KOINEU

A Comprehensive Dataset for Human vs. AI Generated Image Detection

본 논문이 제시하는 MS COCOAI 데이터셋은 현재 이미지 진위 탐지 연구에서 가장 시급히 요구되는 ‘다양성’과 ‘규모’를 동시에 만족한다는 점에서 큰 의미를 가진다. 첫째, 기존 데이터셋들은 주로 단일 생성 모델이나 제한된 프롬프트 세트를 사용해 만든 이미지에 국한돼 있었으며, 이는 실제 현장에서 마주치는 다양한 AI 툴과의 격차를 초래한다. 반면 본 데이터셋은 Stable Diffusion 3·2.1·SDXL, DALL‑E 3, MidJourney v6 등 최신 모델을 모두 포함함으로써, 현재 시장에서 널리 사용되는 주요 생성

Computer Science Computer Vision Detection Data

CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge

CoCo‑Fed가 제시하는 두 가지 핵심 혁신은 ‘이중 차원 다운프로젝션’과 ‘직교 부분공간 초중첩 전송’이다. 첫 번째 단계에서는 기존 연합 학습에서 각 gNB가 전체 모델 파라미터에 대한 그래디언트를 저장·전송해야 하는 문제를 해결한다. 저자들은 그래디언트를 먼저 채널 차원(예: 입력 피처)과 모델 차원(예: 출력 피처) 두 축에서 각각 저‑랭크 행렬로 근사한다. 이때 사용되는 투사 행렬은 사전에 학습된 고정 정규 직교 행렬이거나, 각 라운드마다 랜덤하게 생성된 스케치 행렬일 수 있다. 이렇게 하면 메모리 요구량이 O(rank·

Computer Science Learning Information Theory Framework

Detecting Performance Degradation under Data Shift in Pathology Vision-Language Model

본 논문은 최근 의료 영상 분야에서 각광받고 있는 비전‑언어 모델(VLM)의 실제 운영 단계에서 발생할 수 있는 ‘데이터 시프트(data shift)’ 문제에 초점을 맞추었다. 데이터 시프트는 크게 두 가지 차원으로 나뉜다. 첫 번째는 입력 데이터 자체가 훈련 시와 다른 분포를 보이는 경우이며, 두 번째는 모델이 출력하는 예측값이나 신뢰도(confidence)가 변하는 경우이다. 기존 연구들은 주로 입력 차원의 통계적 변화를 탐지하는 방법에 의존했지만, 이러한 변동이 반드시 모델 성능 저하와 직결되지 않는다는 점을 간과하고 있었다.

Computer Science Model Data Computer Vision

LLM Agents for Combinatorial Efficient Frontiers: Investment Portfolio Optimization

본 논문은 언어 모델(LLM)을 활용한 에이전트 프레임워크를 통해 복잡한 조합 최적화 문제에 새로운 접근 방식을 제시하고 있습니다. 이 연구의 핵심 가치는 다음과 같은 기술적 혁신성, 방법론, 실험 결과를 통해 분석할 수 있습니다. 1. 기술적 혁신성: 본 논문은 LLM을 활용한 에이전트 프레임워크를 제시함으로써, 기존의 학문적인 최적화 접근법에서 벗어나 실제 생활 문제에 초점을 맞추고 있습니다. 특히, NPhard한 조합 최적화 문제 해결에 있어 LLM을 활용하는 것은 이전 연구에서는 찾아보기 어려운 혁신적인 시도입니다. MOCO

Computer Science Computational Engineering

LOFA: Online Influence Maximization under Full-Bandit Feedback using Lazy Forward Selection

본 논문이 다루는 온라인 영향력 최대화(Online Influence Maximization, OIM) 문제는 전통적인 정적 IM과 달리 시간에 따라 시드 집합을 동적으로 선택해야 하는 상황을 전제로 한다. 여기서 ‘전체 밴딧(full‑bandit) 피드백’이라는 가정은 에이전트가 매 라운드마다 선택한 시드 집합에 의해 실제로 발생한 확산 규모(즉, 전체 활성화된 노드 수)만을 관찰한다는 의미이며, 이는 각 노드별 활성화 여부나 네트워크의 인접 행렬 등 추가적인 구조적 정보를 전혀 제공하지 않는다. 이러한 제한된 피드백 환경에서는

