히, 카테고리 이론 문제를 포함한 벤치마크 **LeanCat**을 제안하며, 현존하는 자동 증명기에 대한 평가 결과를 제공합니다. LeanCat은 카테고리 이론의 다양한 주제에 걸쳐 100개의 정리를 포함하며, 각 문제는 난이도 분류를 통해 Easy, Medium, High로 구분됩니다.

paper AI 요약
로봇 팔과 눈의 완벽한 조화 선택 정책으로 실현

로봇 팔과 눈의 완벽한 조화 선택 정책으로 실현

인간형 로봇이 수행할 수 있는 복잡한 작업에 대해, 이 논문은 전체 몸통 조정과 적응적인 움직임을 통합하는 방법론을 제시한다. 특히, 학습 과정에서 다중 모드 행동을 포착하고 효율적으로 제어하기 위한 새로운 정책인 Choice Policy를 소개하며, 이는 신경망의 단일 순방향 패스로 빠른 추론을 가능하게 한다.

paper AI 요약
로직스-STEM 실패Driven 후속훈련과 문서지식 강화를 통한 LLM 추론 지원

로직스-STEM 실패Driven 후속훈련과 문서지식 강화를 통한 LLM 추론 지원

이 보고서에서는 추론 모델을 훈련시키는 데 필요한 데이터-알고리즘 공통 설계 엔진에 대해 이론적이고 공학적인 관점에서 다룹니다. 특히, 기존의 SFT-RL 파이프라인을 분포 일치 문제로 정식화하고 실패 중심 후 훈련 프레임워크를 설계하여 모델의 추론 능력을 개선하는 방법을 제안합니다.

paper AI 요약
루미나르크 일반 시각 생성 모델을 위한 훈련 없이 확률적으로 인증된 워터마rk 방법

루미나르크 일반 시각 생성 모델을 위한 훈련 없이 확률적으로 인증된 워터마rk 방법

컴퓨터 비전 분야의 디지털 콘텐츠 보호를 위해 워터마킹 기술이 오랫동안 사용되어 왔습니다. 그러나 AI 생성 미디어의 부상으로 인해 워터마킹의 중요성이 더욱 증가했습니다. Luminark는 신뢰할 수 있는 통계적 검출을 제공하고 다양한 이미지 변환에 대해 견고한 새로운 워터마킹 접근 방식입니다.

paper AI 요약
리소스 제약된 소매 판매 예측을 위한 LSTM 신경망 최적화 모델 압축 연구

리소스 제약된 소매 판매 예측을 위한 LSTM 신경망 최적화 모델 압축 연구

이 논문은 LSTM 압축을 통해 소매 판매 예측의 정확도를 향상시키는 방법을 연구했습니다. 특히, 128개 숨겨진 유닛에서 64개로 축소한 LSTM-64 모델이 가장 높은 성능을 보였으며, 이 모델은 기존보다 73% 더 작고 정확도는 47% 향상되었습니다. 이러한 결과는 소매업체가 제약된 컴퓨팅 자원에서도 효과적인 예측을 수행할 수 있게 해줍니다.

paper AI 요약
마에스트로 테스팅, 신뢰성 및 가시성을 위한 다중 에이전트 평가 도구

마에스트로 테스팅, 신뢰성 및 가시성을 위한 다중 에이전트 평가 도구

(LLM 기반 다중 에이전트 시스템(MAS)은 다양한 작업을 처리할 수 있으며, 이로 인해 시스템 부하와 실행 동작에 대한 불확실성이 증가한다. 본 논문에서는 MAS의 복잡한 실행 특성을 체계적으로 분석하기 위한 벤치마크인 MAESTRO를 제안하며, 이를 통해 시스템 최적화 및 연구 개발을 돕는다.)

paper AI 요약
마음속 게임 다중 장르 게임과 기계 학습을 이용한 소프트웨어 개발자 인성-업무 적합도 예측

마음속 게임 다중 장르 게임과 기계 학습을 이용한 소프트웨어 개발자 인성-업무 적합도 예측

인성 평가는 현대의 다양한 의사결정 과정에서 중요한 역할을 합니다. 인성을 평가하는 질문지에는 자기보고 편향, 피로, 문항 오해 등의 문제가 있습니다. 게임은 이러한 문제를 해결하기 위한 대안으로 떠오르고 있으며, 여러 연구에서 게임 내 행동과 성격 특성 간의 관계를 분석하고 있습니다. 이 논문에서는 소프트웨어 개발자와 관련된 특정 직업에 맞는 MBTI와 행동 특성을 결합한 새로운 게임 기반 평가 프레임워크를 제안합니다.

paper AI 요약
마인드워쳐 통합 다중모달 사고의 스마트AGENT

마인드워쳐 통합 다중모달 사고의 스마트AGENT

이 연구는 딥러닝 알고리즘을 이미지 데이터셋에 적용하여 분류 정확도를 향상시키는 방법을 탐구합니다. 우리는 컨볼루션 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM) 네트워크 세 가지 다른 뉴럴 네트워크 아키텍처를 비교했습니다. 결과는 CNN이 RNN과 LSTM보다 이미지 데이터셋에서 속도와 정확도 측면에서 우수함을 나타냈습니다.

paper AI 요약
맞춤형 CNN, 사전 훈련 모델 및 전이 학습의 시각 데이터셋 간 비교 연구

맞춤형 CNN, 사전 훈련 모델 및 전이 학습의 시각 데이터셋 간 비교 연구

본 연구에서는 커스텀 CNN, 사전 학습된 CNN을 고정 특징 추출기로 사용하는 방법, 그리고 트랜스퍼 러닝을 통해 미세 조정한 모델이라는 세 가지 CNN 기반 학습 패러다임을 체계적으로 비교하고자 한다. 이 비교는 다양한 실제 이미지 분류 데이터셋에 걸쳐 이루어진다. 본 연구에서는 정확도와 계산 효율성을 모두 고려하여, 각 패러다임의 장단점을 명확히 드러내고자 한다. ###

paper AI 요약
매니폴드 제약 하이퍼 커넥션 성능과 안정성 극대화

매니폴드 제약 하이퍼 커넥션 성능과 안정성 극대화

최근 Hyper-Connections(HC)를 비롯한 연구들은 지난 10년 동안 확립된 보편적인 잔차 연결 패러다임을 확장하고, 잔차 스트림의 폭을 넓히고 연결성 패턴을 다양화함으로써 성능 향상을 이뤘습니다. 그러나 이러한 다양화는 본질적으로 잔차 연결에 내재된 항등 맵핑 특성을 침해하여 심각한 학습 불안정과 제약된 확장성을 초래하며, 추가적으로 눈에 띄는 메모리 접근 오버헤드를 발생시킵니다. 이러한 문제들을 해결하기 위해 저희는 Manifold-Constrained Hyper-Connections(mHC)을 제안합니다. mHC는 HC의 잔차 연결 공간을 특정 다양체로 투영하여 항등 맵핑 특성을 복원하고, 효율성 확보를 위한 철저한 인프라 구조 최적화를 포함하는 일반적인 프레임워크입니다. 경험적 실험은 mHC가 대규모 학습을 효과적으로 수행하며 실질적인 성능 향상과 우수한 확장성을 제공함을 보여줍니다. mHC는 HC의 유연하고 실용적인 확장으로서, 구조 설계에 대한 깊이 있는 이해와 기초 모델의 진화를 위한 유망한 방향을 제시할 것으로 예상됩니다.

paper AI 요약
맨리폴드 일관 그래프 인덱싱 대용량 벡터 검색의 새로운 지평

맨리폴드 일관 그래프 인덱싱 대용량 벡터 검색의 새로운 지평

대형 언어 모델(LLMs)의 등장은 정보 검색과 지식 관리의 풍경을 근본적으로 변화시켰습니다. LLMs의 내재적 한계를 해결하기 위해 RAG(Retrieval-Augmented Generation)가 중요한 아키텍처 패러다임으로 떠올랐습니다. 이는 실시간으로 대규모 코퍼스에서 의미론적으로 관련된 컨텍스트를 검색하는 능력에 크게 의존합니다. 이 종속성은 근사 최근접 이웃 탐색(ANNS)을 현대 데이터 인프라의 핵심으로 자리매김하게 만들었고, 엄격한 생산 제약 하에서 백억 개 포인트 데이터셋까지 확장 가능한 벡터 인덱스를 요구합니다. 최첨단 ANNS 솔루션은 주로 그래프 기반 인덱스에 집중되었으며, DiskANN(Vamana)는 SSD 주재 로드의 대표적인 예입니다. 이 알고리즘들은 일반적으로 거리 그래프에서 탐색 경로를 그리디 라우팅을 통해 네트워크의 출발 지점에서 쿼리 목표까지 이동합니다. 이러한 방법은 SIFT1M과 같은 표준 벤치마크에서 우수한 성능을 보이지만, GIST1M과 같이 고차원 공간에서는 효율성이 크게 떨어집니다. 이를 차원의 저주로 설명하며, 유클리드 최단 경로가 데이터 맨입OLD 위의 기하학적 경로와 일치하지 않게 됩니다. 이 현상을 우리는 *유클리드-기하학적 불일치*라고 부릅니다. 우리의 핵심 통찰은 고차원 실제 데이터가 균일하게 분포되지 않는다는 것입니다. 대신, 그것은 일반적으로 맨입OLD 가설에 따라 임베딩된 하위 차원 구조 위에 존재합니다. 따라서 검색 난이도는 데이터셋 전체에서 균일하지 않고 지역적 내재 차원(LID)에 의해 조정됩니다. 우리는 이 문제를 해결하기 위해 Manifold-Consistent Graph Indexing(MCGI), 즉 기하학을 인식하는 디스크 기반 인덱싱 아키텍처를 제안합니다. LID 추정을 라우팅 로직에 통합함으로써 MCGI는 데이터의 지역적인 위상에 따라 탐색 전략을 조정할 수 있습니다.

paper AI 요약
메르지레크 데이터 격리형 다영역 시퀀셜 추천을 위한 모델 병합

메르지레크 데이터 격리형 다영역 시퀀셜 추천을 위한 모델 병합

현대의 추천 시스템은 도메인별 데이터를 기반으로 학습되지만, 여러 도메인 간에 일반화하는 데 어려움을 겪는다. 도메인 간 순차적 추천은 이러한 문제점을 해결하기 위한 유망한 연구 방향으로 부상했지만, 기존 접근법들은 도메인 간 중복 사용자나 항목의존성 또는 프라이버시 제약을 무시하는 비현실적인 가정과 같은 근본적인 한계를 가지고 있다. 본 논문에서는 새로운 문제 설정인 데이터 고립된 도메인 간 순차적 추천 하에서 모델 합병에 기반한 새 프레임워크, MergeRec을 제안한다. 이 설정에서는 원시 사용자 상호작용 데이터가 도메인 간 공유되지 않는다. MergeRec은 세 가지 주요 구성 요소로 이루어져 있다 (1) 합병 초기화, (2) 가상 사용자 데이터 생성, (3) 공동 합병 최적화. 먼저, 우리는 트레이닝 없는 합병 기법을 통해 합병 모델을 초기화한다. 그다음으로 각 도메인에서 항목별로 가상 시퀀스를 만들어 실제 사용자 상호작용에 의존하지 않고 의미 있는 훈련 샘플을 생성한다. 마지막으로, 우리는 추천 손실과 디스티ல레이션 손실을 결합한 공동 목표를 통해 도메인별 합병 가중치를 최적화한다. 이 두 가지 손실은 각각 합병 모델이 관련 항목을 식별하도록 유도하고, 조정된 소스 모델에서 협업 필터링 신호를 전달한다. 광범위한 실험 결과 MergeRec은 원래 모델들의 강점을 유지하면서 새로운 도메인에 대한 일반화 능력을 크게 향상시킨다. 기존의 모델 합병 방법들과 비교했을 때, MergeRec은 평균적으로 Recall@10에서 최대 17.21%까지 개선되는 우수한 성능을 일관되게 보여주어, 모델 합병이 대규모 추천 시스템 구축에 효과적인 접근법임을 입증한다. 소스 코드는 https //github.com/DIALLab-SKKU/MergeRec에서 이용 가능하다.

paper AI 요약
모델이 데이터를 외웠는지 알아내는 방법은?

모델이 데이터를 외웠는지 알아내는 방법은?

이 논문에서는 대형 언어 모델(LLMs)의 데이터 기억 문제를 다루며, 특히 추천 시스템에서 사용되는 MovieLens-1M 데이터셋을 통해 LLMs가 얼마나 많은 훈련 데이터를 기억하는지 탐색합니다. 우리는 수동 프롬프팅, 무감독 잠재 지식 발견, 자동 프롬프트 엔지니어링 세 가지 접근 방법을 사용하여 이 문제를 해결하고자 합니다.

paper AI 요약
No Image

모호한 상황에서 논리적으로 판단하기 가능성을 활용한 새로운 접근법

우리는 퍼지 형식적 문맥에서 가능주의 추론을 위한 이중 정렬 가중 모달 논리를 소개한다. 이 논리의 구문은 고전적인 필수성($ Box$)과 충분성($ boxminus$) 모달 연산자를 포함하는 두 가지 유형의 가중 모달 연산자를 포함하며, 그 공식들은 가능성 이론을 기반으로 한 퍼지 형식적 문맥에서 해석된다. 논리는 모든 퍼지 컨텍스트 모델에 대해 emph{정합적}인 축소화를 제시한다. 또한 논리의 필수성과 충분성 프래그먼트는 각각 모든 퍼지 컨텍스트 모델에 대해 개별적으로 완전하다. 논리의 표현력은 몇 가지 예시를 통해 강조된다. 형식적 문맥이 형식 개념 분석(FCA)의 기본 구조인 경우, 우리는 FCA의 세 가지 주요 개념, 즉 형식적 개념, 객체 중심 개념 및 속성 중심 개념을 각각 퍼지 형식적 문맥에서 그에 해당하는 $c$-컷 개념으로 일반화한다. 그런 다음 우리의 논리 언어가 이들 모든 일반화된 개념을 표현할 수 있음을 보인다. 마지막으로, 우리는 논리를 다중 관계 퍼지 컨텍스트에 대한 추론 확장 가능성의 가능성을 보여주며, 여기서 서로 다른 퍼지 관계의 불리안 조합이 허용된다.

paper AI 요약
물어보고 명확히하고 최적화하기 인벤토리 관리를 위한 인간-LLM 에이전트 협업

물어보고 명확히하고 최적화하기 인벤토리 관리를 위한 인간-LLM 에이전트 협업

재고 관리는 전문 지식이 부족한 많은 중소기업들에게 여전히 도전 과제입니다. 본 논문은 Large Language Models (LLMs)가 이 격차를 좁힐 수 있는지 조사하였습니다. LLMs을 직접적인 종단 종단 해결자로 활용하면 환영세 라는 성능 간극이 발생함을 보였습니다. 여기서 환영세 는 모델이 기반 확률적 추론을 수행하지 못함으로 인한 성능 차이를 말합니다. 이를 해결하기 위해 우리는 의미적 추론과 수학적 계산을 엄격히 분리하는 하이브리드 에이전시 프레임워크를 제안하였습니다. 이 구조에서 LLM은 지능적인 인터페이스로 작용하여 자연어로부터 매개변수를 발췌하고 결과를 해석하며, 철저한 알고리즘을 자동으로 호출하여 최적화 엔진을 구축합니다. 이 상호작용 시스템을 실제 관리자 대화의 모호성과 일관되지 않은 부분에 대해 평가하기 위해 우리는 Human Imitator라는 유계 합리적인 매니저의 디지털 트윈 형태의 조정된 버전을 도입하였습니다. 이는 규모가 크고 재현 가능한 스트레스 테스트를 가능하게 합니다. 우리의 경험적 분석은 하이브리드 에이전시 프레임워크가 GPT-4o를 종단 종단 해결자로 사용하는 상호작용 기준치에 비해 총 재고 비용을 32.1% 감소시키는 것을 보여주었습니다. 또한, 완벽한 기본 진실 정보만 제공한다고 해서 GPT-4o의 성능이 향상되는 것은 아니라는 점을 발견하였습니다. 이로써 병목 현상은 근본적으로 계산적인 문제가 아니라 정보적 문제는 아님을 확인할 수 있었습니다. 우리의 결과는 LLMs가 운영 연구를 대체하는 것이 아니라, 엄격한 해결자 기반 정책에 접근 가능하게 만드는 자연어 인터페이스로서의 위치를 제시합니다.

paper AI 요약
반복과 진화 더 나은 학습 문제 생성

반복과 진화 더 나은 학습 문제 생성

최근의 추론 모델 개발은 수학과 코딩 분야에서 인상적인 성과를 보여주고 있다. 그러나 대부분의 접근 방법은 정적 데이터셋에 의존하고 있으며, 이는 기억력 유도와 일반화 능력 제한을 초래할 가능성이 있다는 지적이 있다. 우리는 이러한 패러다임에서 벗어나 모델 훈련 과정에서 다채로운 종류의 합성 수학 문제를 함께 진화시키는 프레임워크인 DéjàQ를 소개한다. 이 진화적 과정은 훈련 과정 내내 모델의 능력에 맞춰 조정되어 학습 가능성 최적화를 목표로 한다. 모델 자체가 훈련 데이터를 변이시키는 두 가지 LLM 주도 전략을 제안하며, 이는 문맥적 세부 사항을 변경하거나 문제 구조를 직접 수정하는 방식으로 이루어진다. 우리는 모델이 새로운 의미 있는 문제를 생성할 수 있으며, 이러한 LLM 주도 변이가 강화 학습 훈련을 개선한다는 것을 발견했다. DéjàQ의 핵심 요소인 생성된 문제의 유효성과 계산 부담 등을 분석한다. 우리의 결과는 동적으로 진화하는 훈련 데이터가 수학적 추론 능력을 강화할 잠재력을 보여주며, 이를 지원하기 위해 코드를 오픈 소스로 공개할 예정이다.

paper AI 요약
No Image

방어적 M2S 압축된 다중 대화로 가드레일 모델 훈련

대규모 언어 모델(Large Language Models, LLMs)은 다양한 작업에서 놀라운 능력을 보여주지만, 악의적인 공격에 대한 취약성이 여전히 심각한 문제입니다. 특히 *다중 대화 턴 자장개(jailbreak)* 공격은 모델을 점진적으로 조작하여 안전 경계를 우회하고 해로운 출력을 유도합니다. 본 논문에서는 이러한 공격에 대한 방어적 대응으로 Multi-turn to Single-turn (M2S) 압축 기법을 이용한 Defensive M2S 훈련 패러다임을 제안합니다. 이 접근법은 다중 대화를 단일 대화로 압축하여 안전 검출 모델의 학습 비용을 획기적으로 줄이며, 동시에 정확도를 유지하거나 향상시킵니다.

paper AI 요약
밴디크 다중과제 분해의 새 지평

밴디크 다중과제 분해의 새 지평

다중 작업 간에 효과적으로 지식을 전이하는 과제는 중요하며, 기반 모델의 하류 작업에서도 존재합니다. 그러나 전이의 이동성 비이동성 성질은 여전히 개방적인 문제이며, 부정적 전이는 중요한 장애물입니다. 다중 작업 학습에서 유익한 보조 작업 집합을 선택하는 것은 그 평가에 따른 높은 계산 비용, 가능한 후보 보조 작업 집합의 큰 수량, 그리고 대상 작업 간 복잡성 차이로 자주 방해받습니다. 이러한 제약 조건을 해결하기 위해 우리는 다중 밴딧을 사용한 세 단계 다중 작업 보조 작업 부분 선택 방법인 BandiK을 소개합니다. 각 팔 당 후보 보조 작업 집합은 단일 무작위 학습-테스트 데이터셋 분할에서 다중 출력 신경망의 학습과 테스트를 통해 평가됩니다. 첫 번째로, BandiK은 작업 간 쌍방향 전이를 추정하여 공동 학습으로부터 이익을 얻을 가능성이 높은 작업들을 식별하는 데 도움을 줍니다. 두 번째 단계에서는 초기 추정에 기반해 각 대상 작업에 대해 보조 작업 후보 집합의 선형 수(전체 작업 수에서)를 생성하여 잠재적인 보조 작업 집합의 지수적 수량을 크게 줄입니다. 세 번째로, BandiK은 각 작업에 대해 다중 팔 밴딧(MAB) 프레임워크를 사용하며, 이때 팔들은 후보 보조 작업 집합이 학습-테스트 데이터셋 분할에서 다중 출력 신경망으로 구현된 성능을 대응합니다. 효율성을 높이기 위해 BandiK은 각각의 작업별 MAB를 다중 밴딧 구조로 통합합니다. 제안된 다중 밴딧 솔루션은 동일한 신경망이 주어진 후보 집합에 대한 개별 밴딧들의 다양한 팔을 실현한다는 점에서 이점을 활용합니다. 이러한 부분 겹침 팔 특성은 BandiK에서 사용되는 새로운 형태의 다중 밴딧 비용/수익 구조를 정의합니다.

paper AI 요약
번성하거나 쇠퇴할 것인가? 함수형 프로그래밍을 위한 코드 생성에 대한 종합평가

번성하거나 쇠퇴할 것인가? 함수형 프로그래밍을 위한 코드 생성에 대한 종합평가

함수형 프로그래밍은 명령형 프로그래밍에 대비하여 수학적 함수의 평가로 계산을 개념화하는 선언적 프로그래밍 패러다임입니다. 이 연구는 인공지능 기반 코딩 어시스턴트인 LLMs(Large Language Models)가 함수형 언어에서 코드 생성에 얼마나 효과적인지를 체계적으로 평가합니다. 이를 위해 새로운 벤치마크 데이터셋인 FPBench와 FPEval이라는 종합평가 프레임워크를 도입하여, 각 모델의 성능을 정확성과 함께 유지보수 가능성 및 코딩 스타일에 대한 점검까지 평가합니다. 연구 결과, 최신 LLMs은 함수형 언어에서 코드 생성 능력이 크게 향상되었지만, 명령형 언어와 비교해 성능 차이는 여전히 존재하며, 생성된 코드의 코딩 스타일과 유지보수 가능성에 대한 개선 필요성이 제기됩니다.

paper AI 요약
병리학 모델, 데이터 변동에 어떻게 대응할까?

