4990 편의 논문
이 논문은 Swin U-Net 기반의 게이트형 멀티헤드 Transformer 아키텍처를 제안하여 병렬 검출 헤드를 통해 슬라이스별 구조 존재 여부를 판단하고 이를 세그멘테이션 예측에 적용함으로써, 방사선 치료 자동 분할에서 해부학적으로 불가능한 가짜 양성 (hallucinations) 을 효과적으로 제거하고 모델의 견고성과 임상적 신뢰성을 크게 향상시켰음을 보여줍니다.
이 논문은 사전 학습된 트랜스포머 모델의 가중치를 수정하지 않고 추론 시 몬테카를로 드롭아웃을 통해 자기주의 메커니즘에 불확실성을 주입하여 예측 신뢰도를 개선하고 선택적 예측을 가능하게 하는 'UAT-LITE'라는 프레임워크를 제안합니다.
이 논문은 웹 콘텐츠 접근성 가이드라인 (WCAG2) 위반 사항을 자동으로 수정하면서도 원본 디자인을 유지하는 비전 - 언어 모델 'WebAccessVL'을 제안하고, 위반 조건을 입력으로 활용하는 반복적 개선 전략을 통해 기존 모델 대비 접근성 오류를 87% 이상 감소시킨 효과를 입증했습니다.
이 논문은 챗봇에 대한 사용자의 신뢰가 실제 신뢰성보다는 인지적 편향을 활용한 설계에서 비롯된다는 점을 지적하며, 챗봇을 '동반자'가 아닌 조직의 목표를 추구하는 '고도화된 영업사원'으로 재정의하고 심리적 신뢰 형성 과정과 규범적 신뢰성 사이의 혼란을 해소할 필요성을 주장합니다.
이 논문은 단일 RGB 이미지에서 기하학적 정합성을 개선하기 위해 정상 추정 문제를 그림자 시퀀스 추정으로 재정의하고, 이미지-비디오 생성 모델을 활용하여 RoSE 라는 새로운 방법을 제안합니다.
이 논문은 영향 함수를 활용하여 훈련 데이터에 미세한 교란을 가해 모델의 행동을 의도적으로 조작하는 'Infusion' 프레임워크를 제안하고, 이를 통해 소량의 훈련 데이터만으로도 다양한 아키텍처에 걸쳐 모델 행동을 효과적으로 변화시킬 수 있음을 입증합니다.
이 논문은 기존 방법론이 간과했던 정확도와 에너지 효율성의 동시 최적화를 위해 경험 재생, 가변적 누적 - 적분 - 방출 뉴런 매개변수, 적응형 스파이크 스케줄러를 통합한 에너지 인식 스파이크 예산 관리 프레임워크를 제안하여, 프레임 기반 및 이벤트 기반 데이터셋 모두에서 지속적 학습 성능을 향상시키고 동적 전력 소비를 최소화하는 뉴로모픽 비전 시스템의 실용성을 입증합니다.
이 논문은 확산 모델의 고해상도 추론 지연과 희소 감독의 한계를 해결하기 위해, 교사의 궤적 중간 단계를 모두 학습하는 밀집 앙상블 네트워크 (B-DENSE) 를 제안하여 이미지 생성 품질을 향상시킵니다.
이 논문은 단일 상태 온톨로지 모델이 정보 이론적 관점에서 맥락성 비용을 피할 수 없음을 증명하고, 양자 역학이 이 제약을 우회하는 방식을 설명함으로써 맥락성이 고전적 표현의 근본적인 한계임을 규명합니다.
이 논문은 비선형 동역학과 다양한 불확실성이 공존하는 기계 시스템의 강인한 제어를 위해, 불확실성 소스를 점진적으로 확장하는 커리큘럼 기반 지속 학습 프레임워크와 모델 기반 제어기를 결합하여 시뮬레이션과 현실 간의 격차를 효과적으로 해소하는 새로운 방법을 제안하고 자동차 동력계 진동 제어에 적용하여 검증했습니다.