Machine Learning Computer Science

Measuring Social Media Polarization Using Large Language Models and Heuristic Rules

이 논문은 기존 감성 분석이나 사전 학습된 분류기 중심의 양극화 연구와 차별화되는 두 가지 핵심 요소를 제시한다. 첫째, 대형 언어 모델을 활용해 텍스트에서 ‘입장(stance)’, ‘감정적 어조(affective tone)’, ‘동의·반대 패턴(agreement dynamics)’을 다층적으로 추출한다는 점이다. 기존 방법은 주로 단일 차원의 감성 점수(긍정/부정) 혹은 사전 정의된 레이블(찬성/반대)만을 제공했지만, LLM은 문맥을 고려해 미묘한 입장 변화를 포착하고, 감정의 강도와 유형(분노, 슬픔, 혐오 등)까지 세분화한다.

Computer Science Social Networks Model

Optimizing LSTM Neural Networks for Resource-Constrained Retail Sales Forecasting: A Model Compression Study

이 논문은 소매 판매 예측 분야에서 LSTM 네트워크의 효율성과 정확성을 극대화하는 방법에 대해 깊이 있게 탐구하고 있다. 특히, 이 연구는 자원 제약을 가진 소규모 및 중소 규모 매장에서도 효과적인 AI 기반 예측 시스템을 구축할 수 있도록 하는 모델 압축 기법의 중요성을 강조한다. 기술적 혁신성 이 논문은 LSTM 네트워크를 압축하는 다양한 방법론을 체계적으로 평가하고, 특히 64개 은닉 유닛을 가진 모델이 가장 높은 예측 정확도를 보이는 것을 발견했다. 이는 표준 LSTM(128개 은닉 유닛)보다 메모리 사용량을 줄이고 추론

Computer Science Network Machine Learning Model

Scale-aware Adaptive Supervised Network with Limited Medical Annotations

SASNet은 의료 영상 분야에서 흔히 마주치는 라벨링 비용의 제약을 극복하고자 설계된 반지도 학습 프레임워크이다. 기존의 반지도 세그멘테이션 방법들은 주로 단일 스케일의 특징을 활용하거나, 라벨이 없는 데이터에 대해 단순히 일관성 손실을 적용하는 데 그쳤다. 이러한 접근법은 복잡한 해부학적 구조를 다양한 해상도에서 포착하기 어려워, 특히 작은 병변이나 경계가 흐릿한 영역에서 성능 저하를 보인다. SASNet은 두 개의 병렬 브랜치를 갖는다. 하나는 라벨이 충분히 제공된 소량의 데이터에 대해 전통적인 지도 학습을 수행하고, 다른 하

Image Processing Network Electrical Engineering and Systems Science

The Illusion of Insight in Reasoning Models

이 논문은 최근 AI 커뮤니티에서 화제가 된 “추론 중 ‘아하!’ 순간”이라는 현상을 과학적으로 검증하려는 시도이다. 저자들은 먼저 기존 연구가 제시한 사례, 즉 DeepSeek‑R1‑Zero가 중간 단계에서 갑작스러운 전략 전환을 보이며 정답을 도출한다는 주장을 재현하려 했다. 이를 위해 1백만 개가 넘는 추론 트레이스를 수집하고, 각 트레이스에서 토큰 수준의 확률 변화, 내부 표현의 변동, 그리고 출력 정확도를 동시에 기록했다. 분석 대상은 자연어 질문‑답변, 수학 문제 풀이, 코딩 생성이라는 세 가지 도메인으로, 각각의 도메인

Computer Science Artificial Intelligence Model

VEAT Quantifies Implicit Associations in Text-to-Video Generator Sora and Reveals Challenges in Bias Mitigation

본 논문은 텍스트투비디오 생성 모델이 사회적 편향을 어떻게 내재하고 재생산하는지를 정량적으로 밝히려는 시도로, 기존의 Implicit Association Test(IAT)와 이미지 기반 연관성 테스트를 비디오 임베딩에 적용한 점에서 학술적 의의가 크다. VEAT는 비디오 프레임들의 시각·음향 특징을 고차원 임베딩 공간에 매핑한 뒤, 목표 집단(예: 아프리카계 미국인, 유럽계 미국인)과 속성(pleasant, unpleasant) 사이의 거리 차이를 효과크기(d)로 측정한다. SC‑VEAT는 단일 카테고리(예: 특정 직업)와 두 집