병리학 모델, 데이터 변동에 어떻게 대응할까?

본 논문은 병리학 분야의 비전-언어 모델(VLM)에서 데이터 변화에 따른 성능 저하를 탐지하는 방법을 연구합니다. 특히, DomainSAT이라는 GUI 기반 도구를 개발하여 데이터 변이를 쉽게 탐지하고 시각화할 수 있게 했습니다. 또한, 라벨 없이도 모델의 신뢰성 하락을 감지할 수 있는 신뢰도 기반 성능 저하 지표(CDI)를 제안합니다.

paper AI 요약
병리학에서 검증 가능한 신경기호적 추론을 향해 SQL로 증거 추적

병리학에서 검증 가능한 신경기호적 추론을 향해 SQL로 증거 추적

이 연구는 딥러닝 모델이 자연어 처리 작업에 미치는 영향을 조사한다. 특히, 우리는 다양한 아키텍처가 감성 분석의 성능에 어떻게 영향을 미치는지 분석했다. 세 가지 인기 있는 CNN 기반 패러다임을 여러 데이터셋에서 비교하여 어떤 아키텍처가 변화하는 조건 하에서도 가장 효과적인지를 결정한다.

paper AI 요약
보안 통신의 새로운 시대 의미 정보 보호

보안 통신의 새로운 시대 의미 정보 보호

의미 통신은 메시지 복원에만 집중하는 대신 작업 관련 의미를 전달함으로써 차세대 무선 시스템에서 대역폭 효율성과 견고성을 향상시키지만, 학습된 의미 표현이 여전히 예기치 않은 수신자(espionage)에게 민감한 정보를 유출할 가능성이 있습니다. 이 논문은 다수의 수신자 작업을 지원하면서 동시에 esponeage에 대한 의미 유출을 명시적으로 제한하는 딥러닝 기반 의미 통신 프레임워크를 제시합니다. 정당한 링크는 전송기에서 학습된 인코더를 사용하며, 수신기는 의미 추론과 데이터 복원을 위한 디코더를 훈련합니다. 보안 문제는 반복적 최소-최대 최적화를 통해 구성되며, 여기서 esponeage는 의미 추론을 개선하기 위해 훈련되고 정당한 송신자-수신자 쌍은 임무 성능 유지하에 esponeage의 성공률을 줄이기 위해 훈련됩니다. 또한 전송된 파형 위에 협력적이고 적대적으로 구상된 변동을 겹치는 보조 레이어를 도입하여 esponeage에게 의미 유출을 저하시키도록 합니다. 성능은 MNIST와 CIFAR-10 데이터셋을 사용한 가우시안 잡음과 Rayleigh 침식 채널에서 평가됩니다. 잠재 차원이 증가함에 따라 의미 정확도와 복원 품질이 향상되며, 최소-최대 메커니즘은 정당한 수신자의 성능을 저하시키지 않고 esponeage의 추론 성능을 크게 감소시킵니다. 이 보조 레이어는 정당한 링크가 자신의 임무만을 위해 훈련된 경우에도 의미 유출을 줄이는 데 성공합니다. 이 포괄적인 프레임워크는 적응적 대상자에 대한 조절 가능한 종단간 사생활 보호를 갖춘 의미 통신 설계를 촉구하며 실제 무선 환경에서의 사용을 모티베이트하고 있습니다.

paper AI 요약
보편 조건 논리 프롬프트 엔지니어링을 위한 형식 언어

보편 조건 논리 프롬프트 엔지니어링을 위한 형식 언어

이 논문은 자연어 지시를 코드로 실행하는 대형 언어 모델(LLM)에 대한 새로운 패러다임을 제안한다. 이를 위해 *일반 조건 로직* (UCL)이라는 형식 언어를 도입하여, 프롬프트 엔지니어링을 체계적인 최적화로 이끈다. 또한, 지시의 상세 수준이 품질에 비선형적으로 영향을 미치는 과도한 지시 패러독스 를 설명하고, 이를 극복하기 위한 구조적 오버헤드와 품질 함수를 제시한다.

paper AI 요약
복수 작업 조건 하에서의 고장 진단을 위한 이중 해제 다모달 도메인 혼합 융합 모델

복수 작업 조건 하에서의 고장 진단을 위한 이중 해제 다모달 도메인 혼합 융합 모델

(이 논문은 고도로 자동화되고 복잡한 현대 기계의 장애 진단을 위해 다중 모달 데이터와 도메인 일반화를 통합하는 새로운 접근법을 제안한다. 이 방법론은 다양한 작업 조건에서 수집된 센서 신호를 결합하여, 미리 보지 못했던 조건에서도 효과적인 장애 진단을 가능하게 한다.)

paper AI 요약
볼칸 LLM 기반 검색을 통한 인스턴스 최적 시스템 휴리스틱

볼칸 LLM 기반 검색을 통한 인스턴스 최적 시스템 휴리스틱

현대의 운영 시스템과 분산 시스템에서 리소스 관리 작업은 스케ジューリング, 캐싱, 또는 활성 큐 관리를 위한 주로 손으로 설계된 휴리스틱에 의존하고 있습니다. 성능이 좋은 휴리스틱을 설계하는 것은 하드웨어, 워크로드 및 환경의 지속적인 변화로 인해 비용이 많이 들고 시간이 오래 걸리는 과정입니다. 저희는 새로운 대안을 제안합니다 코드 생성형 대형 언어 모델(LLM)을 사용하여 특정 작업과 하드웨어에 특화된 인스턴스 최적 휴리스틱을 합성하는 것입니다. 이 합성을 가능하게 하기 위해 Vulcan은 LLM 친화적인 작업 무관 인터페이스를 통해 정책과 메커니즘을 분리합니다. 이러한 인터페이스를 통해 사용자는 원하는 정책의 입력과 목표를 지정하고, Vulcan은 LLM 생성 코드를 통해 진화 알고리즘을 이용해 성능이 좋은 정책을 탐색합니다. 이 인터페이스는 다양한 시스템 정책을 포괄할 만큼 표현력이 있지만, 작은 규모의 저렴한 LLM들도 올바르고 실행 가능한 코드를 생성할 수 있을 정도로 제약적입니다. 저희는 Vulcan을 이용해 캐시 추방 및 메모리 라이어링에 대한 성능이 좋은 휴리스틱을 합성하고, 이러한 휴리스틱들이 각각의 작업에서 최대 69%와 7.9%의 성능 개선으로 인간 설계의 최신 알고리즘보다 우수함을 발견하였습니다.

paper AI 요약
No Image

분산 학습 전략의 숨겨진 비밀 메모리와 통신량 예측하기

(이 논문은 분산 딥러닝에서 이론과 실무 간의 격차를 다룹니다. 700억 개의 파라미터를 가진 모델을 훈련시키는 데 필요한 메모리는 약 1,120GB로, 현재 GPU가 갖는 80GB 용량을 크게 초과합니다. 이를 해결하기 위해 데이터 병렬화, ZeRO/Fully Sharded Data Parallel (FSDP), 텐서 병렬화, 파이프라인 병렬화 및 전문병렬화와 같은 병렬화 전략들이 사용됩니다. 논문은 이러한 병렬화 전략의 구현을 통해 메모리와 통신 비용을 파악하고 이를 시스템적으로 분석하는 프레임워크를 제시합니다.)

paper AI 요약
비전-언어 프레임워크를 활용한 원격탐사에서의 의미적 변화 감지

비전-언어 프레임워크를 활용한 원격탐사에서의 의미적 변화 감지

이 연구에서는 강화 학습 기법이 네트워크 트래픽 관리 시스템을 최적화하는 데 얼마나 효과적인지 탐구합니다. 다양한 교통 상황을 시뮬레이션함으로써 우리의 모델은 전통적인 방법보다 혼잡도를 줄이고 처리량을 향상시키는 데 큰 개선을 보입니다. 논문에서는 실제 적용 가능성과 널리 채택되기 위한 해결해야 할 도전 과제에 대해 논의합니다.

paper AI 요약
비전-언어-액션 계획의 새로운 시대 가치 함수로 성능 향상

비전-언어-액션 계획의 새로운 시대 가치 함수로 성능 향상

> Vision-Language-Action(VLA) 모델은 로봇 조작에 강력한 일반화 정책으로 등장했지만, 행동 클로닝에 의존하기 때문에 분포 변동 시 민감하고 취약하다. 사전 훈련된 모델을 Monte Carlo Tree Search(MCTS)와 같은 검색 알고리즘으로 보완해도 VLA prior가 미래의 기대 수익률을 추정하는 데 부족함이 있어, 정확하지 않은 prior는 광범위한 시뮬레이션 없이는 행동 선택을 수정할 수 없다. 이를 해결하기 위해 우리는 Value Vision-Language-Action Planning and Search(V-VLAPS) 프레임워크를 도입하여 MCTS에 가벼운 학습 가능한 가치 함수를 추가한다. VLA 백본의 잠재 표현(Octo) 위에서 간단한 다층 퍼셉트론(MLP)을 훈련시켜 검색에 명시적인 성공 신호를 제공하고, 이를 통해 행동 선택이 높은 가치 영역으로 편향된다. LIBERO 로봇 조작 스위트에서 V-VLAPS를 평가한 결과, 우리의 가치 지향적 검색이 성공률을 5% 이상 향상시키고 MCTS 시뮬레이션의 평균 횟수를 5-15% 줄이는 것으로 나타났다.

paper AI 요약
비트를 넘어 극한 양자화를 위한 다중 캡슐 이중 이진 인수분해

비트를 넘어 극한 양자화를 위한 다중 캡슐 이중 이진 인수분해

이 논문은 DBF의 성능 한계를 극복하기 위해 Multi-Envelope Double Binary Factorization (MDBF)을 제안한다. MDBF는 기존의 단일 랭크 평가 범위에 제한된 이진 패턴 대신, 여러 개의 평가 범위 모드를 사용하여 정확도를 향상시킨다. 이를 통해 1비트에서 2비트까지의 저정밀도에서도 높은 성능을 유지할 수 있다.

paper AI 요약
빌딩 블록에서 계획까지 강화학습을 활용한 대형 언어 모델의 다단계 공간 추론

빌딩 블록에서 계획까지 강화학습을 활용한 대형 언어 모델의 다단계 공간 추론

공간 추론은 네비게이션 및 계획 등 다양한 응용 분야에서 주목받고 있는 큰 언어 모델(LLMs)의 특징이다. 그럼에도 불구하고, LLMs는 구조화된 환경에서 공간 변환과 다단계 계획에 여전히 어려움을 겪고 있다. 본 논문에서는 두 단계 접근법을 제안한다. 이 방법은 공간 추론을 원자적 구성 요소와 그것들의 조합으로 분해한다. 첫째, 회전, 평행이동 및 스케일링과 같은 기본적인 공간 변환에 대해 감독 학습을 통해 모델에 기본적인 공간 물리학을 제공하기 위해 훈련을 진행한다. 그런 다음 이 물리학 인식 모델을 동결하고 GRPO 프레임워크 내에서 가벼운 LoRA 어댑터를 훈련시켜, 수수께끼 기반 환경에서 다단계 계획을 위한 이러한 구성 요소들을 조합하는 정책을 학습한다. 이를 위해 아스키아트 데이터셋을 합성하고 해당 아스키 기반 강화 학습 환경을 구축한다. 우리의 방법은 동적인 환경과 정적인 환경 모두에서 일반 베이스라인, 물리학 인식 모델 및 end-to-end RL 모델을 능가하며, 특히 수수께끼 기반 환경에서는 더욱 우수한 성능을 보여준다. 또한 제안된 접근법은 처음부터 강화 학습을 진행하는 것보다 더 빠르게 수렴하고 훈련이 안정적이다. 마지막으로 우리는 주의 패턴을 분석하여 페인트를 통해 공간 이해력에서 의미 있는 개선이 이루어졌는지 평가한다.

paper AI 요약
No Image

상태 공간 모델과 트랜스포머의 장기 컨텍스트 다이어딕 세션에서의 계산 및 표현 효율 비교 연구

상태 공간 모델(SSMs)은 오랜 문맥 시퀀스 모델링에 있어서 변형자(Transformer)의 대안으로 주목받고 있으며, 변형자의 $O(N^2)$ 스케일링과 비교하여 선형적인 $O(N)$ 계산 복잡도를 제공합니다. 본 논문은 Mamba SSM이 LLaMA 변형자를 오랜 문맥 시퀀스에서 어떻게 비교되는지에 대한 포괄적인 벤치마킹 연구를 제시하며, 이를 위해서는 이원 치료 세션이 대표적인 테스트 사례로 사용되었습니다. 두 아키텍처는 두 가지 차원을 통해 평가됩니다 (1) 계산 효율성, 여기서 512에서 8,192 토큰까지 메모리 사용량과 추론 속도를 측정하고, (2) 표현력 효율성, 여기서는 숨겨진 상태 동역학과 주의 패턴을 분석합니다. 우리의 발견은 오랜 문맥 응용 프로그램을 다루고 있는 실무자들에게 행동 가능한 통찰력을 제공하며, SSM이 변형자보다 우위에 설 수 있는 정확한 조건을 설정합니다.

paper AI 요약
새로운 컴파일러 스택 LLM과 컴파일러의 시너지 조사

새로운 컴파일러 스택 LLM과 컴파일러의 시너지 조사

컴파일러는 수십 년 동안 프로그래밍 코드를 인간이 이해할 수 있는 형태에서 기계가 실행 가능한 형태로 변환하는 핵심적인 역할을 해왔다. 최근에는 대형 언어 모델(LLMs)이 컴파일러의 역할에 새로운 변화를 가져오고 있다. 이 연구는 LLMs를 이용한 컴파일러 관련 작업을 체계적으로 검토하고 분류하며, 이를 통해 현재 연구 동향과 미래 방향성을 제시한다.

paper AI 요약
생각의 흐름으로 언어 모델링

생각의 흐름으로 언어 모델링

Transformer 언어 모델은 언어를 토큰의 시퀀스로 모델링하여 뛰어난 자연스러운 텍스트를 생성할 수 있지만, 주로 표면적 동시 발생 통계에 의존하기 때문에 전체적으로 일관된 잠재 표현을 형성하지 못하며, 이는 관계적 일반화 능력의 부족(역전呚的詛咒), 上下文化錯誤和數據低效等問題。相比之下，認知科學表明，人類理解將語言輸入轉換為緊湊的事件類似表示，這些表示在記憶中持久存在，而逐字形式則是短暫的。受這些發現的啟發，我們提出了思想完形（TG）模型，這是一種遞歸變壓器，它在兩個抽象層次上對語言進行建模：令牌和句子級“思維”狀態。TG 一次生成一个句子，并通过交叉注意力关注先前句子表示的工作记忆。使用共享堆栈的变压器块生成标记和句子表示，并通過單一目標（下一個標記預測損失）進行訓練。通過保留寫入工作內存的句子表示的計算圖，來自未來令牌損失的梯度通過交叉注意流回以優化生成早期句子向量的參數。在擴展實驗中，TG 在數據和參數效率方面始終比匹配的 GPT-2 運行和其他基線有所提高，擴展適配表明 GPT-2 需要約 5-8% 更多的數據和約 33-42% 更多的參數以匹配 TG 的測試損失。TG 也在父親兒子逆轉詛咒探針上的關係方向泛化錯誤中有所減少。

paper AI 요약
선호도 기반 강화학습의 특징 종속 노이즈 평가

선호도 기반 강화학습의 특징 종속 노이즈 평가

딥 강화 학습(Deep RL)은 최근 다양한 분야에서 성공을 거두고 있으나, 적합한 보상 함수를 정의하는 것은 여전히 도전적이다. 이 연구에서는 선호 기반 강화 학습(PbRL)에서 비전문가 교사로부터 받는 피드백에 의해 발생하는 특징 종속 잡음을 모델링하고 평가한다. 이를 통해 RL 에이전트의 성능 향상을 추구하며, 다양한 상태-작업 공간에서 발생할 수 있는 다양한 유형의 특징 종속 잡음에 대해 논의한다.

paper AI 요약
소셜 미디어 조작 감지 진화하는 메모리 기반 틀

소셜 미디어 조작 감지 진화하는 메모리 기반 틀

사회 미디어에서 조작된 행동을 감지하는 것은 여전히 중요한 문제로 남아 있으며 대부분의 기존 접근 방법은 표면적인 상관 분석에 의존하며, 정적 매개변수 설정을 사용하고 수많은 수동 어노테이션을 요구합니다. 이러한 제한점을 체계적으로 해결하기 위해 Adaptive Causal Coordination Detection (ACCD) 프레임워크를 제안합니다. ACCD는 기억 기반 적응 메커니즘을 활용하여 다양한 조정 상황에서 최적의 감지 설정을 동적으로 학습하고 유지하는 3단계 진행형 아키텍처를 채택합니다. 구체적으로 첫 번째 단계에서는 진정한 인과 관계를 심층적으로 식별하기 위한 적응형 Convergent Cross Mapping (CCM) 기법을 도입하고 있습니다. 두 번째 단계는 반복 학습과 불확실성 샘플링을 통합하여 준감독 분류 방식으로 수동 라벨링 부담을 크게 줄입니다. 세 번째 단계에서는 과거 감지 경험에 기반한 자동 검증 모듈을 배치하여 검출 결과의 자체 확인 및 최적화를 가능하게 합니다. 본 연구는 실제 데이터셋, 특히 트위터 IRA 데이터셋과 리디트 조정 추적기록, 그리고 널리 사용되는 봇 감지 벤치마크 몇 가지를 이용해 종합적인 평가를 수행하였습니다. 실험 결과 ACCD는 조직화된 공격을 감지하는 데 87.3%의 F1 점수를 달성하며, 가장 강력한 기존 기준선 대비 15.2% 향상되었습니다. 또한 시스템은 수동 어노테이션 요구사항을 68% 감소시키며 계층적 클러스터링 최적화를 통해 처리 속도가 2.8배 빨라집니다. 결론적으로 ACCD는 사회 플랫폼에서 조작된 행동을 식별하기 위한 정확하고 효율적이며 자동화 수준이 높은 종합적인 해결책을 제공하며, 실용적 가치와 광범위한 응용 가능성에 대한 큰 잠재력을 제시합니다.