이 논문은 정적 위상 마스크의 한계를 극복하고, GLU 에서 영감을 얻은 재구성 가능한 자기 변조 비선형성과 순환 구조를 도입하여 기존 회절 광학 신경망보다 정확도와 적응성을 획기적으로 향상시킨 'ReDON' 아키텍처를 제안합니다.
본 논문은 기존 계획 방법의 한계를 극복하고 다양한 도메인에서 새로운 안전 속성으로 일반화 가능한 로봇 작업 계획을 위해, 형식적 검증을 기반으로 한 두 단계 후학습 프레임워크를 제안한 'SafeGen-LLM'을 소개합니다.
이 논문은 확산 언어 모델의 '분해 장벽'을 해결하기 위해 완전 분해된 출력 분포를 경량화되고 다루기 쉬운 확률적 추론 계층으로 대체하는 '결합 이산 확산 (CoDD)' 프레임워크를 제안하여, 적은 비용으로 복잡한 토큰 간 종속성을 모델링하고 고품질의 병렬 생성을 가능하게 합니다.
이 논문은 희소 주석과 도메인 지식 기반 제약 조건 추론, 다기준 의사결정 분석을 통합한 신경심볼릭 프레임워크 'OrthoAI'를 제안하여, 3D 치아 분할과 생역학적 실행 가능성 추론을 연결하는 증거 기반 교정 치료 지원 시스템을 개발했습니다.
이 논문은 Grounding DINO 1.5 와 YOLOv11 을 탐지기로 활용하여 SAM 2.1 을 기반으로 한 제로샷 및 지도 학습 이중 파이프라인을 제안함으로써, 기존 종단간 학습 모델보다 우수한 성능을 보이는 새 이미지 분할 방법을 제시합니다.
이 논문은 훈련 시 3D 포인트 트랙 예측을 위한 특권 4D 정보를 활용하여 VLA 모델이 물리적 상호작용의 시공간적 역학을 내재적으로 학습하도록 함으로써 추론 시 추가 비용 없이 로봇 조작 성능을 크게 향상시키는 'Pri4R' 방법을 제안합니다.
이 논문은 LLM 기반의 머신러닝 엔지니어링 에이전트가 기존 트리 탐색 방식보다 강화된 추론 능력을 가진 모델에서 더 효율적인 경사 하강 기반 최적화 패러다임인 'Gome'을 도입하여 MLE-Bench 에서 최상의 성능을 달성하고, 모델의 추론 능력이 향상됨에 따라 경사 기반 최적화가 트리 탐색을 능가하는 전환점이 도래함을 보여줍니다.
이 논문은 희소하거나 편향된 보상 환경에서 기존 Dec-MCTS 의 한계를 극복하기 위해, 단일 에이전트 MCTS 에서 연구된 볼츠만 탐색을 다중 에이전트 시스템에 최초로 적용한 '조정된 볼츠만 MCTS(CB-MCTS)'를 제안하고, 이를 통해 기만적 시나리오에서 우수한 성능을 보이며 표준 벤치마크에서도 경쟁력 있는 강건한 분산 다중 에이전트 계획 솔루션을 제공함을 보여줍니다.
이 논문은 단순한 키워드 매칭의 한계를 극복하기 위해 의미 기반 및 다수준 매칭 프레임워크를 제안하여, SEC filing 과 LLM 을 활용하여 뉴스와 주가 데이터를 정교하게 연결한 대규모 금융 텍스트-시계열 데이터셋 'FinTexTS'를 구축하고 주가 예측 성능을 입증했습니다.
이 논문은 기존 학습 기반 통신 방식의 공간적 무관심 문제를 해결하기 위해 쌍별 맨해튼 거리를 주시 가중치 계산에 명시적으로 통합한 '관계 강화 멀티헤드 어텐션 (RMHA)'을 제안하여, 고밀도 환경에서 로봇 간 협업을 극대화하고 대규모 군집으로의 제로샷 일반화 성능을 획기적으로 향상시켰습니다.