Computers and Society Computer Science

An Empirical Evaluation of LLM-Based Approaches for Code Vulnerability Detection: RAG, SFT, and Dual-Agent Systems

본 연구는 LLM을 활용한 코드 취약점 탐지의 실용성을 정량적으로 평가하기 위해 세 가지 접근법을 체계적으로 비교하였다. 첫 번째 접근법인 Retrieval‑Augmented Generation(RAG)은 사전 학습된 LLM에 외부 지식 베이스를 동적으로 연결한다. 구체적으로, MITRE CWE 데이터베이스와 최신 웹 검색 결과를 실시간으로 가져와 프롬프트에 삽입함으로써 모델이 코드 조각을 해석할 때 최신 보안 패턴과 CWE 정의를 참조하도록 설계되었다. 이 과정은 벡터 검색 엔진(FAISS)과 텍스트 임베딩을 활용해 관련 문서를

System Computer Science Software Engineering Detection

Application of deep learning techniques in non-contrast computed tomography pulmonary angiogram for pulmonary embolism diagnosis

본 논문은 임상 현장에서 조영제 사용에 따른 부작용과 시간 지연 문제를 해결하고자, 비조영 CT 영상만을 이용해 폐색전증을 자동으로 판별하는 3D 합성곱 신경망(3D‑CNN) 모델을 개발하였다. 먼저 데이터셋 구축 단계에서 조영제 사용이 금지된 환자군과 기존 CTPA 영상에서 라벨링된 폐색전증 사례를 매칭시켜, 비조영 CT와 라벨 정보를 일치시켰다. 이는 라벨링 비용을 크게 절감하면서도 실제 임상 상황을 반영한 데이터베이스를 확보하는 전략이다. 모델 구조는 입력 볼륨을 3차원으로 처리하여 폐혈관 및 주변 조직의 미세한 밀도 차이를

Computer Vision Computer Science Learning

Can Large Language Models Still Explain Themselves? Investigating the Impact of Quantization on Self-Explanations

본 논문은 양자화가 대형 언어 모델(Large Language Model, LLM)의 자기설명(self‑explanations, SE) 능력에 미치는 영향을 체계적으로 조사한 최초의 연구라 할 수 있다. 기존 연구에서는 양자화가 모델의 추론 속도와 메모리 사용량을 크게 개선한다는 점에 초점을 맞추었지만, SE와 같이 모델 내부의 추론 과정을 외부에 설명하도록 요구되는 고차원 작업에 대한 영향은 간과되어 왔다. 이 점을 메우기 위해 저자들은 두 가지 SE 유형, 즉 자연어 설명(NLE)과 반사실 예시(counterfactual exa

Computer Science NLP Model

Can Semantic Methods Enhance Team Sports Tactics? A Methodology for Football with Broader Applications

이 논문은 의미론적 벡터 공간을 팀 스포츠 전술에 적용한다는 독창적인 아이디어를 제시함으로써, 기존 전술 분석 방법론과는 차별화된 학술적 가치를 제공한다. 첫째, 선수 개개인을 다차원 벡터로 모델링한다는 접근은 기존의 단순 통계 기반 평가를 넘어, 기술·신체·심리적 특성을 동시에 고려한 복합적인 특성 표현을 가능하게 한다. 특히, 심리적 변수(예: 경기 집중도, 스트레스 수준)를 수치화하여 벡터에 포함시키는 시도는 현재 스포츠 과학에서 아직 충분히 다루어지지 않은 영역이며, 전술적 의사결정에 인간적인 요소를 반영한다는 점에서 의미가