paper AI 요약
소셜 큐의 활용 LLM 기반 정보 탐색에서의 중요성

소셜 큐의 활용 LLM 기반 정보 탐색에서의 중요성

정보 탐색은 개인이 지식 격차를 해소하기 위해 정보를 찾아내고 사용하는 과정으로 이해됩니다. 정보 시대에 들어와 정보 시스템의 급속한 발전은 정보 접근성을 크게 증가시켰지만, 동시에 정보 과부하도 심화되었습니다. 이로 인해 개인들은 다양한 단서를 활용하여 정보를 필터링하고 해석합니다. 이러한 단서에는 메시지 단서(내용의 의미적 특징)와 사회적 단서(정보 상호작용에서 타인의 존재, 행동, 정체성 등)가 포함됩니다. 이 논문은 대형 언어 모델(LLM)-기반 검색 시스템에 대한 연구를 통해 사용자가 기대하는 사회적 단서 및 이를 통합하는 방법을 탐구하고 있습니다.

paper AI 요약
소프트웨어 공급망 보안을 위한 자율 방어 인공지능 취약점 완화로의 진보

소프트웨어 공급망 보안을 위한 자율 방어 인공지능 취약점 완화로의 진보

이 연구는 기후 변화가 전 세계 식량 안전에 미치는 영향을 조사합니다. 우리는 1960년부터 2020년까지 145개 국가의 데이터를 분석하고 고급 경제학 모델을 사용하여 미래 추세를 예측합니다. 우리의 결과는 중대한 정책 개입 없이는 일부 지역에서 식량 안전이 2050년까지 최대 30% 감소할 수 있음을 제안합니다.

paper AI 요약
쇼핑객의 서랍기 방문 분석 실시간 추적 기술로 고객 행동 파악

쇼핑객의 서랍기 방문 분석 실시간 추적 기술로 고객 행동 파악

최근 소매업계에서 로봇을 고객 대면 역할에 도입하는 데서 나타난 문제를 해결하기 위해, 본 연구는 물리 매장 내 고객 활동 분석을 통해 자율적인 구매 의도 이해의 첫걸음을 소개한다. 우리는 고객의 “선반 방문”을 측정하는 알고리즘을 제시하는데, 이는 고객이 가게에서 둘러보는 행동을 포착한다. 선반 방문은 머신 비전 기반 3D 추적 및 천장 카메라를 통해 얻어진 트래젝토리를 통해 추출된다. 우리는 두 개의 독립적인 트래젝토리 집합(8138개와 15129개)을 사용해 알고리즘을 교정하고, 인간 리뷰어가 라벨링한 다른 매장에서 수집되었다. 교정된 모델은 교정 과정에 포함되지 않은 트래젝토리를 평가하는데, 이는 같은 매장과 다른 매장을 통해 이루어진다. 결과 분석을 통해 알고리즘이 교정 환경과 다른 환경에서도 고객의 둘러보기 활동을 인식할 수 있음을 보여준다. 마지막으로, 우리는 모델을 사용하여 큰 트래젝토리 집합에서 고객의 “둘러보기 패턴”을 분석하고 실제 구매와의 관계를 탐색하며, 매장 계획 및 인간-로봇 상호작용에 활용할 수 있는 방법을 논의한다.

paper AI 요약
수학적 논리의 스펙트럼 지문 유효성 체크 방법

수학적 논리의 스펙트럼 지문 유효성 체크 방법

대형 언어 모델(LLM)의 수학적 추론 작업에서 탁월한 성과는 이러한 모델들의 출력을 이해하고 검증하는 데 관심을 집중시켰습니다. 본 논문은 스펙트럼 그래프 이론에 기반한 새로운 접근법을 제안하며, 이 방법은 주의 메커니즘을 통해 생성된 가중 그래프의 스펙트럼 특성을 분석하여 추론의 유효성을 검증합니다. 실험 결과, 이 방법은 다양한 모델에서 82.8–85.9%의 정확도를 보였으며, 특히 로직적 일관성이 있는 증명을 식별하는 데 효과적이었습니다.

paper AI 요약
숨겨진 인터페이스 드러내기 LLM이 안내하는 macOS 프라이빗 프레임워크의 타입 추론

숨겨진 인터페이스 드러내기 LLM이 안내하는 macOS 프라이빗 프레임워크의 타입 추론

비공개 macOS 프레임워크는 중요한 서비스와 데몬을 지원하지만 문서화되지 않고 스트립된 바이너리 형태로만 배포되어 보안 분석에 어려움을 초래합니다. 저희는 Objective-C 타입 추론을 위한 특수화된 튜닝 대형 언어 모델과 도구 확장 분석을 통합하는 에이전트 프레임워크인 MOTIF를 소개합니다. 이 에이전트는 런타임 메타데이터 추출, 바이너리 검사, 그리고 제약 조건 확인을 관리하며, 모델은 후보 메소드 시그니처를 생성하고 이를 검증하여 컴파일 가능한 헤더로 정제합니다. MOTIF-Bench는 공개 프레임워크로부터 만들어진 벤치마크에 실제 헤더가 포함되어 있으며, 여기서 MOTIF는 기준 정적 분석 도구보다 시그니처 복원률을 15%에서 86%로 개선했으며, 도구 사용의 정확성과 추론의 안정성을 지속적으로 높였습니다. 비공개 프레임워크에 대한 사례 연구에서는 재구성된 헤더가 컴파일되고 링크되며, 이후 보안 연구와 취약점 분석을 지원하는 것을 확인할 수 있습니다. MOTIF는 불투명한 바이너리를 분석 가능한 인터페이스로 변환함으로써 macOS 내부의 체계적인 심사에 대한 확장 가능한 기반을 구축합니다.

paper AI 요약
스마트 건물의 인간 중심 에너지 관리 시스템을 위한 상황 인식 대형 언어 모델 기반 AI 에이전트

스마트 건물의 인간 중심 에너지 관리 시스템을 위한 상황 인식 대형 언어 모델 기반 AI 에이전트

건물은 전 세계 에너지 소비의 약 30%를 차지하며, 효율적인 에너지 사용을 달성하는 데 있어 핵심적이다. 이 논문에서는 대형 언어 모델(LLM) 기반 AI 에이전트가 인간과 건물 간 상호 작용을 개선하고, 건물 에너지 관리 시스템(BEMS)의 사용자 인터페이스를 향상시키는 방법에 대해 탐구한다. LLM은 자연어 처리와 데이터 분석 능력을 활용하여 사용자의 다양한 목표에 맞춘 컨텍스트 감지를 제공할 수 있다.

paper AI 요약
스마트 분류 재활용의 미래

스마트 분류 재활용의 미래

재활용의 중요성은 널리 인정되고 있지만, 일반 대중이 물품의 재활용 가능성을 정확하게 판단하고 적절한 처리 방법을 결정하는 것은 복잡한 과제입니다. 본 연구에서는 GPT-4o, GPT-4o-mini, 그리고 Claude 3.5와 같은 최첨단 비전 언어 모델들을 일상적으로 버려지는 물품의 재활용 가능성을 예측하는데 활용했습니다. 이미지로 구성된 데이터셋을 이용하여 이러한 모델들이 물체를 적절한 분리 수거함과 매칭하는 능력을 평가하였습니다. 또한, 모델이 실제로 사용 가능한 수거함에 맞게 들어가는지 여부도 평가하였습니다. 추가적으로 우리는 다음과 같은 과제들에서 모델들의 성능을 조사했습니다 (i) 지역별 재활용 가이드라인에 따른 예측 수정; (ii) 오염 또는 구조적 손상 고려; 그리고 (iii) 다중 소재로 구성된 물체 처리. 우리의 연구 결과는 이러한 모델들이 이전 세대와 비교하여 문맥 이해 측면에서 큰 진보를 이루고 있음을 보여주며, 그럼에도 불구하고 여전히 부족한 부분을 나타냈습니다. 이러한 맥락 인식 모델의 지속적인 개선은 공공 재활용 실천을 강화하고 환경 지속 가능성을 발전시키는 데 중요합니다.

paper AI 요약
스마트플로우 바이크 균형자

스마트플로우 바이크 균형자

SmartFlow는 강화학습과 에이전트 기반 인공지능을 통합한 다층적 프레임워크로, 도시 자전거 공유 서비스에서 발생하는 동적인 재균형 문제를 해결합니다. 그 구조는 전략적, 전술적, 그리고 커뮤니케이션 기능을 분리하여 명확성과 확장성을 보장하고 있습니다. 전략 수준에서는 뉴욕의 Citi Bike 네트워크를 고대비 시뮬레이션에서 학습한 딥 Q-네트워크(DQN) 에이전트가 마르코프 의사결정 과정으로 문제를 모델링하여 견고한 재균형 정책을 학습합니다. 이러한 고수준 전략은 다중 구간 여행을 최적화하고 단시일 내에 출동할 수 있도록 스케줄링하여 차량의 이동 거리를 최소화하는 결정론적 전술 모듈로 전달됩니다. 여러 시드를 이용한 실행을 통해 SmartFlow의 높은 효율성이 입증되었으며, 네트워크 불균형을 95% 이상 감소시키고 최소한의 이동 거리와 높은 트럭 활용도를 달성하였습니다. 커뮤니케이션 계층은 대규모 언어 모델(LLM)을 갖춘 기반 에이전트 AI로 구동되어 물류 계획을 현장 직원에게 명확하고 실행 가능한 지시사항으로 전달하여 해석 가능성과 실행 준비성을 보장합니다. 이 통합은 기계 지능을 인간 운영과 연결함으로써, 유휴 시간을 줄이고 자전거 이용 가능성을 향상시키며 운용 비용을 낮추는 확장 가능한 해결책을 제공합니다. SmartFlow는 복잡한 도시 이동 네트워크에서 해석 가능하고 AI 기반의 물류를 위한 청사진을 제시합니다.

paper AI 요약
시각-언어 모델을 활용한 해양 자율주행의 의미 위험 감지와 안전 조치

시각-언어 모델을 활용한 해양 자율주행의 의미 위험 감지와 안전 조치

** 본 연구에서는 이미지 분류 작업에서 심층 신경망의 성능을 향상시키는 새로운 알고리즘을 제안합니다. 제안된 방법은 데이터 복잡성과 잡음 수준에 따라 조정되는 동적 조절 메커니즘을 포함하고 있습니다. 다양한 데이터셋에서 수행한 광범위한 실험을 통해, 우리의 접근법은 기존 최고 수준의 방법보다 평균적으로 5% 이상 높은 정확도를 보여주었습니다. **

paper AI 요약
시각적 언어 모델 해킹 기만의 미학

시각적 언어 모델 해킹 기만의 미학

LVLMs는 시각적 구성 요소를 통합한 대형 언어 모델(LLMs)로, GPT-4, GPT-5, LLaVa, Flamingo와 같은 다양한 다중모달 응용 프로그램에서 뛰어난 성능을 보여주고 있습니다. 그러나 시각적 요소의 통합은 새로운 취약점을 초래하며, 최근 연구는 LVLMs가 적대적인 공격에 약하다는 것을 드러냈습니다. 이러한 공격은 모델 내부에서 사용할 수 있는 기울기 정보를 필요로 하는데, 이는 계산적으로 비용이 많이 들고 블랙박스 환경에서는 제한적입니다. 본 논문에서는 ZO-SPSA라는 기울기 없는 블랙박스 공격 프레임워크를 제안하며, 이를 통해 LVLMs에서 안전 장벽을 무너뜨리는 효과적인 적대적 예제를 생성하는 방법을 설명합니다.

paper AI 요약
시간적 기반과 텍스트 반응의 계층화 학습을 위한 동영상-언어 모델

시간적 기반과 텍스트 반응의 계층화 학습을 위한 동영상-언어 모델

이 논문은 커스텀 모델, 트랜스퍼 러닝 및 하이브리드 학습을 포함하는 세 가지 컨볼루션 신경망(CNN) 훈련 패러다임에 대한 종합적인 평가를 제시합니다. 우리의 결과는 잘 정의된 작업과 대규모 라벨링 데이터셋에서는 커스텀 모델이 가장 우수한 성능을 제공하지만, 데이터가 부족하거나 작업 복잡성이 높은 경우에는 트랜스퍼 러닝이 더 유리하다는 것을 나타냅니다. ###

paper AI 요약
시놉틱 팟캐스트 대화, 영상 모델이 도전하다!

시놉틱 팟캐스트 대화, 영상 모델이 도전하다!

본 논문에서는 시각적 콘텐츠를 이용하여 증폭된 팟캐스트 대본을 생성하는 방법을 제안한다. 기존의 시각 언어 모델(VLM)이 단순히 사실적인 설명에 그치는 반면, 본 연구는 이러한 시각적 입력을 풍부하고 자연스러운 다중 회화로 전환하는 데 초점을 맞춘다. 이를 위해 개발된 SPoRC-VIST 벤치마크는 합성 이미지와 실제 사진 간의 일반화 성능을 검증한다. ###

paper AI 요약
No Image

신경기호학으로 수학의 첫 원칙부터 만들다

대형 언어 모델(LLMs)은 내부적 공리적 프레임워크의 부재로 인해 복잡한 추론에서 지속적인 논리적 실패를 보입니다. 저희는 수학적 상태를 고차원 하이퍼그래프로 인코딩하고 제약 조건을 연속 에너지 풍경으로 매핑하는 미분 가능한 논리 엔진인 기호 추론 커널(SRK)을 사용하는 Mathesis라는 뉴로-기호 구조를 제안합니다. 모든 에너지 함수 E(G)를 정의하여 영 에너지는 논리적 일관성을 의미하며, SRK는 그래디언트 기반 신호를 생성해 하이퍼그래프 트랜스포머 뇌를 학습시키고 증명 검색을 에너지 최소화로 바꿉니다. 몬테카를로 트리 탐색과 진화 증명 탐색을 통해 학습된 가치 함수와 의미 통일에 의해 다단계 추론이 가능해집니다.

paper AI 요약
신경망 사슬과 이산 동역학 시스템

신경망 사슬과 이산 동역학 시스템

우리는 변환 아키텍처를 기반으로 하는 머신 러닝(ML) 응용 프로그램과 이산 동역학 시스템 간의 유사성을 검토합니다. 여기서 neural chains 는 자기 주의 없이 변환 아키텍처에 기반한 것입니다. 또한, 비저키 Burgers 방정식과 Eikonal 방정식을 표준 수치 방법과 PINN 학습을 통해 해결하는 비교 분석을 제공합니다. 이 논문은 표준 수치 방법과 PINN 학습이 동일한 시스템 역학에 대한 지식을 얻는 두 가지 다른 경로를 제공한다는 것을 발견했습니다. 그러나 PINN 학습의 경우, 무작위 행렬이 고유한 삼중대각 형태보다 훨씬 더 많은 솔루션을 제공함으로써 학습 비용과 물리적 투명성이 떨어집니다.

paper AI 요약
실시간 대화형 아바타 생성 어바탄 포싱으로 자연스러운 상호작용

실시간 대화형 아바타 생성 어바탄 포싱으로 자연스러운 상호작용

대화형 아바타 생성은 정적인 초상화에서 가상 커뮤니케이션 및 콘텐츠 제작을 위한 실감나는 아바타를 생성합니다. 하지만 현재 모델들은 진정한 상호 작용의 느낌을 전달하지 못하며, 종종 감정적 관여가 부족한 일방통행 응답을 생성합니다. 우리는 진정한 상호 작용 아바타로 나아가는 두 가지 주요 과제를 식별하였습니다 인과 제약 하에서 실시간 동작 생성 및 추가 라벨 데이터 없이 표현력 있고 활기찬 반응 학습입니다. 이러한 과제들을 해결하기 위해, 저희는 확산 강제를 통해 사용자와 아바타 간의 실시간 상호 작용을 모델링하는 새로운 프레임워크인 아바타 강제(Avatar Forcing)를 제안합니다. 이 디자인은 음성과 동작을 포함한 사용자의 다중 입력을 저 지연으로 처리하여 말, 고개 끄덕임, 웃음 등 언어적 및 비언어적 시그널에 대한 즉각적인 반응을 가능하게 합니다. 또한 저희는 사용자 조건을 제거하여 구성된 합성 손실 샘플을 활용하는 직접 선호도 최적화 방법을 소개합니다. 이는 라벨 없는 표현력 있는 상호 작용 학습을 가능케 합니다. 실험 결과는 우리의 프레임워크가 저 지연(약 500ms)의 실시간 상호 작용을 가능하게 하며, 기준선에 비해 6.8배 빠른 속도를 달성하고, 반응적이고 표현력 있는 아바타 동작을 생성함으로써 기준선 대비 80% 이상 선호되는 결과를 보여줍니다.

paper AI 요약
실천적 윤리 NLP 교육을 통한 실무 중심 윤리 강의

실천적 윤리 NLP 교육을 통한 실무 중심 윤리 강의

최근 언어 기술의 사회적 영향에 대한 관심이 증가함에 따라 자연언어 처리(NLP) 연구에서 윤리적인 측면을 다루는 교육 커리큘럼이 필요하게 되었다. 본 논문은 그로닝겐 대학교에서 개발된 NLP의 윤리적 측면 이라는 강좌를 소개한다. 이 강좌는 NLP 연구 및 적용에 있어 중요한 윤리적인 문제들을 다루며, 학생들이 이러한 문제들에 대해 이해하고 이를 사회적으로 다양한 관객에게 효과적으로 전달할 수 있는 능력을 기르도록 설계되었다.

paper AI 요약
실패를 성공으로 되돌리기 지시사항 준수용 강화학습의 효율적 샘플링

실패를 성공으로 되돌리기 지시사항 준수용 강화학습의 효율적 샘플링

이 논문에서는 기계 학습을 사용하여 주식 시장의 추세를 예측하는 방법에 대해 살펴봅니다. 우리는 다양한 모델과 데이터 세트를 통해 회귀, 분류, 그리고 시간 순열 분석의 결과를 비교합니다. 우리의 연구는 특히 뉴럴 네트워크와 서포트 벡터 머신(SVM)이 주식 시장 예측에 있어서 얼마나 효과적인지 살펴봅니다. ###

paper AI 요약
심부전영동맥angiography에서 깊은 학습 기법의 응용

심부전영동맥angiography에서 깊은 학습 기법의 응용

폐색전은 생명을 위협하는 질병으로, 조기에 검출하고 치료하면 사망률이 크게 줄어듭니다. 최근 많은 연구들이 대조매개체 컴퓨터단층촬영 폐 혈관angiography를 활용하여 폐색전의 진단에 딥러닝을 사용하고 있지만, 대조매개체는 폐색전과 만성신부전이 있는 환자들에게 급성 신장 손상을 일으킬 가능성이 있으며, 대조매개체가 작동하는 데 시간이 소요되어 급성 폐색전을 가진 환자는 골든 테리트리를 놓칠 수 있습니다. 본 연구는 대조매개체를 사용하지 않고 CT 영상에서 폐색전을 자동으로 분류하기 위해 3차원 컨볼루션 신경망 모델을 활용한 딥러닝 기법을 이용하는 것을 목표로 합니다. 이번 연구에서 사용된 딥러닝 모델은 대조매개체를 사용하지 않은 컴퓨터단층촬영 영상의 폐색전 분류에 대해 85% 정확도와 0.84 AUC를 보여주어, 이 모델이 폐색전 진단에서의 적용 가능성을 확인하였습니다.

paper AI 요약
알츠하이머 예측, 뇌 네트워크 규칙 학습으로 이해하기

알츠하이머 예측, 뇌 네트워크 규칙 학습으로 이해하기

알츠하이머병(AD)은 신경퇴행성 질환으로, 뇌에 아밀로이드-베타 플라크와 타우 단백질 섬유가 축적되는 특징을 가진다. 이 연구에서는 AD의 진행과 발현 사이의 구조적 뇌 네트워크와 관련성을 이해하기 위해, 통계적 기계 학습 방법과 olic machine learning 방법을 결합한 새로운 접근법인 LearnAD를 제안한다. LearnAD는 MRI 데이터에서 추출된 특징들을 이용하여 AD를 예측하고, 이를 통해 뇌의 구조적 패턴이 AD에 어떻게 영향을 미치는지 학습한다.

paper AI 요약
알파 발산 선호 최적화 APO

알파 발산 선호 최적화 APO

이 연구는 주의 메커니즘을 사용한 자연어 처리(NLP) 작업에 대한 새로운 접근 방식을 소개합니다. 이 모델은 입력 텍스트의 다양한 부분에 대한 집중력을 동적으로 조정함으로써 감성 분석의 정확도를 크게 개선했습니다. 본 논문에서는 여러 데이터셋에서 전통적인 방법들보다 일관된 성능 향상을 보여주는 실험 결과도 제시합니다.

paper AI 요약
압축 기술이 자연적 오염 상태에서의 CNN 강건성에 미치는 영향 평가

압축 기술이 자연적 오염 상태에서의 CNN 강건성에 미치는 영향 평가

압축된 딥러닝 모델은 자원 제약이 있는 기기에 컴퓨터 비전 시스템을 배포하는 데 중요합니다. 하지만 모델 압축은 특히 자연적인 오염 조건에서 안정성을 저해할 수 있습니다. 따라서 컴퓨터 비전 시스템의 검증 과정에서는 안정성 평가를 고려하는 것이 중요합니다. 본 논문은 양자화, 가위 작업, 가중치 클러스터링을 개별적으로 또는 조합하여 적용한 압축 기법에 대한 포괄적인 평가를 제시하고 있습니다. 이 연구에서는 ResNet-50, VGG-19, 그리고 MobileNetV2와 같은 컨볼루션 신경망에 대해 CIFAR-10-C 및 CIFAR 100-C 데이터셋을 사용하여 안정성, 정확도, 압축 비율 간의 트레이드오프를 분석하였습니다. 우리의 결과는 특정 압축 전략이 복잡한 아키텍처를 가진 네트워크에서 안정성을 유지하거나 향상시킬 수 있음을 보여주고 있습니다. 다목적 평가를 활용하여 최선의 구성 설정을 결정하였으며, 맞춤형 기술 조합이 유익한 다목적 결과를 제공함을 나타내었습니다. 이 연구는 오염된 실제 환경에서 모델을 안정적이고 효율적으로 배포하기 위한 압축 방법 선택에 대한 통찰력을 제공합니다.

paper AI 요약
야생동물 이미지 지리적 도메인 시프트를 위한 불변 표현 모델 WildIng

야생동물 이미지 지리적 도메인 시프트를 위한 불변 표현 모델 WildIng

카메라 트랩 이미지는 야생동물 모니터링에서 가장 값진 데이터 소스 중 하나로, 생물다양성 보존과 기후 변화 연구에 중요한 역할을 합니다. 이러한 이미지들은 인간의 직접 개입 없이도 광범위한 데이터를 수집할 수 있는 비침해적이고 확장 가능한 방법을 제공합니다. 그러나 대규모 데이터셋에서 자동적인 동물 종 식별을 위한 기술은 필요합니다. 최근 연구에서는 Foundation Models (FMs)을 야생동물 모니터링에 적용하기 시작했으며, 이 모델들은 다양한 시각 인식 작업에서 뛰어난 성능을 보여주었습니다. 본 논문에서는 WildIng이라는 새로운 모델을 소개하며, 이 모델은 텍스트와 이미지를 통합하여 지리적 도메인 변동에 강한 특징을 추출합니다. ###

paper AI 요약
약한 시간 감독을 통한 원격탐사 변화 검출

약한 시간 감독을 통한 원격탐사 변화 검출

이 논문에서는 원격 감지 이미지 쌍에서 지표면 변화를 감지하는 문제에 대해 다룹니다. 이 작업은 심미적 변화 감지(Semantic Change Detection, SCD)라고 합니다. 최근 몇 년 동안 SCD는 큰 관심을 받았으며 많은 연구와 여러 분야의 조사가 이루어졌습니다. 기존 방법들은 주로 딥 러닝에 의존하여 3개의 신경망을 학습합니다 두 개의 심미적 맵과 이진 변화 맵을 출력하는 네트워크입니다. 그러나 이러한 모델을 훈련시키기 위해서는 픽셀 수준의 주석이 필요한데, 이를 얻는 것은 비용이 많이 들고 시간도 오래 걸립니다. 따라서 우리는 단일 시점 주석만 사용하여 이진 시점 쌍에 대한 변화 감지 네트워크를 훈련시키는 약한 지정 학습 프레임워크를 제안합니다.

paper AI 요약
양자화는 대형 언어 모델의 자가 설명 능력을 어떻게 변화시키나?

양자화는 대형 언어 모델의 자가 설명 능력을 어떻게 변화시키나?

본 연구는 자연어 처리(NLP) 작업에서 딥러닝 기술의 영향을 조사하며 특히 BERT와 같은 트랜스포머 모델에 집중합니다. 다양한 데이터셋과 감성 분석 및 이름 인식 등의 작업에서 하이퍼파라미터가 어떻게 모델 성능에 영향을 미치는지 평가했습니다. 주요 결과로, 특정 하이퍼파라미터 설정은 정확도를 크게 향상시키지만 연산 비용을 증가시킨다는 것을 발견했습니다.

paper AI 요약
No Image

언어 모델의 인식 견고성 측정 프로토콜 DDFTTestMethod

양자 컴퓨팅은 최근 양자 비트의 안정성과 오류 교정 기술에서 중요한 진전을 이루었다. 이 논문에서는 이러한 발전이 암호학과 복잡한 시스템 시뮬레이션 등 실용적 응용 분야에 미치는 영향을 탐색한다. 고려된 분석에는 특정 문제를 해결하기 위한 고전 알고리즘과 양자 알고리즘 간의 비교가 포함되어 있으며, 이로 인한 잠재적인 속도 향상이 강조된다.

paper AI 요약
No Image

언어의 수학적 구조 의미 공간 이론과 언어 게임 비교 분석

대규모 언어 모델(LLMs)이 순수한 수학적 연산을 통해 인간과 비슷한 언어 성능을 달성함으로써, 의미의 주요 이론에 근본적인 도전을 제기하고 있습니다. 사회 구조주의 입장은 언어가 형식적 구조로 축소될 수 없다고 주장하지만, 변환자 구조는 사회적 기반이 없이 체계적인 의미 관계를 발견합니다. 이 논문에서는 이러한 발전을 예측한 작가의 사상에 대해 분석하고, 언어가 내재된 수학적 구조를 가질 수 있다는 주장을 제기합니다.

paper AI 요약
에스чер버스 물리적 동태와 의도 기반 이해를 갖춘 텔레오-공간 지능을 위한 오픈 월드 벤치마크와 데이터셋

에스чер버스 물리적 동태와 의도 기반 이해를 갖춘 텔레오-공간 지능을 위한 오픈 월드 벤치마크와 데이터셋

공간 동역학에 대한 추론 능력은 인тел리전스의 핵심 구성 요소이지만, 현재 연구에서는 공간 변화 뒤에 숨어 있는 인간의 의도를 간과하고 있다. 이러한 한계점을 해결하기 위해 우리는 물리적-동역학적 추론—물체 상호 작용의 물리 원리를 이해하는 것—과 의도 지향적 추론—이러한 행동 뒤에 숨어 있는 인간의 목표를 추측하는 것이라는 두 가지 중요한 기둥을 통합하는 새로운 패러다임인 텔레오-공간 인텔리전스(TSI)를 도입한다. TSI 연구를 촉진하기 위해 우리는 EscherVerse를 제시한다. 이는 대규모 오픈 월드 벤치마크(Escher-Bench), 데이터셋(Escher-35k), 그리고 모델(Escher 시리즈)을 포함하고 있다. 실제 비디오에서 유래한 EscherVerse는 제약된 환경을 넘어 물체의 지속성, 상태 전이, 동적이고 인간 중심적인 상황에서의 궤도 예측에 대한 에이전트의 추론 능력을 명시적으로 평가한다. 무엇보다도 이는 의도 지향적 추론을 체계적으로 평가하는 최초의 벤치마크로, 모델들이 물리적 사건과 그 뒤에 숨어 있는 인간의 목적을 연결할 수 있도록 도전한다. 우리의 연구에는 새로운 데이터 큐레이션 파이프라인이 포함되어 있으며, 이는 공간 인텔리전스를 단순히 장면 설명에서 세계 전체에 대한 통합적인 목표 지향적 이해로 발전시키기 위한 기초 자원을 제공한다.

paper AI 요약
에이전시의 마법 신경기호적 프로그래밍을 단순화하다

에이전시의 마법 신경기호적 프로그래밍을 단순화하다

심볼릭 제약 조건을 딥러닝 모델에 통합하면 더 견고하고 해석 가능하며 데이터 효율적인 모델이 될 수 있습니다. 그럼에도 불구하고 이러한 통합은 여전히 시간이 많이 소요되고 어려운 작업입니다. DomiKnowS와 같은 기존 프레임워크는 고수준의 선언적 프로그래밍 인터페이스를 제공하여 이 통합을 돕지만, 사용자가 해당 라이브러리의 특정 문법에 능통하다고 가정합니다. 이러한 종속성을 제거하기 위해 AgenticDomiKnowS(ADS)를 제안합니다. ADS는 에이전시 워크플로를 활용하여 자유 형식의 작업 설명을 완성된 DomiKnowS 프로그램으로 번역하며, 각 DomiKnowS 구성 요소를 따로 생성하고 테스트합니다. 이 워크플로는 사용자가 중간 출력물을 개선할 수 있는 옵션의 인간-인-더-루프 개입을 지원합니다. ADS가 경험 많은 DomiKnowS 사용자와 비사용자 모두에게 신경 기호적 프로그램을 빠르게 작성할 수 있게 하여 개발 시간을 몇 시간에서 10~15분으로 줄일 수 있음을 보여줍니다.

paper AI 요약
에이전트 레시 LLM을 활용한 인과 피드백 퍼지 인지 지도 추출

에이전트 레시 LLM을 활용한 인과 피드백 퍼지 인지 지도 추출

이 논문에서는 대형 언어 모델(LLM) 에이전트가 샘플링된 텍스트 문서에서 인과 피드백 퍼지인지도(FCM)를 어떻게 성장시키는지를 보여줍니다. 이 FCM은 지역적인 부분적 인과 규칙을 형성하고, 이를 통해 전역 균형 상태인 한계 주기를 정의합니다. 이러한 방법은 프로그래밍된 명령에 의존하는 일반적인 피드포워드 에이전트 시스템과는 달리 FCM 동적 시스템의 에이전시를 진화하는 균형 한계 주기에서 찾습니다. ###

paper AI 요약
엔트로피 인식 예측 디코딩으로 향상된 대형 언어 모델 추론

엔트로피 인식 예측 디코딩으로 향상된 대형 언어 모델 추론

이 연구는 다양한 데이터셋에서 서로 다른 학습 방법이 CNN 성능에 미치는 영향을 조사합니다. 커스텀 모델 생성, 트랜스퍼 러닝, 사전 훈련된 모델의 파인튜닝 등 세 가지 패러다임을 비교했습니다. 결과적으로 각 방법은 강점이 있지만, 트랜스퍼 러닝이 정확성과 계산 효율성을 가장 잘 균형 있게 제공한다는 것을 나타냅니다.

paper AI 요약
엔트로피 적응 튜닝으로 잊히는 것을 막자 확신 갈등 해결

엔트로피 적응 튜닝으로 잊히는 것을 막자 확신 갈등 해결

감독 학습 조정(Supervised Fine-Tuning, SFT)은 대형 언어 모델(LLMs)을 특정 도메인에 맞게 적응시키는 표준 방법입니다. 그러나 이 방식은 치명적인 잊힘(catastrophic forgetting)이라는 큰 비용을 초래합니다. 반면, 온-폴리시 강화 학습(on-policy RL)은 도메인별 성능을 향상시키면서 기반 모델의 견고성을 효과적으로 유지하는 데 유명합니다. 이 두 방법론 사이의 극적인 차이는 특정 질문을 제기합니다 SFT가 일반 능력을 악화시킬 때 왜 온-폴리시 RL은 이를 유지할 수 있는지? 본 연구는 이 현상에 대한 메커니즘을 체계적으로 분석하고, 이를 통해 Confident Conflicts 라는 개념을 도입하여 SFT에서의 치명적인 잊힘의 원인을 밝혀냅니다. 또한, 엔트로피-적응 조정(Entropy-Adaptive Fine-Tuning, EAFT)이라는 새로운 방법론을 제안합니다.

paper AI 요약
역사 기록 풍부화 OCR과 AI를 활용한 데이터베이스 통합 방법

역사 기록 풍부화 OCR과 AI를 활용한 데이터베이스 통합 방법

이 연구는 다양한 자연어 처리(NLP)에서 사용되는 머신러닝 기법을 비교하고, 각 방법이 어떤 조건에서 가장 효과적인지 알아보기 위해 진행되었습니다. 이 연구에서는 감독 학습, 비감독 학습, 그리고 준감독 학습 방법들을 여러 데이터셋에 적용하여 평가하였습니다. 결과적으로, 라벨링된 데이터가 제한적일 때 준감독 학습이 다른 기법들보다 우수한 성능을 보였습니다.

paper AI 요약
역사적 활성화로부터의 그래프 신경망 학습

역사적 활성화로부터의 그래프 신경망 학습

그래프 신경망(GNN)은 사회적 네트워크, 분자 화학 등 다양한 영역에서 뛰어난 성과를 보여주고 있다. GNN의 핵심 구성 요소 중 하나는 풀링 프로시저로, 모델에 의해 계산된 노드 특징을 조합하여 최종적으로 하류 작업에 사용될 정보가 풍부한 설명자 형태로 만들어내는 과정이다. 그러나 이전의 그래프 풀링 방식은 풀링이나 분류기 층에 GNN 마지막 계층의 특징을 입력으로 사용하므로, 모델의 전방 패스 중 생성된 이전 계층의 중요한 활성화를 충분히 활용하지 못하는 경우가 있다. 이를 우리는 역사적 그래프 활성화라고 부른다. 특히 많은 그래프 신경망 계층을 통과하면서 노드 표현이 크게 변화할 수 있는 경우, 또는 깊은 아키텍처에서 과도한 평활화와 같은 그래프 특수 도전 과제로 인해 이러한 간극이 더욱 두드러진다. 이 간극을 해소하기 위해 우리는 HISTOGRAPH라는 새로운 단계별 주의 기반 최종 통합 층을 제안한다. HISTOGRAPH는 중간 활성화에 대해 일관된 계층별 주의를 적용한 후 노드별 주의를 사용한다. 노드 표현의 계층 간 진화를 모델링함으로써, 우리의 HISTOGRAPH는 노드의 활성화 기록과 그래프 구조 모두를 활용하여 최종 예측에 사용되는 특징을 정교하게 세분화한다. 여러 그래프 분류 벤치마크에서의 실증적 결과는 HISTOGRAPH가 전통적인 방법보다 일관되게 우수한 성능을 제공하며, 특히 깊은 GNN에서 강력한 견고성을 보여준다는 것을 입증하고 있다.

paper AI 요약
연방훈련에서 클러스터링 집약과 조절을 통한 사기저항형 민감도 인식 최소화

연방훈련에서 클러스터링 집약과 조절을 통한 사기저항형 민감도 인식 최소화

연방 학습(FL)은 데이터 프라이버시를 유지하면서 분산된 엣지 기기 간의 협력적 모델 훈련을 가능하게 합니다. 그러나 클라이언트들 사이에 통계적인 이질성이 존재하며, 이는 종종 비IID 레이블 분포로 나타나며 수렴과 일반화에 대한 주요 도전 과제를 제기합니다. 예리도 인식 최소화(SAM)가 FL에 도입되어 평평하고 더 견고한 극소점을 찾아내도록 설계되었지만, 기존 접근법들은 보통 모든 클라이언트에 대해 일률적인 펨터베이션 반경을 적용하며 클라이언트별 이질성을 무시합니다. 본 연구에서는 클라이언트별 이질성 점수에 따라 SAM의 펨터베이션 반경과 집합 가중치를 동적으로 조정하는 새로운 알고리즘, 연방 예리도 인식 최소화와 군집 집합 및 모듈레이션(FedSCAM)을 제안합니다. 각 클라이언트에 대한 이질성 지표를 계산하고 이를 반대로 펨터베이션 반경을 조정함으로써, FedSCAM은 높은 분산을 가진 클라이언트들이 글로벌 모델을 불안정하게 하는 것을 방지합니다. 또한, 글로벌 최적화 방향과 일치하는 업데이트를 우선시하는 이질성 인식 가중 집합 메커니즘을 도입하였습니다. 다양한 정도의 디리클레 기반 레이블 왜곡 조건 하에서 CIFAR-10 및 Fashion-MNIST에 대한 광범위한 실험을 통해, FedSCAM은 수렴 속도와 최종 테스트 정확도 측면에서 FedSAM, FedLESAM 등 최신 기준들과 경쟁력을 갖추는 것을 보여주었습니다.

paper AI 요약
영상 참조로 개인 얼굴 특성 그대로 유지하기

영상 참조로 개인 얼굴 특성 그대로 유지하기

최근 연구에서는 텍스트 프롬프트를 이용하여 실제 인간 동영상을 생성하는 것에 대한 관심이 급증했습니다. 이러한 기술은 단순한 스타일화된 클립에서 장시간, 사진처럼 사실적인, 프롬프트에 충실하며 강력한 시간적 일관성을 갖춘 시퀀스로 발전했습니다. 하지만 현재 연구가 직면하고 있는 주요 도전 중 하나는 개인의 신원을 유지하는 것입니다. 이 논문은 단일 참조 이미지를 사용하는 기존 방법의 한계를 극복하기 위해, 짧은 동영상 참조를 이용하여 인물의 신원을 보다 안정적으로 추출하고 생성할 수 있는 새로운 방식을 제안합니다.

paper AI 요약
예측 가능한 신뢰성 위한 동영상 질의응답의 명시적 기피 조절기

예측 가능한 신뢰성 위한 동영상 질의응답의 명시적 기피 조절기

이 연구에서는 자연어 처리 작업에서 딥러닝 기법의 효과를 조사하며 특히 감성 분석에 초점을 맞추고 있습니다. BERT, RoBERTa, DistilBERT라는 세 가지 모델을 비교하였습니다. 우리의 결과는 모든 모델이 우수한 성능을 보였지만, RoBERTa가 BERT보다 약간 더 좋은 성능과 덜 많은 컴퓨팅 비용을 제공한다는 것을 나타냅니다.

paper AI 요약
오디오 인코더 공격으로 언어 모델 무너지기 보편적 타겟팅 음성 잠재공간 공격

오디오 인코더 공격으로 언어 모델 무너지기 보편적 타겟팅 음성 잠재공간 공격

이 연구는 다양한 데이터셋과 모델 아키텍처를 대상으로 깊은 신경망의 성능에 미치는 다른 정규화 기법들의 영향을 조사한다. 우리는 제어된 조건 하에서 L1, L2, 그리고 드롭아웃 방법을 비교한다. 우리의 연구 결과는 L2가 대부분의 작업에서 더 효과적임을 시사하지만, L1은 희소한 설정에서 유리하다는 것을 보여준다.