Computer Science Artificial Intelligence

Conformal Prediction Under Distribution Shift: A COVID-19 Natural Experiment

이 논문은 컨포멀 예측이 실제 운영 환경에서 마주치는 ‘분포 변동(distribution shift)’에 얼마나 취약한지를 코로나19라는 전 세계적 충격을 이용해 실증적으로 보여준다. 연구자는 8개의 공급망 관련 태스크를 선정하고, 팬데믹 이전과 이후의 데이터 특성을 Jaccard 지수를 통해 정량화하였다. 흥미롭게도, Jaccard 지수가 거의 0에 가까워 특징 자체는 거의 변하지 않았음에도 불구하고, 예측 구간의 실제 커버리지는 0 %에서 86.7 %까지 극단적인 차이를 보였다. 이는 컨포멀 방법이 단순히 특징 분포의 변화를 감

Machine Learning Computer Science

Defensive M2S: Training Guardrail Models on Compressed Multi-turn Conversations

Defensive M2S는 기존 가드레일 모델이 전체 대화 히스토리를 입력으로 받아야 하는 구조적 한계를 근본적으로 해결한다는 점에서 의미가 크다. 다중턴 대화는 일반적으로 토큰 수가 O(n²) 수준으로 급증하는데, 이는 특히 10턴 이상으로 길어지는 실제 서비스 시나리오에서 GPU 메모리와 연산 시간의 병목을 초래한다. 논문은 이를 ‘Multi‑turn to Single‑turn (M2S)’ 압축이라는 간단하지만 효과적인 변환 규칙으로 전환한다. 구체적으로, 각 턴의 핵심 발화만을 남기고, 대화 흐름을 유지하기 위해 하이픈(–),

Computer Science NLP Model

Device-Native Autonomous Agents for Privacy-Preserving Negotiations

본 논문은 기존 클라우드‑중심 협상 플랫폼이 갖는 “데이터 중앙집중 → 보안 위협 → 사용자 신뢰 저하”라는 구조적 문제를 근본적으로 재구성한다는 점에서 학술적·산업적 의의를 가진다. 첫 번째로, 디바이스‑네이티브( device‑native ) 아키텍처는 모든 협상 로직과 제약 조건을 사용자의 로컬 환경에 격리함으로써 데이터 탈취 위험을 최소화한다. 이는 특히 GDPR·CCPA 등 데이터 주권 규제가 강화되는 현재 상황에서 법적·규제적 컴플라이언스를 자연스럽게 충족한다는 장점이 있다. 두 번째로, 제로 지식 증명(zero‑knowl

Computer Science Cryptography and Security

Do LLMs Judge Distantly Supervised Named Entity Labels Well? Constructing the JudgeWEL Dataset

judgeWEL 논문은 저자원 언어인 룩셈부르크어에 대한 NER 데이터 구축이라는 실질적인 문제에 대해 창의적인 해결책을 제시한다. 가장 큰 강점은 두 가지 측면에서 약한 감독을 활용한다는 점이다. 첫째, 위키피디아 내부 링크와 위키데이터의 구조화된 메타데이터를 연결함으로써 엔터티 유형을 자동으로 추론한다는 아이디어는 기존의 규칙 기반 혹은 사전 매핑 방식보다 확장성이 뛰어나다. 위키피디아는 지속적으로 업데이트되며 다양한 도메인을 포괄하므로, 이 접근법은 새로운 엔터티가 등장해도 비교적 쉽게 반영될 수 있다. 둘째, 자동 라벨링 단

Computer Science NLP Data

FlashInfer-Bench: Building the Virtuous Cycle for AI-driven LLM Systems

FlashInfer‑Bench 논문은 “AI‑generated GPU kernel”이라는 최신 연구 흐름을 실제 서비스 환경에 적용하기 위한 인프라스트럭처 설계라는 관점에서 매우 의미 있는 기여를 하고 있다. 첫 번째 핵심은 FlashInfer Trace 라는 메타데이터 스키마이다. 기존에 LLM이 생성한 코드를 단순히 텍스트로 저장하고 인간이 수동으로 검증하는 방식은 확장성이 떨어진다. Trace는 커널 인터페이스(입출력 텐서 형태, 메모리 요구량), 워크로드 특성(배치 크기, 시퀀스 길이), 구현 세부사항(언어, 컴파일 옵션)

Computer Science Artificial Intelligence System

Geometric Regularization in Mixture-of-Experts: The Disconnect Between Weights and Activations