paper AI 요약
오디오 환영 정렬 AHA 프레임워크로 잘못된 정보 방지

오디오 환영 정렬 AHA 프레임워크로 잘못된 정보 방지

이 연구는 다양한 머신러닝 기법이 금융 시장 예측의 정확도에 미치는 영향을 탐구합니다. 선형 회귀와 같은 전통적인 방법과 랜덤 포레스트, 서포트 벡터 머신(SVM), 신경망 등의 현대적 접근 방식을 비교했습니다. 결과적으로 신경망은 금융 데이터의 복잡한 패턴 처리에서 다른 모델보다 우수함이 나타났습니다.

paper AI 요약
오픈판гу 모델의 사후 양자화로 아틀라스 A2에 효율적 배포

오픈판гу 모델의 사후 양자화로 아틀라스 A2에 효율적 배포

본 논문에서는 딥러닝 기반의 컴퓨터 비전 모델을 사용하여 의료 이미지 분석에서의 성능 개선에 초점을 맞춥니다. 특히, CNN(컨볼루션 신경망)과 RNN(순환 신경망)을 결합한 하이브리드 모델의 효과를 평가합니다. 실험 결과는 기존 모델 대비 정확도와 효율성 측면에서 개선된 성능을 보여줍니다.

paper AI 요약
완벽한 API를 넘어 실세계 API 복잡성 하에서의 대형 언어 모델 에이전트 종합 평가

완벽한 API를 넘어 실세계 API 복잡성 하에서의 대형 언어 모델 에이전트 종합 평가

이 논문은 대형 언어 모델(Large Language Model, LLM) 에이전트가 실제 API 복잡성 하에서 외부 함수를 호출하는 능력을 평가하기 위한 새로운 벤치마크인 WildAgtEval을 제안합니다. 이 벤치마크는 8개의 주요 API 복잡성 유형에 기반하며, 각 유형은 실제 월드에서 자주 발생하는 복잡성을 반영합니다. 실험 결과, LLM 에이전트는 특히 무관한 정보와 같은 복잡성 하에서 성능이 크게 저하됨을 보여줍니다.

paper AI 요약
우선순위 고려하는 다중로봇 경로 계획법

우선순위 고려하는 다중로봇 경로 계획법

다중 로봇 시스템은 큰 환경에서 효율적인 조정이 필요한 커버리지 작업에 널리 사용됩니다. 다중 로봇 커버리지 경로 계획(MCPP)에서는 전체 지역을 커버하는 중복되지 않는 경로를 생성하여 완료 시간을 최소화하는 것이 주요 목표입니다. 그러나 대부분의 기존 방법들은 영역 간의 중요도가 균일하다고 가정함으로써 일부 구역에 더 빠른 주의가 필요할 때 그 효율성이 제한됩니다. 우리는 환경의 일부를 우선순위 구역으로 지정하고 연관된 가중치를 부여하는 우선 순위 인식 MCPP(PA-MCPP) 문제를 도입합니다. 목표는 영역 커버리지의 총 중요도 가중 지연과 전체 완료 시간을 사전순서로 최소화하는 것입니다. 이를 해결하기 위해 우리는 (1) 탐욕스러운 구역 할당 및 로컬 검색, 스패닝 트리 기반 경로 계획과 (2) 스테이너 트리 지도 잔여 커버리지를 결합한 확장 가능한 이단계 프레임워크를 제안합니다. 다양한 시나리오에서의 실험은 우리의 방법이 표준 MCPP 기준에 비해 우선순위 가중치 지연을 크게 줄이고 경쟁적인 완료 시간을 유지한다는 것을 보여줍니다. 민감도 분석은 또한 이 방법이 로봇 수와 잘 확장되며, 구역 커버리지 동작이 우선순위 가중치를 조정하여 효과적으로 제어될 수 있음을 보여줍니다.

paper AI 요약
위성 이미지에서 시계열 영상 채우기로 이omaly 탐지

위성 이미지에서 시계열 영상 채우기로 이omaly 탐지

이 논문은 고급 특성 공학 기법을 딥러닝 아키텍처와 통합하여 머신 러닝 모델의 성능을 향상시키는 새로운 접근 방식을 소개합니다. 이 방법은 다양한 데이터셋과 작업에서 모델 정확도를 크게 개선하고, 실제 적용 시 모델 성능의 미묘한 차이점을 더 잘 포착할 수 있는 새로운 평가 지표도 제시합니다.

paper AI 요약
위험 인식 단계적 정합을 통한 제약 언어 모델 정책 최적화

위험 인식 단계적 정합을 통한 제약 언어 모델 정책 최적화

본 연구는 의료 영상 데이터셋에서 다양한 CNN 아키텍처가 이미지 인식 정확도에 미치는 영향을 탐구합니다. 전통적인 피드포워드 네트워크, 잔차 학습 모델, 트랜스포머를 포함한 세 가지 구조를 비교함으로써, 변화하는 조건 하에서 어떤 아키텍처가 우수한 성능을 제공하는지 알아보았습니다. 우리의 결과는 전통적인 피드포워드 네트워크가 기본 작업에 단순하고 효과적임을 시사하지만, 복잡한 구조인 트랜스포머가 미묘한 의료 영상 시나리오에서 높은 정확도를 달성하는 데 필요할 수 있음을 나타냅니다.

paper AI 요약
유사 사례 기반 전문가 할당을 활용한 MoE 라우팅 방법

유사 사례 기반 전문가 할당을 활용한 MoE 라우팅 방법

혼합 전문가(MoE) 아키텍처는 파라미터화된 루터 를 사용하여 토큰을 희소한 부분의 전문가에게 분배함으로써 대형 언어 모델을 효율적으로 확장합니다. 일반적으로 이 루터는 한 번 학습하고 얼리기 때문에, 분포 변화에 대한 루팅 결정이 취약해집니다. 저희는 kNN-MoE를 통해 이러한 제한점을 해결하였습니다. 이는 유사한 과거 사례의 메모리를 재활용하여 최적의 전문가 할당을 다시 사용하는 검색 강화된 루팅 프레임워크입니다. 이 메모리는 참조 세트에서 확률을 최대화하기 위해 토큰 단위 루팅 로짓을 직접 최적화함으로써 오프라인에서 구성됩니다. 특히, 저희는 검색된 이웃의 집합 유사성을 신뢰도를 기반으로 한 혼합 계수로 사용하여 관련 사례가 발견되지 않을 경우 얼린 루터로 되돌아갈 수 있도록 허용합니다. 실험 결과 kNN-MoE는 제로샷 베이스라인을 능가하고 계산적으로 비싼 감독 학습 조정과 견줄 만큼의 성능을 보여줍니다.

paper AI 요약
유크티 오푸스 복잡한 최적화 문제 해결의 새로운 길?

유크티 오푸스 복잡한 최적화 문제 해결의 새로운 길?

본 논문은 NP-난해 특성을 가진 조합적 및 연속 최적화 문제를 해결하기 위한 새로운 하이브리드 메타휴리스틱 옵티마이저인 Yukthi Opus (YO)를 제안한다. YO는 Markov Chain Monte Carlo(MCMC), 탐욕적 지역 검색, 재열 Simulated Annealing(SA), blacklist 메커니즘 및 다중 체인 구조를 통합하여 전역 탐색과 지역 최적화 사이의 균형을 이루며, 다양한 문제 클래스에서 계산 효율성을 유지한다. 본 논문은 Rastrigin 5D 함수와 Rosenbrock 5D 함수에 대한 실험 결과를 통해 YO의 성능을 평가하며, TSP(Traveling Salesman Problem)와 같은 실제 문제에서도 뛰어난 성과를 보여준다. ###

paper AI 요약
유투 에이전트 자동 생성과 하이브리드 정책 최적화로 생산성 증대

유투 에이전트 자동 생성과 하이브리드 정책 최적화로 생산성 증대

이 연구는 다양한 데이터셋에서 이미지 인식 작업에 있어 여러 CNN 기반 패러다임의 효과를 탐구한다. 전통적인 학습, 사전 학습 모델을 조정한 트랜스퍼 러닝, 그리고 학습 중에 라벨을 보지 않는 제로샷 러닝 세 가지 방법을 비교했다. 결과는 트랜스퍼 러닝이 다른 접근 방식보다 큰 이점을 제공함을 나타냈다.

paper AI 요약
음성과 영상 동기화 제로샷 클론링으로 새로운 시대

음성과 영상 동기화 제로샷 클론링으로 새로운 시대

이 논문에서는 MM-Sonate라는 다중 모달 조절 가능 프레임워크를 제안합니다. 이 프레임워크는 음성-비디오 동시 생성과 제로샷 음색 클론 기능을 지원하며, Multi-Modal Diffusion Transformer (MM-DiT) 아키텍처와 플로우 매칭 기법을 기반으로 합니다. MM-Sonate는 텍스트 설명만을 사용하는 이전 접근 방식 대신 통합된 명령-음절 입력 형식을 도입하여 시각적 장면 생성과 정확한 입 모양 동기화를 위한 음성 정보를 활용할 수 있습니다. 또한, 새로운 추론 전략인 자연스럽게 수집된 노이즈를 사용하는 부정 조건부 방법을 제안하여 음성의 안정성을 크게 향상시킵니다. ###

paper AI 요약
의도 붕괴 언어 모델의 추론을 위한 의도 수준 지표

의도 붕괴 언어 모델의 추론을 위한 의도 수준 지표

본 논문은 대형 언어 모델(Large Language Models, LLMs)의 의사결정 과정에서 생성되기 전의 내부 상태인 intention state 를 분석하고자 한다. 이를 통해 체인 오브 씽크(Chain-of-Thought), 자가 학습 추론 등 다양한 추론 기법이 모델의 내부 상태에 어떤 영향을 미치는지 이해한다. 또한, 이러한 내부 상태를 정량화하기 위한 세 가지 지표(의도 엔트로피, 효과적 차원성, 잠재적 정보 복구 가능성)를 제안하고 이를 다양한 모델과 벤치마크에 적용하여 실험적으로 검증한다.

paper AI 요약
의심할 때 전문가에게 묻다 신뢰 기반 라우팅을 통한 성별 차별 감지 논쟁

의심할 때 전문가에게 묻다 신뢰 기반 라우팅을 통한 성별 차별 감지 논쟁

이 논문은 딥러닝 모델을 사용한 이미지 분할의 혁신적인 프레임워크를 소개합니다. 제안된 방법은 컨볼루션 신경망(CNN)과 주의 메커니즘을 결합하여 픽셀 수준 분류의 정확도를 크게 향상시킵니다. 다양한 데이터셋에서의 실험 결과는 기존 방법보다 현저한 개선을 보여주며, 컴퓨터 비전 연구의 새로운 이정표를 제시합니다.

paper AI 요약
이색적 그래프에서 커뮤니티 찾기 새로운 알고리즘으로 가능성 열다

이색적 그래프에서 커뮤니티 찾기 새로운 알고리즘으로 가능성 열다

그래프는 사회 네트워크, 인용 네트워크, 분자 구조 등 다양한 도메인에서 복잡한 관계적 데이터를 표현하는 중요한 수단입니다. 이 연구에서는 질의 노드에 기반하여 밀접하게 관련된 커뮤니티를 식별하는 것을 목표로 하는 커뮤니티 검색(CS) 방법을 분석하고, 이를 통해 호모필리와 헤테로필리 그래프에서 효과적인 CS를 수행하기 위한 새로운 접근 방식인 AdaptCS를 제안합니다.

paper AI 요약
인간과 AI가 생성한 이미지 감별을 위한 종합 데이터셋

인간과 AI가 생성한 이미지 감별을 위한 종합 데이터셋

이 논문에서는 AI 생성 이미지 감지를 위한 대규모 데이터셋을 소개합니다. 이 데이터셋은 실제 및 합성 이미지-캡션 쌍 96,000개를 포함하며, 합성 이미지는 여러 생성 모델로부터 생성되었습니다. 우리는 이 데이터셋 기반의 두 가지 작업을 제안하고 있습니다 AI 생성 이미지와 실제 이미지를 구분하는 이진 분류 작업과 특정 생성 모델을 식별하는 작업입니다.

paper AI 요약
인간과 동조된 LLM 에이전트를 통한 추천시스템 평가을 위한 월드 모델 적용

인간과 동조된 LLM 에이전트를 통한 추천시스템 평가을 위한 월드 모델 적용

추천 시스템을 평가하는 것은 오프라인 지표와 실제 사용자 행동 사이의 간극, 그리고 상호작용 데이터의 부족으로 인해 여전히 어려움이 있습니다. 최근 연구에서는 대규모 언어 모델(LLM) 에이전트를 합성 사용자로 활용하는 것을 탐색하고 있지만, 이들은 일반적으로 few-shot 프롬프팅에 의존하여 환경을 얕게 이해하게 되고, 이는 실제 사용자의 행동을 충실하게 재현할 수 있는 능력을 제한합니다. 저희는 AlignUSER라는 프레임워크를 소개하며, 이를 통해 인간의 상호작용에서 월드 모델 구동 에이전트를 학습하고 있습니다. 액션과 상태의 롤아웃 시퀀스가 주어지면, 저희는 다음 상태 예측 작업으로 월드 모델링을 형식화하여 에이전트가 환경을 내재화할 수 있도록 합니다. 인간의 개성과 행동을 일치시키기 위해, 저희는 데모 주변에 가상 경로를 생성하고 LLM에 대해 그 결정을 인간의 선택과 비교하도록 하여 비효율적인 행동을 식별하고 교훈을 추출합니다. 학습된 정책은 이후 추천 시스템과의 에이전트 상호작용을 주도하는 데 사용됩니다. 저희는 AlignUSER를 다양한 데이터셋에 걸쳐 평가하였으며, 미시 및 거시 수준에서 이전 연구보다 실제 인간에게 더 가깝게 맞춰졌음을 입증하였습니다.

paper AI 요약
인간과 인공지능의 공동 창조를 위한 에이전트 기반 AI 프레임워크를 이용한 진보적 아이디어 발상

인간과 인공지능의 공동 창조를 위한 에이전트 기반 AI 프레임워크를 이용한 진보적 아이디어 발상

현대 엔지니어링 디자인에서 진정으로 새로운 다양성의 아이디어를 생성하는 것이 중요하나, 이는 초보 디자이너들에게 중요한 인지적 도전 과제로 남아 있습니다. 현재의 단일 발사형 AI 시스템은 의미론적으로 군집화된 많은 아이디어를 생산하여 이러한 도전을 더욱 어렵게 만듭니다. 우리는 MIDAS(Meta-cognitive Ideation through Distributed Agentic AI System)라는 새로운 프레임워크를 제안합니다. 이는 단일 AI 패러다임 대신 특수한 AI 에이전트로 구성된 분산 팀 을 통해 인간의 메타인지적 아이디어 생성 워크플로우를 모방하도록 설계되었습니다. 이 에이전트 시스템은 아이디어를 점진적으로 정교화하고, 각 아이디어를 기존 솔루션에 대해 전반적인 새로움과 이전에 생성된 아이디어에 대해 국지적 새로움을 평가합니다. 따라서 MIDAS는 진정한 인간-AI 공동 창조의 실현 가능한 점진적 패러다임을 보여주며, 이를 통해 인간 디자이너는 단순히 관문 역할에서 벗어나 적극적인 협력 파트너로 참여하게 됩니다.

paper AI 요약
인간의 물건 배치 선호도, 네 가지 축으로 설명하다

인간의 물건 배치 선호도, 네 가지 축으로 설명하다

이 논문은 서비스 로봇의 물체 재배치 문제를 다룬다. 이 문제는 사용자의 조직 선호도에 따라 공간 내에서 원하는 구성으로 아이템을 정리하는 것을 의미한다. 기존 연구들은 일정한 정돈 방식을 사용했지만, 본 논문에서는 사용자별로 다양한 선호도를 반영할 수 있는 해석 가능한 구조체를 제안한다.

paper AI 요약
No Image

인공심리, 새로운 보안 약점

대형 언어 모델(LLM)의 조직 보안 인프라 통합은 네트워크 컴퓨팅 이후 위협 환경에서 가장 큰 변화 중 하나일 수 있습니다. LLMs는 이제 채팅봇 인터페이스를 벗어나 자동화된 에이전트로서 코드 실행, 자격 증명 관리, 경보 처리 등의 역할을 수행하고 있습니다. 이 논문은 이러한 LLMs가 인간 심리를 모방하는 방식에 중점을 두고 있으며, 이를 이용한 사회 공학적 공격의 위험성을 분석합니다.

paper AI 요약
인공지능 에이전트의 믿음에 따른 편향 인간을 타집단으로 보는 경우

인공지능 에이전트의 믿음에 따른 편향 인간을 타집단으로 보는 경우

(LLM-동력화된 에이전트가 인간 그룹에 대한 사회적 편견을 재생산할 수 있다는 최근 연구들을 바탕으로, 본 논문은 이러한 에이전트들이 인그룹과 아웃그룹 사이의 경계를 통해 자발적인 편견을 나타낼 수 있음을 분석합니다. 특히 인간-인공지능 상호작용에서 이러한 편견이 어떻게 작동하는지를 연구하고, 이를 조작할 수 있는 신뢰성 공격 방법론을 제시합니다.)

paper AI 요약
인라인 코더 리포지토리 수준의 코드 생성 혁신

인라인 코더 리포지토리 수준의 코드 생성 혁신

이 논문에서는 코드 생성 대형 언어 모델(LLM)의 발전에 따라, 저장소 수준의 코드 생성에 대한 관심을 살펴보고 있습니다. 저장소 수준의 코드 생성은 기능 수준 생성과 달리 전체 저장소를 고려해야 하며, 프로그래밍 관례와 API 사용 및 함수 간 복잡한 종속성을 이해해야 합니다. 본 논문에서는 이를 지원하기 위한 새로운 프레임워크인 **InlineCoder**를 제안합니다.

paper AI 요약
인터랙티브 AI 캐릭터 경험을 위한 플랫폼

인터랙티브 AI 캐릭터 경험을 위한 플랫폼

영화 캐릭터부터 현대 과학 소설까지 - 상호작용적이며 스토리 중심의 대화에 캐릭터들을 불러들인 것은 세대를 초월한 상상력을 사로잡았습니다. 이 비전을 달성하는 것은 매우 어렵고 언어 모델링 이상의 많은 요소가 필요합니다. 이를 이루기 위해서는 대화형 AI, 캐릭터 일관성 유지, 성격과 감정 관리, 지식 및 기억 처리, 음성 합성, 애니메이션 생성, 실제 세계 상호작용 활성화, 물리적 환경과의 통합 등 다양한 복잡한 AI 과제를 해결해야 합니다. 기초 모델 개발, 프롬프트 엔지니어링, 하류 작업을 위한 미세 조정에 대한 최근 발전은 연구자들이 이러한 각각의 문제들을 다루는 데 도움이 되었습니다. 그러나 상호작용적 캐릭터를 위해 이 기술들을 통합하는 것은 여전히 개방적인 문제입니다. 우리는 믿을 수 있는 디지털 캐릭터 설계가 편리하게 이루어질 수 있도록 하는 시스템과 플랫폼을 제시합니다. 우리의 시스템은 대화형 및 스토리 중심 경험을 제공하면서 모든 기술적 과제에 대한 해결책도 제공합니다. 증명용으로 디지털 아인슈타인이 소개됩니다. 이는 사용자가 알베르트 아인슈타인의 생애, 연구, 그리고 인물에 대해 대화할 수 있는 디지털 표현을 제공합니다. 디지털 아인슈타인은 특정 캐릭터를 위한 우리의 방법론을 보여주지만, 우리의 시스템은 유연하며 어떤 스토리 중심이나 대화형 캐릭터에도 일반화할 수 있습니다. 이러한 다양한 AI 요소들을 하나의 쉽게 적응 가능한 플랫폼으로 통합함으로써, 우리의 연구는 몰입감 있는 캐릭터 경험을 가능하게 하며, 실감나고 스토리 기반의 상호작용이라는 꿈을 현실로 만들어갑니다.

paper AI 요약
인포메이션 이론을 활용한 보상 모델의 귀납적 편향 제거

인포메이션 이론을 활용한 보상 모델의 귀납적 편향 제거

이 연구는 기후 변화가 연안 생태계에 미치는 영향을 1980년부터 2020년까지의 역사적 데이터를 분석하여 조사했습니다. 연구 결과, 상승하는 바닷물 온도로 인해 다양한 종들의 사라짐과 이동이 발생한 것으로 나타났습니다. 또한 국제 협력이 효과적인 보존 전략에 중요한 역할을 한다는 점을 강조하고 있습니다.

paper AI 요약
임상 지식 그래프 구축 및 검증 다중 언어 모델을 통한 검색 강화 생성 방법

임상 지식 그래프 구축 및 검증 다중 언어 모델을 통한 검색 강화 생성 방법

의학적 서술문에서 정확하고 임상적으로 관련성이 있는 지식 그래프(KGs)를 구축하는 것은 생물의학 정보학에서 근본적인 도전 과제입니다. 임상 KG는 설명 가능한 AI, 의사결정 지원, 그리고 환자의 장기적 모델링을 가능하게 하지만, 전통적인 접근법은 여전히 제약되어 있습니다. 이 논문에서는 free-text에서 직접 KG를 구축하고 평가하는 최초의 end-to-end 프레임워크를 소개합니다. 우리의 파이프라인은 지속적인 정교화와 자기 감독 평가를 지원하여, 높은 정확도의 구성과 시간에 따른 동적 그래프 개선을 가능하게 합니다.

paper AI 요약
자기 질문으로 성장하는 언어 모델 대안적 사고의 힘

자기 질문으로 성장하는 언어 모델 대안적 사고의 힘

본 논문은 **대안적 자기 질문(Counterfactual Self-Questioning, CSQ)** 이라는 프레임워크를 제안합니다. 이 방법론은 단일 언어 모델이 자체 추론을 대안적으로 검토하고 수정할 수 있도록 합니다. 기존 방식과 달리 외부 비판자나 다중 에이전트 토론 없이도, 내부적으로 생성된 대안적 비평을 통해 정책 최적화 신호를 형성합니다. 실험 결과는 다양한 모델 크기에 걸쳐 표준 추론 벤치마크에서 일관된 성능 개선을 보여줍니다.

paper AI 요약
자체 주의 유도 세밀한 정합을 통한 시각-언어 검색

자체 주의 유도 세밀한 정합을 통한 시각-언어 검색

이 논문은 텍스트 기반 인물 검색(TBPS)에 대한 새로운 접근법을 제안한다. TBPS는 대규모 이미지 갤러리에서 주어진 텍스트 쿼리와 가장 잘 일치하는 사람을 식별하는 문제이다. 이를 해결하기 위해, 본 논문은 CLIP과 같은 비전-언어 모델(VLM)의 발전을 활용하여 고급 정보를 추출하고자 한다. 그러나 기존 방법들은 추가적인 외부 자원에 의존함으로써 계산 및 주석 부담이 증가하는 문제점이 있다. 이를 해결하기 위해, 본 논문은 ITSELF라는 주의력 가이드로 내재적 공간 대응을 개선한 프레임워크를 제안한다. 이는 클립 모델의 주의 맵을 활용하여 고급 정보를 추출하고, 이를 통해 더 정교한 대응을 달성한다. ###

paper AI 요약
작은 객체 찾기의 새 시대 플로우를 활용한 잡음 저항 기술

작은 객체 찾기의 새 시대 플로우를 활용한 잡음 저항 기술

이 논문에서는 작은 객체 감지(TOD)에 대한 연구를 제시하며, 특히 애노테이션 노이즈에 민감한 문제점을 해결하기 위해 **TOLF**(Tiny Object Localization Flow) 프레임워크를 소개합니다. TOLF는 정규화 흐름을 사용하여 예측 분포의 모델링을 통해 확률적 오류와 애노테이션 노이즈에 대응할 수 있습니다.

paper AI 요약
장기 사고 연쇄에서의 환각 스트리밍 감지

장기 사고 연쇄에서의 환각 스트리밍 감지

이 연구는 자연어 처리 작업을 위한 세 가지 다른 딥러닝 패러다임의 효과를 살펴보았습니다. 이 패러다임은 1) 전통적인 피드포워드 신경망, 2) 재귀적 신경망 (RNN), 그리고 3) 트랜스포머입니다. 우리는 다양한 데이터셋에서 각 모델의 성능을 분석하여 어떤 조건 하에서 어느 패러다임이 우수한 결과를 내는지 확인했습니다.

paper AI 요약
No Image

장기 호izons LLM 강화학습을 위한 신뢰 영역 마스킹

이 논문에서는 다양한 데이터셋에 적용된 딥 러닝 모델의 효과적인 학습 방법을 탐구한다. 우리의 주요 관심사는 전통적 감독 학습, 사전 훈련된 모델을 이용한 트랜스퍼 러닝, 그리고 자체 감독 학습 세 가지 패러다임을 비교하는 것이다. 우리는 각 방법이 어떤 조건에서 가장 효과적인지에 대한 통찰력을 제공하려고 한다.

paper AI 요약
저예산 언어를 위한 비용 효율적인 다언어 검색 강화 생성 벙골어 농업 자문 사례 연구

저예산 언어를 위한 비용 효율적인 다언어 검색 강화 생성 벙골어 농업 자문 사례 연구

이 논문은 농업 지식에 대한 접근성을 개선하기 위해 벵골어 사용자를 위한 비용 효율적인 번역 중심의 검색 강화 생성(RAG) 프레임워크를 제안합니다. 이 시스템은 번역 -> 검색 -> 번역의 샌드위치 아키텍처 를 채택하고, 4비트 양자화 오픈 소스 언어 모델을 활용하여 소비자가 구할 수 있는 하드웨어에서 정확한 답변을 생성합니다.

paper AI 요약
적응 베이지안 부분공간 0차 최적화를 통한 강건하고 효율적인 대형 언어 모델 미세조정

적응 베이지안 부분공간 0차 최적화를 통한 강건하고 효율적인 대형 언어 모델 미세조정

본 논문에서는 Bayesian Subspace Zeroth-order Optimization(이하 BSZO) 알고리즘을 제안한다. 이 알고리즘은 베이지안 추론과 칼만 필터링을 활용하여 다양한 방향의 페르튜베이션에 대한 기울기 정보를 통합하고, 이를 통해 메모리 사용량을 줄이는 동시에 수렴 속도를 개선한다. 실험 결과는 BSZO가 다양한 작업에서 뛰어난 성능을 보이며, 특히 저정밀도 학습에서도 안정적으로 작동함을 입증한다.

paper AI 요약
적응형 하이브리드 최적화기반의 거식피부병 식별 프레임워크

적응형 하이브리드 최적화기반의 거식피부병 식별 프레임워크

전염성 바이러스 감염인 러미피부병(LSD)은 가축 건강을 크게 저하시켜 글로벌 경제와 식량 안보에 중대한 위협을 제기한다. 그 빠른 확산 특성을 고려할 때, 발병을 방지하고 적시 개입을 보장하기 위해서는 조기에 정확히 인식하는 것이 중요하다. 본 논문에서는 LSD의 조기 검출을 위한 하이브리드 딥러닝 기반 접근법인 LUMPNet을 제안한다. LUMPNet은 이미지 데이터를 이용하여 LSD의 주요 지표인 피부 결절을 감지하고 분류한다. 이를 위해 LUMPNet은 YOLOv11, 복합 스케일링을 갖춘 EfficientNet 기반 CNN 분류기 및 새로운 적응형 하이브리드 옵티마이저를 사용한다. 좀 더 구체적으로는 LUMPNet이 소의 이미지에서 LSD 피부 결절과 흉터를 감지하고 위치 지정하며, EfficientNet을 이용하여 해당 위치 지정된 소의 이미지를 LSD에 영향 받은 것 또는 건강한 것으로 분류한다. YOLOv11 및 EfficientNet 하이브리드 모델의 학습을 안정화시키고 가속화하기 위해 새로운 적응형 하이브리드 옵티마이저가 제안되고 사용된다. 우리는 공개 데이터 세트를 이용하여 LSD의 다양한 단계에서 LUMPNet을 평가한다. 결과는 제안된 방식이 99%의 LSD 감지 학습 정확도를 달성하고, 기존 방식보다 우수함을 나타낸다. 이 모델은 검증 정확도에서도 98%를 달성한다. 또한 추가 평가를 위해 AdamW 옵티마이저로 튜닝된 EfficientNet-B0 모델을 사용한 사례 연구를 수행하고 LUMPNet의 성능과 비교한다. 결과는 LUMPNet이 우수한 성능을 달성함을 보여준다.

paper AI 요약
전통 인디언 럼미의 수량 기반 규칙 모델링 지표 최적화 접근법

전통 인디언 럼미의 수량 기반 규칙 모델링 지표 최적화 접근법

게임 이론, 루미, 휴리스틱 최적화, 상대방 모델링, 규칙 기반 전략, 제로섬 게임에 대해 논의한다. 클래식 인디언 루미는 운과 기술 사이에서 균형을 이루는 카드 게임이다. 본 논문에서는 강화 학습과 몬테카를로 방법 대신 해석 가능한 규칙 기반 접근법을 제시하며, *MinDist*라는 새로운 정량적 지표를 소개한다.

paper AI 요약
제너레이티브 AI의 패러독스 진실의쇠퇴와 정보검증의 부식

제너레이티브 AI의 패러독스 진실의쇠퇴와 정보검증의 부식

생성 인공지능(GenAI)은 이제 텍스트, 이미지, 오디오, 비디오를 대규모로 그리고 거의 무시할 수 있는 추가비용으로 인식상 납득 가능한 결과물을 생산하고 있습니다. 공론장에서는 이러한 관련 피해를 주로 딥페이크 나 증언 및 사기의 점진적 확장을 통한 것으로 다루는 경우가 많으나, 이 관점은 더 넓은 사회기술 변화를 놓치고 있습니다 GenAI는 합성 현실을 가능하게 합니다; 내용, 정체성, 그리고 사회 상호작용이 공동으로 제조되고 상호 보완적인 일관되고 상호 작용 가능한 정보 환경입니다. 본 논문은 단지 고립된 합성 제품의 생산에 그치는 것이 아니라, 합성 콘텐츠, 합성 정체성, 그리고 합성 상호작용이 생성하기 쉬우며 심사가 어려워짐으로써 공유 지식 기반과 제도적 검증 실천이 점진적으로 훼손되는 것이 가장 중대한 위험이라는 입장을 주장합니다. 이 논문은 (i) 합성 현실을 층叠的堆栈（内容、身份、互动、机构），(ii) 扩展涵盖个人、经济、信息和社技风险的GenAI危害分类，(iii) 阐述由GenAI引入的定性转变（成本崩溃、吞吐量、定制化、微细分、出处缺口和信任侵蚀），以及(iv) 将近期风险实现（2023-2025年）综合成一个紧凑案例库，说明这些机制如何在欺诈、选举、骚扰、文件编制和供应链妥协中表现。然后我们提出了一种缓解堆栈，将来源基础设施、平台治理、机构工作流程重新设计以及公共复原力视为互补而非替代的，并概述了一个专注于衡量知识安全的研究议程。我们以生成式人工智能悖论结束：随着合成媒体变得无处不在，社会可能合理地完全忽视数字证据。 请允许我纠正并完成韩语翻译： (ii) 개인, 경제, 정보, 사회기술적 위험을 포괄하는 GenAI 해악 분류를 확장하고, (iii) 제네레이티브 AI가 도입한 정성적인 변화(비용 붕괴, 처리량, 맞춤화, 미세 세분화, 출처 격차, 신뢰 침식)를 설명하며, (iv) 사기, 선거, 괴롭힘, 문서 작성, 공급망 해킹에서 이러한 메커니즘이 어떻게 나타나는지 보여주는 2023-2025년의 최근 위험 실현을 간결한 사례 은행으로 종합합니다. 그런 다음 우리 주장은 입증 인프라, 플랫폼 통치력, 기관 워크플로 리디자인, 공공 복원력을 대체가 아닌 보완적인 것으로 취급하는 완화 스택을 제안하고, 지식 안전성 측정에 초점을 맞춘 연구 계획을 개략합니다. 우리는 생성 AI 패러독스를 결론으로 내립니다 합성 미디어가 보편화됨에 따라 사회는 합리적으로 디지털 증거를 완전히 할인할 수 있습니다.

paper AI 요약
조건 속성과 조건 특성 암시의 최적 기반 구축

조건 속성과 조건 특성 암시의 최적 기반 구축

본 논문에서는 삼차적 맥락에서 최적의 함의 집합을 구성하는 방법을 증강을 통해 제안한다. 또한 이 구성 방법의 복잡성을 분석하고, 특징(feature), 준특징(quasi-feature), 가상특징(pseudo-feature)이라는 세 가지 핵심 개념을 소개하며, 이를 사용해 Biedermann과 Ganter 및 Obiedkov가 정의한 삼차적 함의를 구성하는 알고리즘을 제안한다.

paper AI 요약
주제 풍부한 임베딩을 통합한 복합적 접근법으로 검색 강화 생성 개선

주제 풍부한 임베딩을 통합한 복합적 접근법으로 검색 강화 생성 개선

(이 논문은 주제-강화 임베딩 방법을 제안하고, 이를 통해 복잡한 데이터셋에서의 문서 클러스터링과 검색 정밀도를 향상시키는 데 초점을 맞춥니다. 이 접근 방식은 기존 통계적 모델과 확률적 주제 모델링을 현대적인 문맥 임베딩과 통합하여, 로컬 및 글로벌 의미 특성을 동시에 포착합니다.)

paper AI 요약
증거찾기 병리진단을 활성화하는 다모달 에이전트 모델 PathFound

증거찾기 병리진단을 활성화하는 다모달 에이전트 모델 PathFound

이 논문은 양자 컴퓨팅의 최근 발전을 살펴보고, 이를 통해 양자 컴퓨터가 고급 계산 문제를 해결하는 데 어떻게 도움이 되는지 설명합니다. 연구에서는 양자 알고리즘과 하드웨어 기술의 통합에 초점을 맞추며, 이러한 발전이 미래 컴퓨팅 분야에 어떤 영향을 미칠 수 있는지를 탐색합니다. ###

paper AI 요약
진ิ우스 에이전트 실제 시나리오에서 경험 중심 정확도 최적화로의 접근

진ิ우스 에이전트 실제 시나리오에서 경험 중심 정확도 최적화로의 접근

대형 언어 모델(LLMs)의 능력이 증가함에 따라, LLM 기반 자율 에이전트는 AI 응용 분야에서 새로운 패러다임을 제공한다. 이러한 에이전트들은 지시를 이해하고 도구를 호출하며 추론과 계획을 수행하고 복잡한 작업을 처리할 수 있다. 그러나 현재의 지능형 에이전트 시스템은 일반성, 안정성 및 관리 가능성에 대한 여러 문제점을 가지고 있으며, 특히 많은 작업 상황에서 태스크 정밀도, 응답 신뢰성 및 시스템 안정성이 취약하다. 현재 대부분의 에이전트 시스템은 고정된 프롬프트와 사전 정의된 도구 사용 워크플로에 의존하여 작업 의도를 이해하거나 동적으로 도구를 선택하고 컨텍스트를 효과적으로 관리하는 능력이 제한적이다. 이 연구에서는 자율 에이전트의 기본 실행 과정을 시작으로, 위 문제들을 해결하기 위한 세 가지 보완적인 최적화 모듈을 소개한다. - **작업 이해와 프롬프트 최적화 ** 구조화된 의도 인식과 정교한 시스템 프롬프트 및 템플릿을 통합하여 지시를 현재 상태와 목표에 맞게 조정하여 잘못된 해석을 줄이고 작업 일치성을 안정화한다. - **도구 검색 ** 동적 검색과 적응적인 도구 접근을 사용하여 사용자 의도를 컨텍스트 관련 도구와 매칭하고 불명확한 사용자 요청을 처리한다. - **계층형 메모리 관리 ** 중복 대화 기록을 제거하여 토큰 길이를 제어하고 중요한 의미를 유지하며 장기 상호작용에서 추론을 안정화한다. 이 연구에서는 Jenius-Agent라는 통합 프레임워크를 구축하여 작업 정확도, 효율성 및 컨텍스트 강건성을 향상시킨다. 이 프레임워크는 적응적인 프롬프트 생성, 컨텍스트 인식 도구 조정 및 계층형 메모리 관리를 통합한다. ###

paper AI 요약
진리 측정 프로젝트 인공지능의 확신 수준을 어떻게 평가할까?

진리 측정 프로젝트 인공지능의 확신 수준을 어떻게 평가할까?