Mixture‑of‑Experts(MoE) 구조는 수백에서 수천 개의 전문가 중 일부만을 선택적으로 활성화함으로써 계산 비용을 크게 절감한다는 장점이 있다. 그러나 전문가들이 실제로 서로 다른 기능을 수행하도록 만들기 위해서는 “전문가 다양성”이 필수적이며, 이를 달성하기 위한 다양한 정규화 기법이 제안되어 왔다. 본 논문에서는 가장 직관적인 접근법 중 하나인 가중치 직교 손실을 적용하여 전문가 간의 기하학적 차이를 강제하고, 그 효과를 다각도로 평가하였다. 첫 번째 실험에서는 가중치 공간 중복도(MSO, Mean Subspace

Machine Learning Computer Science

Language as Mathematical Structure: Examining Semantic Field Theory Against Language Games

이 논문은 최근 대형 언어 모델(Large Language Models, LLM)의 급격한 성능 향상이 의미론 연구에 미치는 함의를 두 축으로 나누어 고찰한다. 첫 번째 축은 루트비히 비트겐슈타인의 후기 철학에 기반한 사회구성주의적 ‘언어게임’ 접근이다. 여기서는 의미가 화자 간의 관습적 상호작용과 사용 상황에 의해 형성된다고 보며, 어떠한 형식적 규칙도 의미를 완전히 설명할 수 없다고 주장한다. 두 번째 축은 저자가 제안한 ‘의미장 이론(Semantic Field Theory)’으로, 언어를 연속적인 의미 공간 안에서 서로 얽힌

Computer Science NLP

Latent Flow Matching for Expressive Singing Voice Synthesis

본 논문은 최근 가창 음성 합성 분야에서 각광받고 있는 조건부 변분 오토인코더(cVAE) 구조의 근본적인 한계를 짚고 있다. cVAE는 학습 시에 실제 녹음으로부터 추정된 후방(latent posterior) 분포와, 합성 시에 사전(latent prior) 분포를 각각 이용한다. 이 두 분포는 이론적으로는 KL 발산을 최소화하도록 학습되지만, 실제 데이터의 복잡성, 특히 가창 음성의 미세한 진동(비브라토)이나 억양 변동(마이크로 프로소디) 같은 고주파 변동을 완전히 포착하기는 어렵다. 결과적으로 사전 샘플을 그대로 사용하면 후방

Sparse Probabilistic Coalition Structure Generation: Bayesian Greedy Pursuit and $ell_1$ Relaxations

이 논문은 연합 구조 생성(CSG) 문제에 ‘가치가 관측을 통해 학습돼야 한다’는 새로운 전제를 도입함으로써 기존 연구와 차별화한다. 전통적인 CSG는 모든 가능한 연합에 대한 정확한 가치 함수가 주어졌다고 가정하고, 그 위에서 최적의 연합 분할을 찾는다. 그러나 실제 사회·경제 시스템에서는 개별 연합의 가치를 직접 측정하기 어렵고, 대신 여러 에피소드(예: 협상 라운드, 프로젝트 수행 결과)에서 얻은 총 보상만 관찰된다. 저자들은 이러한 상황을 ‘희소 선형 회귀’ 모델로 정형화한다. 즉, 한 에피소드의 총 보상 Yₜ는 소수(K)개

Computer Science Game Theory

VisNet: Efficient Person Re-Identification via Alpha-Divergence Loss, Feature Fusion and Dynamic Multi-Task Learning

VisNet은 현재 사람 재식별 분야에서 가장 큰 과제 중 하나인 “정확도와 연산 효율성 사이의 트레이드오프”를 해결하려는 시도로 눈에 띈다. 첫 번째 핵심 기여는 ResNet‑50의 네 단계(feature map)들을 순차적으로 결합하면서도 별도의 병렬 브랜치를 도입하지 않은 점이다. 이는 기존의 멀티‑스케일 접근법이 흔히 겪는 파라미터 폭증과 메모리 사용량 증가 문제를 크게 완화한다. 자동 주의(attention) 모듈이 각 스케일별 특징에 가중치를 부여함으로써, 저해상도에서 추출된 전역적인 형태 정보와 고해상도에서 얻어지는 세