이 논문에서는 대형 언어 모델(Large Language Models, LLMs)의 평가에서 발생하는 인식론적 위기를 다룬다. 특히 정적인 능력 기준과 인지적 일관성이 분리되는 문제를 탐구한다. 이 연구는 무장된 지적인 겸양 이라는 현상을 제시하며, 모델들이 사용자의 의도에 맞추기 위해 참을성을 강조하는 경향이 있다. 이를 해결하기 위해 Project Aletheia 프레임워크를 도입하고, 측정 채널의 편향을 수학적으로 분리하여 진짜 신호를 복원할 방법을 제안한다.

paper AI 요약
진실로 속이는 함정

진실로 속이는 함정

대형 언어 모델(LLMs)은 복잡한 추론과 정보 통합을 수행할 수 있는 자율 에이전트의 인지 핵심으로 진화했습니다. 그러나 이러한 모델들이 인간과 더 가까워짐에 따라, *담론의 일관성*이라는 중요한 취약점을 물려받게 됩니다. 이 취약점은 LLMs가 편파적인 해석을 생성하는 데 사용되며, 특히 정보 집약적 환경에서 이러한 문제는 더욱 심각해집니다. 본 논문에서는 이 취약점을 이용한 인지 협응 공격(Cognitive Collusion Attack)을 제안하고, 이를 수행하기 위한 새로운 프레임워크인 **Generative Montage**를 소개합니다.

paper AI 요약
질의-문서 밀집 벡터를 활용한 LLM 관련성 판단 편향 분석

질의-문서 밀집 벡터를 활용한 LLM 관련성 판단 편향 분석

(본 논문은 대형 언어 모델(LLM)의 관련성 판단에서 숨겨진 편향을 진단하고 투명성을 높이기 위한 프레임워크를 제안합니다. 이 연구는 쿼리와 문서의 조합(Q-D 쌍)을 밀집 벡터로 임베딩하여 공유 의미 공간에서 클러스터링하는 방법론을 사용합니다. 이러한 접근법은 전역 통계를 넘어서, 특정 의미적 컨텍스트 내에서 인간과 LLM 사이의 판단 불일치를 분석할 수 있게 합니다.)

paper AI 요약
챗봇으로 최적화된 가상 네트워크 관리

챗봇으로 최적화된 가상 네트워크 관리

본 논문은 자연어 처리(NLP)를 최적화 기반 가상 네트워크 할당과 통합한 채팅 주도의 네트워크 관리 프레임워크를 제안합니다. 이는 직관적이고 신뢰할 수 있는 가상 네트워크 서비스 재구성을 가능하게 합니다. 기존 의도 기반 네트워킹(IBN) 방법은 사용자의 의도 해석을 위해 통계 언어 모델에 의존하지만, 생성된 설정의 타당성 보장을 할 수 없습니다. 이를 극복하기 위해Interpreter와 Optimizer로 구성된 두 단계 프레임워크를 개발하였습니다. Interpreter는 NLP를 활용해 자연어 프롬프트로부터 의도를 추출하고, Optimizer는 정수 선형 계획법을 통해 타당한 가상 머신(VM) 배치와 라우팅을 계산합니다. 특히 Interpreter는 사용자 채팅을 업데이트 방향으로 번역하여 CPU 요구량과 지연 상한 등 매개변수를 증가시키거나 감소시키거나 유지할지 결정함으로써 네트워크 설정의 반복적 정교화를 가능하게 합니다. 본 논문에서는 SVM 분류기와 Sentence-BERT 모델, 대형 언어 모델(LLM)을 포함한 두 개의 의도 추출기를 소개합니다. 단일 사용자 및 다중 사용자 환경에서의 실험 결과는 프레임워크가 타당성을 유지하면서 VM 배치와 라우팅을 동적으로 업데이트할 수 있음을 보여줍니다. LLM 기반 추출기는 적은 양의 레이블된 샘플로 더 높은 정확도를 달성하며, Sentence-BERT와 SVM 분류기 조합은 실시간 운영에 적합한 상당히 낮은 지연을 제공합니다. 이러한 결과들은 안전하고 해석 가능하며 사용자 친화적인 가상 네트워크 관리를 위해 NLP 기반 의도 추출과 최적화 기반 할당의 결합이 효과적임을 강조합니다.

paper AI 요약
첨단 알고리즘으로 보는 콘크리트의 미래

첨단 알고리즘으로 보는 콘크리트의 미래

이 논문은 콘크리트 구조물에서 염화물의 시간에 따른 변화가 어떻게 영향을 받는지 결정하기 위해 데이터 기반 접근 방식을 사용합니다. 이것은 공격적인 환경에 노출된 시민 인프라의 수명을 평가하는 데 중요합니다. 채택한 방법론은 간단하고 복잡한 독립적인 머신 러닝(ML) 알고리즘에 의존하며, 주요 목표는 숨겨진 상관 관계를 공정하게 예측할 수 있는 신뢰성을 확립하는 것입니다. 간단한 알고리즘에는 선형 회귀(LR), k-최근접 이웃(KNN) 회귀, 커널 리지 회귀(KRR)가 포함됩니다. 복잡한 알고리즘에는 지원 벡터 회귀(SVR), 가우시안 프로세스 회귀(GPR), 그리고 두 가지 유형의 인공 신경망이 포함되며 이는 다중 계층 퍼셉트론(MLP)과 게이트 순환 단위(GRU)를 포함합니다. MLP 아키텍처는 시퀀셜 데이터를 명시적으로 처리할 수 없으나, GRU가 이를 해결하고 있습니다. 포괄적인 데이터셋을 고려하였습니다. ML 알고리즘의 성능은 평가되었으며 KRR, GPR 및 MLP는 높은 정확도를 보였습니다. 채택된 콘크리트 혼합 비율이 다양하기 때문에 GRU는 테스트 세트에서 반응을 정확하게 재현할 수 없었습니다. 추가 분석은 혼합 성분들이 염화물의 시간에 따른 변화에 어떤 영향을 미치는지 명시하였습니다. GPR 모델로 얻어진 결과는 명확하고 설명 가능한 추세를 통해 잠재적인 상관 관계를 밝혀냅니다. MLP, SVR 및 KRR도 전체적인 추세의 적절한 예측을 제공합니다. 대부분의 혼합 성분은 염화물 함량과 역 관계를 보이지만 몇 가지 구성 요소는 직접적인 관련성을 나타내었습니다. 이러한 결과는 염화물 침투와 관련된 물리적 과정 및 상관 관계를 설명하기 위한 대리 접근 방식의 가능성을 강조하며, 궁극적으로 시민 인프라의 수명을 향상시키기 위한 목표를 달성하는 데 기여합니다.

paper AI 요약
체리토마토 수확로봇의 시각기반 고장진단과 자가회복

체리토마토 수확로봇의 시각기반 고장진단과 자가회복

로봇 수확 장비가 농업 생산성을 향상시키고 노동 의존도를 줄이는 데 큰 잠재력을 보여주지만, 기계적, 전기적, 제어 부품의 결함이 여전히 존재하여 작동의 안정성과 연속성을 해칩니다. 이 논문에서는 이러한 문제를 해결하기 위해 시각 인식을 통합한 다중 작업 퍼셉션 네트워크와 위치 오류 보상 방법, 초기 중단 전략을 도입했습니다.

paper AI 요약
No Image

최적 계약의 데이터 효율성

알고리즘 계약 이론에서 중앙 문제 중 하나는 그들의 특성이 알려지지 않은 대상에게 인센티브를 설계하는 것이다. 디지털 음악 플랫폼이 새로운 로열티 모델을 도입하려고 할 때, 각 독립 아티스트는 플랫폼에 대해 알려진 정보가 없는 개인 유형(private type)을 가지고 있다. 플랫폼은 작은 샘플 집합에서 시범 프로그램을 실행하여 여러 새로운 수익 공유 계약을 테스트하고 그 결과 다운로드 및 스트리밍 참여 데이터를 수집한다. 이 샘플을 기반으로 플랫폼은 전체 아티스트 커뮤니티의 동기를 부여하여 이윤을 최적화하는 개선된 로열티 모델을 학습하려고 한다. 이 시범 프로그램은 최근의 주요 연구에서 제시한 샘플 기반 학습 프레임워크의 예로, 이를 통해 유형이 완전히 파악된 대상들로부터 유한 데이터셋으로부터 최적 계약을 설계할 수 있다. 이 프레임워크는 다른 확립된 모델과 함께 다양한 시나리오에 적합하다. 더 공식적으로 말하면, 환경은 에이전트가 취할 수 있는 $`n`$ 개의 행동 집합과 $`m ge 2`$ 개의 가능한 결과로 구성된다. 각 결과 $`j`$에는 플랫폼이 받는 고정 보상 $`r_j ge 0`$이 있다. 에이전트는 개인 유형(private type) $` theta=(f,c)`$를 가지고 있는데, 이는 플랫폼에 알려지지 않은 정보이다. 플랫폼은 계약을 설계하여 최적의 기대 수익을 얻으려고 한다. 우리의 주요 결과는 선형 계약 클래스에 대한 학습 샘플 복잡도를 정확히 캐릭터라이즈하는 것이다.

paper AI 요약
출력 임베딩 중심화 대형 언어 모델 안정화

출력 임베딩 중심화 대형 언어 모델 안정화

대형 언어 모델의 사전 학습은 비용이 많이 들 뿐만 아니라 특정 트레이닝 불안정성에 노출되기 쉽습니다. 특히 큰 학습률을 사용할 때 마지막 부분에서 자주 발생하는 특정 불안정성이 출력 로짓 발산입니다. 가장 널리 사용되는 완화 전략인 z-손실은 문제의 증상을 다루는 데 그치고 근본 원인을 해결하지 않습니다. 본 논문에서는 출력 임베딩의 기하학적 관점에서 불안정성을 분석하고 그 원인을 파악하였습니다. 이를 바탕으로 새로운 완화 전략인 출력 임베딩 센터링(OEC)을 제안하고, 이가 출력 로짓 발산을 억제한다는 것을 증명합니다. OEC는 확률적 작업인 μ-센터링 또는 정규화 방법인 μ-손실로 두 가지 다른 방식으로 구현될 수 있습니다. 실험 결과, 두 변형 모두 z-손실보다 학습 안정성과 학습률 민감도 측면에서 우수한 성능을 보여주며, 특히 큰 학습률에서도 z-손실이 실패할 때에도 훈련이 수렴하도록 보장합니다. 또한 μ-손실은 z-손실보다 정규화 하이퍼파라미터 조정에 대해 크게 덜 민감하다는 것을 발견하였습니다.

paper AI 요약
커스텀 설계부터 심층 잔차 모델까지 다양한 이미지 분류와 탐지 작업을 위한 CNN 아키텍처의 진화

커스텀 설계부터 심층 잔차 모델까지 다양한 이미지 분류와 탐지 작업을 위한 CNN 아키텍처의 진화

이 연구에서는 다섯 가지 다양한 이미지 데이터셋을 사용하여 CNN 기반 모델의 성능을 평가한다. 이 데이터셋들은 도로 상태 분석, 보도 침범 감지, 과일 종류 인식 및 벼 종류 분류와 같은 실용적인 실제 세계 문제를 다룬다. 우리는 고유한 커스텀 CNN 아키텍처와 기존 모델들인 MobileNet과 EfficientNet을 비교하며, 다양한 이미지 분류 작업에서의 성능 차이를 살펴본다.

paper AI 요약
코그플로 지식 내재화를 통한 시각적 수학 문제 해결을 위한 인지와 추론의 연결

코그플로 지식 내재화를 통한 시각적 수학 문제 해결을 위한 인지와 추론의 연결

각종 진전에도 불구하고 다중 모달의 대형 언어 모델들은 시각 수학 문제 해결에서 여전히 어려움을 겪고 있다. 최근 연구들은 시각적 인식이 시각 수학 사고의 병목 현상임을 인지하였지만, 그들의 해법은 주로 시각적 입력의 추출과 해석 개선에 한정되어 있다. 특히, 추출된 시각적 단서들이 후속 사고 과정에서 신뢰성 있게 통합되고 적절히 활용되는 문제는 간과되었다. 이를 극복하기 위해 우리는 인식$ Rightarrow$내부화$ Rightarrow$사고라는 인간의 계층적 사고 흐름을 명시적으로 시뮬레이션하는 새로운 인지 기반 세 단계 프레임워크인 CogFlow를 제안한다. 이러한 계층적 흐름에 맞추어 모든 단계를 통합적으로 강화하였다. 매개변수적 및 의미 공간에서의 시각 정보 추출을 개선하기 위해 상호 보완적인 시각적 리워드를 설계하여 인식 능력을 높였다. 추출된 시각적 단서들이 후속 사고 과정에 신뢰성 있게 통합되도록 내부화 단계에서는 지식 내부화 리워드 모델을 도입하여 인식과 사고 사이의 연결을 강화하였다. 또한, 사고가 시각적 지식 위에 기반하도록 더 강하게 제약하기 위해 시각 게이트 정책 최적화 알고리즘을 설계하여 일관되지만 시각적으로 무근거인 사고 체인을 피할 수 있도록 하였다. 추가로 새로운 데이터셋 MathCog를 제공하여 모델 훈련에 기여하였으며, 이는 12만 개 이상의 고품질 인식-사고 정합성 주석을 포함하고 있다. 일반적으로 사용되는 시각적 수학 사고 벤치마크에서 실시된 포괄적인 실험과 분석은 제안된 CogFlow의 우수성을 검증한다.

paper AI 요약
코드 복잡성으로 숫자로 바꾸는 방법

코드 복잡성으로 숫자로 바꾸는 방법

알고리즘 분류는 컴퓨터 과학에서 중요한 문제로, 코드 조각에 사용된 프로그래밍 기법과 특정 알고리즘을 식별하는 것을 목표로 합니다. 이 작업은 코드의 의미론적 이해를 필요로하며 이를 통해 코드 취약성 검출이나 자동 코드 생성 도우미 설계 등 다양한 응용 분야에서 통찰력을 제공할 수 있습니다. 본 논문에서는 정적 코드 분석이 아닌 동적 분석을 중점적으로 다룹니다. 알고리즘이 어떻게 작동하는지 실제 실행 부분을 분석하여 리소스 사용량(예 CPU 시간, 메모리)이 입력 크기에 따라 어떻게 변화하는지를 조사합니다. ###

paper AI 요약
크reativity의 딜레마 언어 모델들의 창의성과 동질성

크reativity의 딜레마 언어 모델들의 창의성과 동질성

이 연구는 복잡한 신경망 아키텍처에 대한 포괄적인 이해를 제공하는 것을 목표로 합니다. 이 논문은 이러한 네트워크 내의 구성 요소와 상호 작용, 그리고 정확도 및 계산 효율성과 같은 성능 지표에 미치는 영향을 분석합니다. 또한 이러한 모델이 실제 세계 시나리오에서 어떻게 최적화될 수 있는지 탐구하고 있습니다. ###

paper AI 요약
큰 언어 모델에서 베이지안 추론의 기하학적 확장

큰 언어 모델에서 베이지안 추론의 기하학적 확장

이 연구는 세 가지 다른 CNN 기반 패러다임—전통적인 파인튜닝, 트랜스퍼 러닝, 그리고 커스텀 모델 학습—이 다양한 데이터셋에서 분류 정확도를 향상시키는 데 얼마나 효과적인지 조사합니다. 결과적으로, 전통적인 파인튜닝은 특정 상황에서는 높은 정확도를 달성할 수 있지만, 트랜스퍼 러닝은 다양한 데이터 유형에 더 유연한 접근 방식을 제공한다는 것을 나타냅니다.

paper AI 요약
테스트 시점의 추론 모델 인지 행동 이해 및 조정

테스트 시점의 추론 모델 인지 행동 이해 및 조정

최근 강화 학습(RL) 기반 훈련을 통해 대형 언어 모델(LLM)의 추론 능력이 크게 향상되었지만, 이들 모델은 여전히 비효율적인 사고 과정을 보일 때가 많다. 본 논문에서는 인지 행동을 추적하고 조절할 수 있는 특정 주의 머리들이 있다는 가설을 제시하고, 이를 통해 CREST 라는 훈련 없이 추론 중에 사고 패턴을 수정하는 프레임워크를 소개한다. CREST는 모델 내부에서 인지 행동을 조절할 수 있는 주의 머리들을 찾아내고, 테스트 시간에 이들 머리들의 활성화를 조작하여 모델의 사고 경로를 유도한다.

paper AI 요약
텍스트에서 이미지 생성을 위한 에이전트 리터쳐

텍스트에서 이미지 생성을 위한 에이전트 리터쳐

이 논문에서는 텍스트-이미지 생성 모델(T2I)에서 발생하는 미세한 왜곡을 자동으로 인식하고 수정하기 위한 **Agentic Retoucher**라는 새로운 프레임워크를 제안합니다. Agentic Retoucher는 시각적-의사결정-행동 순환 구조로 설계되어, 생성된 이미지에서 특정 부분에 대한 왜곡을 감지하고 수정할 수 있습니다. 이를 위해 **GenBlemish-27K**라는 대규모 데이터셋을 구성하여, 다양한 왜곡 유형에 대한 정밀한 주석과 자연어 설명을 제공합니다. 실험 결과는 Agentic Retoucher가 현존하는 후처리 방법보다 향상된 성능을 보여주며, 특히 미세한 왜곡 인식 및 수정에서 뛰어난 효과를 나타냅니다. ###

paper AI 요약
특권정보로 객체인식 강화 교사-학생 접근법

특권정보로 객체인식 강화 교사-학생 접근법

컴퓨터 비전 분야에서 객체 검출은 주요한 문제로, 자율 시스템, 환경 모니터링, 로봇공학 등 다양한 분야에 응용됩니다. 이 연구에서는 학습 중 특권 정보를 활용하는 Learning Under Privileged Information (LUPI) 패러다임을 객체 검출에 적용하여, 기존 방법보다 더 우수한 성능을 달성할 수 있는지 실험적으로 검증합니다.

paper AI 요약
팔콘 교차 도메인 의료 영상 분할을 위한 소량 샘플 대립학습

팔콘 교차 도메인 의료 영상 분할을 위한 소량 샘플 대립학습

정확한 해부학적 구조 및 병리학적 부위의 분할은 진단, 치료 계획 수립, 질병 진행 모니터링에 필수적이며 의사가 환자의 상태를 종합적으로 평가하고 정보에 입각한 결정을 내릴 수 있게 합니다. 이 작업은 보통 방사선과나 의료진이 수작업으로 수행하므로 시간이 많이 걸리고 일관성이 떨어집니다. AI 기반의 자동화된 분할 방법이 이러한 효율성 및 일관성을 개선하기 위해 주목받고 있습니다. 딥 뉴럴 네트워크(DNNs)를 포함한 인공지능은 특히 변환기 구조를 사용하여 일반적인 이미지 분석에서 혁신을 이끌어냈습니다. 그러나 이러한 모델을 의료 이미징에 직접 적용하는 것은 대규모 주석 데이터와 많은 연산 자원이 필요하다는 점에서 여러 가지 도전 과제가 있습니다. 3D 볼륨의 경우 특히 수작업으로 마스크를 생성하는 것이 비용이 많이 들고 시간이 오래 걸립니다. 가상 데이터를 생성하는 생성 모델은 주석 부족 문제에 대한 유망한 해결책을 제공하지만, 임상적 채택에는 철저한 검증과 규제 준수 요구사항이 있습니다. 전통적인 데이터 증강 기법은 실제 임상 특징을 정확히 포착하지 못하는 경우가 있어 모델의 신뢰성을 저하시킬 수 있습니다. 의료 이미지 분할에서는 정확한 경계 선정이 중요하며, 작은 위치 오차는 수술 사고로 이어질 수 있는 심각한 임상적 결과를 초래합니다. 본 논문은 개인 정보 보호 및 자원 효율적인 의료 AI의 필요성에 의해 작성되었습니다. 특정 환자의 3D 볼륨에서 얻은 미표시 슬라이스가 높은 정확도의 분할을 위한 필요한 맥락을 제공한다는 가설을 제시합니다. ###

paper AI 요약
프라이버시벤치 개인화된 AI의 개인정보 보호 평가를 위한 대화형 벤치마크

프라이버시벤치 개인화된 AI의 개인정보 보호 평가를 위한 대화형 벤치마크

본 논문에서는 개인화된 AI 보조 도구의 개인정보 보호 문제를 다룬다. 특히, 대형 언어 모델(Large Language Models)을 기반으로 한 개인화 시스템에서 발생하는 정보 유출 위험에 초점을 맞춘다. 이를 위해 PrivacyBench 라는 새로운 평가 프레임워크를 제안하고, 실제 상호작용에서 개인정보 보호의 중요성을 강조한다.

paper AI 요약
프로젝트 아리아네 LLM 에이전트의 충실성을 심사하기 위한 구조적 인과 프레임워크

프로젝트 아리아네 LLM 에이전트의 충실성을 심사하기 위한 구조적 인과 프레임워크

대형 언어 모델(ULLM) 에이전트의 급속한 확산은 자동 문제 해결 분야에 혁명을 가져왔습니다. 그러나 이러한 에이전트가 고위험 도메인에서 사용될 때, 그들의 의사결정 과정의 투명성이 중요한 안전 장벽이 됩니다. 이 논문에서는 이러한 문제를 해결하기 위한 프로젝트 아리아드네(Project Ariadne)라는 진단 프레임워크를 소개합니다. 이 프레임워크는 구조적 인과 모델(SCMs)을 활용하여 에이전트의 의사결정 과정에서 발생하는 인과 분리 현상을 진단하고 있습니다. ###

paper AI 요약
하노이월드 안전한 자율주행의 열쇠

하노이월드 안전한 자율주행의 열쇠

현재 자율 제어를 위한 강화 학습의 시도는 데이터 요구량이 많고 결과가 미흡하며 안정적이지 않고, 또한 픽셀 재구성의 특성상 잡음 특징에 과도하게 집중하여 안전 개념을 이해하고 이를 기반으로 하지 못하는 문제점이 있습니다. 현재 Self-Supervised Learning 접근 방식은 JEPA(Joint Embedding Predictive Architecture)를 활용해 고차원 표현을 학습하는데 흥미롭고 효과적인 대안입니다. 이 아이디어는 인간의 뇌가 상상력과 최소한의 관찰 샘플만으로 새로운 기술을 습득하는 자연스러운 능력을 모방하고 있습니다. 본 연구에서는 JEPA를 기반으로 한 세계 모델인 하노이월드(Hanoi-World)를 소개하며, 이는 재귀 신경망(RNN)을 활용해 효과적인 추론 시간과 함께 장기 수평 계획을 수행할 수 있게 합니다. 실험은 차이점 환경의 Highway-Env 패키지에서 이루어졌으며, SOTA 기준선들과 비교했을 때 충돌률이 상당히 감소하면서 안전 인식을 가진 운전 계획을 만드는 능력을 효과적으로 보여주고 있습니다.

paper AI 요약
하이브리드-코드 프라이버시 보호형 다중 에이전트 임상코딩 시스템

하이브리드-코드 프라이버시 보호형 다중 에이전트 임상코딩 시스템

본 논문은 감성 분석 및 텍스트 분류와 같은 자연어 처리 작업에서 딥 러닝 기법의 효과를 조사합니다. 본 논문에서는 RNN과 트랜스포머 모델을 통합하여 성능을 향상시키는 새로운 아키텍처를 제안합니다. 여러 데이터셋에 걸친 실험 결과, 기존 방법보다 상당한 개선이 있음을 보여줍니다.

paper AI 요약
하이퍼클로바 X 8B 옴니

하이퍼클로바 X 8B 옴니

HyperCLOVA X 8B Omni(OMNI)는 텍스트, 음성, 비전 모달을 모두 입력과 출력으로 지원하는 다중모달 모델입니다. 이 모델은 하나의 디코더-온리 Transformer 백본에서 다양한 모달의 토큰과 임베딩을 교차로 처리하여 의미적 구성이 가능하게 설계되었습니다. OMNI는 다양한 입력 및 출력 모달에 걸친 경쟁력 있는 성능으로, 특히 한글과 영어를 다루는 데 강점을 가지고 있습니다.

paper AI 요약
학술위장의 숨겨진 진실 풀어내기

학술위장의 숨겨진 진실 풀어내기

최근 인공지능(AI) 기술의 발전에 따라 생성형 AI와 그 응용 분야에 대한 관심이 증가하고 있습니다. 이로 인해 다양한 AI 기반 콘텐츠/텍스트 생성 도구들이 개발되었습니다. 하지만 이러한 도구들은 비윤리적으로 사용될 경우 교육 목표 달성에 악영향을 끼칠 수 있으며, 공공 안전과 정부의 신뢰에도 영향을 줄 수 있습니다. 본 논문에서는 AI 기반 텍스트 생성 도구를 감지하고 분석하기 위한 스타일로미트리(stylometry) 방법론을 제안합니다. 이 방법론은 단일 저자와 다중 저자가 작성한 문서를 구분하거나, AI가 생성한 텍스트와 인간이 생성한 텍스트를 구별하는 등의 작업에 활용될 수 있습니다.

paper AI 요약
한 샷으로 안전 보장 단 하나의 예제로 모델 교정하기

한 샷으로 안전 보장 단 하나의 예제로 모델 교정하기

대규모 언어 모델(LLMs)의 널리 퍼진 사용은 기만, 폭력 및 차별과 같은 유해한 콘텐츠 생성 가능성에 대한 우려를 제기했습니다. 이를 해결하기 위해 안전 정합성이 핵심 패러다임으로 부상했으며, 이를 위한 일반적인 접근 방식은 감독 조정(SFT) 및 인간 피드백 기반 강화학습(RLHF), 직접적 선호도 최적화(DPO) 등입니다. 그러나 사용자가 제공한 데이터를 조정 파이프라인에 도입하면 새로운 보안 취약성이 발생합니다. 이를 해결하기 위해, 본 논문은 한 번의 안전 업데이트만으로도 유해한 업데이트를 중화시킬 수 있다는 것을 밝히며, 이 방법을 통해 모델의 안전성을 복원할 수 있음을 보여줍니다.

paper AI 요약
합성 이미지로 이상 탐지 최적화

합성 이미지로 이상 탐지 최적화

Anomaly detection plays a vital role in industrial manufacturing. Due to the scarcity of real defect images, unsupervised approaches that rely solely on normal images have been extensively studied. Recently, diffusion-based generative models brought attention to training data synthesis as an alternative solution. In this work, we focus on a strategy to effectively leverage synthetic images to maximize the anomaly detection performance. Previous synthesis strategies are broadly categorized into two groups, presenting a clear trade-off. Rule-based synthesis, such as injecting noise or pasting patches, is cost-effective but often fails to produce realistic defect images. On the other hand, generative model-based synthesis can create high-quality defect images but requires substantial cost. To address this problem, we propose a novel framework that leverages a pre-trained text-guided image-to-image translation model and image retrieval model to efficiently generate synthetic defect images. Specifically, the image retrieval model assesses the similarity of the generated images to real normal images and filters out irrelevant outputs, thereby enhancing the quality and relevance of the generated defect images. To effectively leverage synthetic images, we also introduce a two stage training strategy. In this strategy, the model is first pre-trained on a large volume of images from rule-based synthesis and then fine-tuned on a smaller set of high-quality images. This method significantly reduces the cost for data collection while improving the anomaly detection performance. Experiments on the MVTec AD dataset demonstrate the effectiveness of our approach.

paper AI 요약
해내FRDM 확산 모델로 고속 영상의 결함 복원 탐색

해내FRDM 확산 모델로 고속 영상의 결함 복원 탐색

이 논문에서는 딥러닝 기반의 확산 모델을 사용하여 고해상도 필름 복원 작업에서 발생하는 문제점을 해결하고자 한다. 특히, 제안된 HaineiFRDM 모델은 낮은 VRAM 장치에서도 작동할 수 있도록 설계되었으며, 패치 기반 학습 및 추론 프레임워크를 사용하여 고해상도 복원 작업의 계산 비용을 줄이고자 한다. 또한 실제 손상된 필름과 합성 데이터로 구성된 새로운 데이터셋을 제안하여 모델 성능 평가 기준을 제공한다.

paper AI 요약
No Image

해석 가능성 지향적 이목표 최적화 정확성과 설명 가능성을 맞춤

딥러닝 모델은 의료와 금융 분야에서 시퀀스 예측 작업에 뛰어난 성과를 보여주지만, 그 복잡성으로 인해 이해하기 어려운 블랙박스 가 되어 안전성이 중요한 상황에서는 신뢰성이 낮아진다. 본 논문은 학습 과정에서 해석 가능성을 통합하는 프레임워크 **IGBO(Interpretability-Guided Bi-objective Optimization)**을 제안한다. IGBO는 주요 작업 손실과 해석 가능성 손실을 최소화하는 두 가지 목표를 동시에 추구하며, 이를 위해 데이터 분포에 맞춘 통합 경로를 생성하는 최적 경로 오라클도 도입한다.

paper AI 요약
혁신의 눈 오픈노벨티

혁신의 눈 오픈노벨티

최근 몇 년 동안 학술 출판물이 급증하고 있다. 인공지능 분야만 보더라도 arXiv의 `cs.AI`와 `cs.LG` 카테고리에 매년 수만 편의 새로운 논문이 게재되고 있으며, NeurIPS, ICLR, ICML과 같은 상위 컨퍼런스로 제출되는 논문 수도 기록적인 수준을 보이고 있다. 이 출판 폭발 은 피어 리뷰 시스템에 전례 없는 압력을 가하고 있다. 리뷰어의 부담이 크게 증가했다. 한 명의 리뷰어는 한정된 시간 내에 여러 편의 논문을 평가해야 하는데, 각 리뷰에는 해당 분야의 최신 연구를 포괄적으로 이해하는 것이 요구된다. 하지만 현실은 달라서 많은 리뷰어들이 모든 제출 논문에 대한 철저하고 공정한 평가를 하지 못한다. 심지어 일부 리뷰어는 전체 텍스트를 신중하게 읽지 않고 피드백을 제공하기도 한다. 또한 학계에서는 AI 생성된 피드백을 적절히 검증하지 않고 사용하는 문제에 대해 점점 더 우려하고 있다. 평가 차원 중 하나인 **신규성**은 논문의 수용 여부를 결정하는 중요한 요소로 여겨진다. 그러나 신규성을 정확하게 평가하기는 어렵다. 이는 문헌 규모가 매우 크고, 세밀한 분석을 통해 주장을 검증하는 것이 어려우며, 리뷰어들의 판단에 주관성이 있기 때문이다. 대형 언어 모델(LLM)은 학술 논문 검토를 돕는 유망한 방향으로 부상하고 있지만, 기존 방법에는 한계가 있다 단순 LLM 기반 접근법은 매개변수적 지식에만 의존하면 존재하지 않는 참조를 생성할 수 있으며; 기존의 RAG 기반 방법은 제목과 초록만 비교하기 때문에 중요한 기술 세부 사항을 놓칠 수 있고; 대부분의 접근법은 문맥 창의 한계로 인해 관련 작업을 체계적으로 조직하지 못한다. 이러한 문제를 해결하기 위해 **<span class= smallcaps >OpenNovelty</span>**라는 LLM 기반 시스템을 제안한다. 이 시스템은 대규모 제출물에 대한 투명하고 검증 가능한 신규성 분석을 제공하도록 설계되었다. <span class= smallcaps >OpenNovelty</span>의 핵심 디자인 철학은 ** 신규성을 검증할 수 있게 하기 **이다 > *“우리는 LLM 내부의 매개변수적 지식에 의존하지 않고, 실제 논문을 찾아 신규성 주장 수준에서 전체 텍스트를 비교함으로써 모든 판단이 증거 기반임을 보장합니다.”* <span class= smallcaps >OpenNovelty</span>은 네 단계의 프레임워크를 통해 작동한다 - **Phase I 정보 추출** — 대상 논문에서 핵심 작업과 주장한 신규성 주장을 추출하고, 이후 검색을 위한 의미적 쿼리를 생성합니다. - **Phase II 논문 검색** — 추출된 쿼리 기반으로 <span class= smallcaps >Wispaper</span>을 사용하여 관련 이전 작업을 검색하고 다층 필터링을 통해 고질량 후보를 선택합니다. - **Phase III 분석 및 종합** — 추출한 주장과 검색된 논문을 기반으로 상위 구조의 관련 작업 세분화를 구성하고 전체 텍스트 비교를 수행하여 각 신규성 주장을 검증합니다. - **Phase IV 보고서 생성** — 모든 분석 결과를 명확한 인용 및 증거 조각과 함께 구조화된 신규성 보고서로 종합하며, 모든 판단이 검증 가능하고 추적 가능하도록 합니다. 각 단계의 기술적 세부 사항은 Section 2에서 제공됩니다. 또한 우리는 <span class= smallcaps >OpenNovelty</span>을 ICLR 2026에 제출된 500개 이상의 논문 분석에 배포했으며, 모든 신규성 보고서는 우리 웹사이트에서 공개적으로 이용 가능합니다. 예비 분석 결과 시스템이 관련 이전 작업, 특히 저자들이 놓칠 수 있는 유사한 논문을 식별할 수 있음을 나타냅니다. 우리는 이후 단계에서 이 분석을 2,000개 이상의 제출물로 확장할 계획입니다. 주요 기여는 다음과 같습니다 - 모든 평가를 추출된 실제 논문에 근거하며, 각 판단은 명확한 인용과 증거 조각으로 보완되어 단순 LLM 기반 접근법에서 발생하는 환영 문제를 효과적으로 피한다. - <span class= smallcaps >OpenNovelty</span>을 ICLR 2026에 제출된 논문 500개 이상에 배포하고, 모든 보고서를 우리 웹사이트에 공개하여 연구 커뮤니티에게 접근 가능한 투명한 신규성 분석을 제공한다.

paper AI 요약
형성평가, 석유 지질학을 위한 공개 선택식 문제은행

형성평가, 석유 지질학을 위한 공개 선택식 문제은행

대형 언어 모델(LLMs)이 과학 및 공학 분야의 전문적인 작업에 점점 더 많이 적용되고 있지만, 이러한 모델들이 특정 분야에서 얼마나 효과적으로 작동하는지 평가하기는 여전히 어려움이 있습니다. 일반적인 벤치마크인 MMLU는 광범위한 지식을 다루지만 전문 분야에 대한 집중적 평가는 제한적입니다. 석유 지질학과 지하시공 엔지니어링(심화 측정 물리학, 유전 특성화, 지질 해석 등 이해가 필요한 분야)에서 공개적으로 이용 가능한 벤치마크는 여전히 제한적입니다. 이 연구는 FormationEval이라는 505문항의 다중 선택형 질문 벤치마크를 통해 이러한 간극을 메우며, 이 벤치마크는 페트로물리학, 석유 지질학, 지구 물리학, 유전 공학, 침적학, 심층 공학 및 생산 공학 등 7개 영역을 다룹니다. 질문은 권위 있는 교과서와 개방형 강의 자료를 기반으로 개념 중심 방식을 사용하여 작성되며, 이는 문구 인식이 아닌 이해도를 테스트하며 저작권 제약을 준수합니다. 주요 기여는 다음과 같습니다 1) 기술적 출처에서 다중 선택형 질문(MCQs) 생성 방법론; 2) 출처 메타데이터와 오염 위험 레이블이 포함된 정제 데이터 세트; 그리고 3) 여러 제공업체의 72개 언어 모델에 대한 평가, 이를 통해 도메인과 난이도 수준별 성능 패턴을 파악할 수 있습니다.

paper AI 요약
확장된 정규화 증거 심층 학습 모델 이론과 종합 평가

확장된 정규화 증거 심층 학습 모델 이론과 종합 평가

Evidential deep learning (EDL) models, based on Subjective Logic, introduce a principled and computationally efficient way to make deterministic neural networks uncertainty-aware. The resulting evidential models can quantify fine-grained uncertainty using learned evidence. However, the Subjective-Logic framework constrains evidence to be non-negative, requiring specific activation functions whose geometric properties can induce activation-dependent learning-freeze behavior a regime where gradients become extremely small for samples mapped into low-evidence regions. We theoretically characterize this behavior and analyze how different evidential activations influence learning dynamics. Building on this analysis, we design a general family of activation functions and corresponding evidential regularizers that provide an alternative pathway for consistent evidence updates across activation regimes. Extensive experiments on four benchmark classification problems (MNIST, CIFAR-10, CIFAR-100, and Tiny-ImageNet), two few-shot classification problems, and blind face restoration problem empirically validate the developed theory and demonstrate the effectiveness of the proposed generalized regularized evidential models.

paper AI 요약
효율적인 시간 시리즈 예측을 위한 로우 랭크 신경ODE로 강화된 Mamba 모델

효율적인 시간 시리즈 예측을 위한 로우 랭크 신경ODE로 강화된 Mamba 모델

시간 시리즈 예측은 기계 학습과 통계에서 중요한 작업으로, 금융, 의료, 기후 모델링 등 다양한 실제 세계의 응용 프로그램을 지원합니다. 시간 시리즈 예측은 비선형 동역학, 장기 종속성 및 불규칙한 샘플링 패턴과 같은 복잡한 데이터 특성을 처리해야 하므로 여전히 어려움이 있습니다. 본 논문에서는 이러한 문제들을 해결하기 위해 Mamba 구조와 저순위 근사화를 통합하는 새로운 프레임워크인 MODE를 제안합니다.

paper AI 요약
흐름에 따른 세계 모델 기억이 더해진 동적 환경 이해

흐름에 따른 세계 모델 기억이 더해진 동적 환경 이해

이 논문은 부분적으로 관찰되는 동적 환경 모델링과 이를 수행하는 에이전트의 자체 움직임을 연구합니다. 특히, 내부와 외부 움직임을 수학적인 흐름 으로 이해하고, 이를 통해 시간에 따른 대칭성을 처리할 수 있음을 보여줍니다. 이러한 접근법은 비록 에이전트의 시야가 제한적이지만 환경의 전체적인 상태를 정확하게 추적하는 데 도움을 줍니다. ###

paper AI 요약
힌디어 요약 데이터셋을 자동으로

힌디어 요약 데이터셋을 자동으로

자연어 처리(NLP)와 기계 학습(ML) 기술의 발전은 주로 자원이 풍부한 언어, 특히 영어에 집중되어왔다. 이는 힌디어 같은 저자원 언어에서 데이터셋의 부족과 질적 불균형을 초래했다. 특히 텍스트 요약이라는 전문 작업에서는 이러한 간극이 더욱 두드러진다. 텍스트 요약은 긴 문서를 짧고 정보적인 요약으로 압축하는 중요한 NLP 응용 분야이다. 텍스트 요약 모델의 개발은 광범위하고 다양한 데이터셋에 크게 의존하지만, 저자원 언어에서는 이러한 데이터셋이 부족하여 다양한 언어 환경에서의 발전을 방해한다. 본 연구는 힌디어를 위한 포괄적인 텍스트 요약 데이터셋 개발뿐만 아니라 저자원 언어용 자동화된 데이터셋 생성 방법론을 제안한다. 이 방법은 고급 번역 및 언어적 적응 기법과 Crosslingual Optimized Metric for Evaluation of Translation (COMET)를 활용하여 번역의 정확성과 문맥적 관련성을 보장하는 것을 특징으로 한다. 제안된 힌디어 데이터셋은 XSUM의 강력한 번역 버전으로, 다양한 주제와 쓰기 스타일을 반영하고 있다. 이를 통해 힌디어 텍스트 요약 연구를 진흥시키고, 언어 간 NLP 도전 과제에 대한 보다 광범위한 이해를 제공한다. 이 데이터셋은 원본 XSUM과 같은 다양성을 유지하면서 다양한 텍스트 복잡성 및 주제를 반영하고 있다. 결론적으로, 영어 XSUM을 기반으로 한 힌디어 텍스트 요약 데이터셋의 생성은 NLP 연구와 응용 분야에서 비용을 절감함으로써 민주화에 중요한 단계를 이룬다. 이로 인해 저자원 언어에 대한 더 세밀하고 문화적으로 관련성이 높은 NLP 모델이 개발되며, 특히 기존에 계산 언어학에서 소홀히 대했던 언어들에 대한 텍스트 요약 연구가 활성화된다. ###

paper AI 요약

< 카테고리 현황 (Total: 566) >

Computer Science (514) Machine Learning (117) Artificial Intelligence (89) Computer Vision (71) Computation and Language (NLP) (62) Electrical Engineering and Systems Science (36) Cryptography and Security (24) Robotics (22) Systems and Control (22) Software Engineering (20) Mathematics (18) Statistics (17) Economics (16) Information Retrieval (15) Distributed, Parallel, and Cluster Computing (14) Human-Computer Interaction (14) Neural and Evolutionary Computing (13) Computer Science and Game Theory (11) Econometrics (11) Image and Video Processing (10) Physics (10) Sound (10) Multiagent Systems (9) Optimization and Control (8) Computational Geometry (7) Databases (7) Graphics (6) Networking and Internet Architecture (6) Quantitative Biology (6) Quantum Physics (5) Theoretical Economics (5) Computational Complexity (4) Computational Engineering, Finance, and Science (4) Computers and Society (4) Emerging Technologies (4) Information Theory (4) Methodology (4) Multimedia (4) Programming Languages (4) Quantitative Finance (4) Signal Processing (4) Audio and Speech Processing (3) Data Structures and Algorithms (3) Hardware Architecture (3) History and Philosophy of Physics (3) Logic in Computer Science (3) Neurons and Cognition (3) Social and Information Networks (3) Statistics Theory (3) Computation (2) Condensed Matter (2) Dynamical Systems (2) Formal Languages and Automata Theory (2) General Finance (2) Operating Systems (2) Optics (2) Quantitative Methods (2) Applications (1) Astrophysics (1) Combinatorics (1) Computational Physics (1) Digital Libraries (1) Disordered Systems and Neural Networks (1) General Economics (1) Genomics (1) Geophysics (1) Instrumentation and Methods for Astrophysics (1) Logic (1) Mathematical Finance (1) Mathematical Software (1) Medical Physics (1) Mesoscale and Nanoscale Physics (1) Metric Geometry (1) Other Statistics (1) Performance (1) Physics and Society (1) Plasma Physics (1) Probability (1) Trading and Market Microstructure (1)

검색 시작

검색어를 입력하세요

↑↓
↵
ESC
⌘K 단축키