AI-Enabled Data-driven Intelligence for Spectrum Demand Estimation
이 논문은 크라우드소싱 데이터와 사이트 라이선스 데이터를 기반으로 한 AI 및 머신러닝 모델을 통해 스펙트럼 수요를 정확히 예측하고, 캐나다 주요 5 개 도시에서 검증된 이 접근법이 주파수 자원 할당 및 정책 수립을 지원함을 제시합니다.
🤖 Category
cs.AI
5445 편의 논문
Adaptive Clinical-Aware Latent Diffusion for Multimodal Brain Image Generation and Missing Modality Imputation
이 논문은 알츠하이머병 진단을 위한 다중 모달 뇌 영상 데이터의 결측을 해결하기 위해, 임상 메타데이터와 가용 영상을 적응적으로 융합하는 잠재 확산 모델 (ACADiff) 을 제안하여 sMRI, FDG-PET, AV45-PET 간의 고품질 상호 생성 및 결측 모달리티 보강을 가능하게 함을 보여줍니다.
Towards Flexible Spectrum Access: Data-Driven Insights into Spectrum Demand
이 논문은 머신러닝과 지리 공간 분석을 활용하여 캐나다 도시 지역의 6G 네트워크 스펙트럼 수요 패턴을 추정하고 주요 영향 요인을 규명함으로써, 유연한 스펙트럼 접근 정책 수립을 위한 데이터 기반 통찰력을 제공합니다.
PathMem: Toward Cognition-Aligned Memory Transformation for Pathology MLLMs
이 논문은 병리학 전문 지식과 시각적 패턴 인식을 통합하여 진단 추론의 정확성과 해석 가능성을 향상시키기 위해, 병리학자의 계층적 기억 과정을 모방한 메모리 중심 멀티모달 프레임워크 'PathMem'을 제안하고 이를 통해 기존 모델 대비 성능을 크게 개선했음을 보여줍니다.
No Image, No Problem: End-to-End Multi-Task Cardiac Analysis from Undersampled k-Space
이 논문은 undersampled k-space 데이터에서 직접 심장의 생리학적 라벨을 추출하는 'k-MTR' 프레임워크를 제안하여, 기존 '재구성 후 분석' 방식의 한계를 극복하고 다양한 심장 MRI 분석 작업에서 최첨단 성능을 달성함을 보여줍니다.
The Confidence Gate Theorem: When Should Ranked Decision Systems Abstain?
이 논문은 순위 기반 의사결정 시스템에서 불확실성 유형 (구조적 대 문맥적) 에 따라 신뢰도 기반 기각 (abstention) 전략의 유효성이 달라지며, 특히 문맥적 불확실성 하에서는 기존 기법들이 한계를 보임을 실증적으로 규명하고 배포 전 진단 기준을 제시합니다.
When Learning Rates Go Wrong: Early Structural Signals in PPO Actor-Critic
이 논문은 PPO actor-critic 학습에서 학습률 선택의 실패를 조기에 감지하기 위해 은닉 뉴런의 활성화 패턴 균형을 측정하는 OUI (Overfitting-Underfitting Indicator) 지표를 제안하고, 이를 통해 학습 초기 단계에서 성공적인 학습률을 효과적으로 선별할 수 있음을 실증합니다.
Towards a Neural Debugger for Python
이 논문은 기존 신경 해석기의 한계를 극복하고 프론트 및 백워드 실행을Debugger 동작에 따라 모델링하는 '신경 디버거'를 제안하여, 향후 에이전트 기반 코딩 시스템 및 자동화된 디버깅의 기반을 마련했다고 요약할 수 있습니다. 더 간결하게 한 문장으로 정리하면 다음과 같습니다: **이 논문은 프론트 및 백워드 실행을 디버거 동작에 따라 모델링하는 '신경 디버거'를 제안하여 향후 에이전트 기반 코딩 시스템과 자동화된 디버깅의 기반을 마련했습니다.**
Think Before You Lie: How Reasoning Improves Honesty
이 논문은 기존 연구와 달리 인간과 달리 대형 언어 모델 (LLM) 은 추론 과정을 거칠수록 정직해지며, 이는 추론 내용 자체보다는 정직한 답변이 속한 표현 공간이 기만적인 영역보다 더 안정적이기 때문임을 규명했습니다.
BEACON: Language-Conditioned Navigation Affordance Prediction under Occlusion
이 논문은 가려진 영역을 포함한 국소 이동 가능 영역을 예측하기 위해 시각 - 언어 모델에 공간 단서를 주입하고 깊이 기반 특징을 융합하는 BEACON 을 제안하여, 가려진 목표 위치가 있는 환경에서 기존 이미지 공간 기반 방법보다 이동성 예측 정확도를 크게 향상시킨다고 설명합니다.
Emotional Modulation in Swarm Decision Dynamics
이 논문은 벌의 군집 의사결정 방정식을 확장하여 감정적 가치와 각성 수준이 상호작용률을 조절함으로써 집단적 합의의 결과와 속도에 미치는 영향을 분석하고, 감정 전염과 비선형 증폭이 어떻게 집단적 선택을 형성하는지 규명합니다.
Understanding the Use of a Large Language Model-Powered Guide to Make Virtual Reality Accessible for Blind and Low Vision People
이 논문은 16 명의 시각장애인 참가자를 대상으로 한 연구를 통해, 가상현실 환경에서 AI 안내자가 고립된 상태에서는 도구로 인식되지만 타인과 함께 있을 때는 동반자로서 대우받으며 사회적 상호작용을 유도한다는 점을 발견하고 향후 설계 방향을 제시합니다.
From Data Statistics to Feature Geometry: How Correlations Shape Superposition
이 논문은 기존 초과완전 표현 (superposition) 이론이 상관관계를 고려하지 않은 이상적인 가정에 기반하고 있음을 지적하고, 실제 데이터의 상관관계가 간섭을 단순한 노이즈가 아닌 구성적 요소로 활용하여 의미적 클러스터와 순환 구조를 자연스럽게 형성한다는 'Bag-of-Words Superposition (BOWS)' 모델을 통해 이를 설명합니다.
Online Neural Networks for Change-Point Detection
이 논문은 선형 계산 복잡도를 가지며 대규모 시계열 데이터의 변화점 탐지에 기존 방법보다 우수한 성능과 수렴성을 보이는 두 가지 온라인 신경망 기반 접근법을 제안하고 검증합니다.
Automated Reinforcement Learning: An Overview
이 논문은 강화 학습의 모델링, 알고리즘 선택, 하이퍼파라미터 최적화 등 다양한 구성 요소를 자동화하는 '자동화 강화 학습 (AutoRL)'의 최신 연구 동향, 특히 대규모 언어 모델 (LLM) 기반 기법을 포함한 문헌을 종합하고 향후 연구 방향과 과제를 논의합니다.
Explainable classification of astronomical uncertain time series
이 논문은 불확실한 천문학적 시계열 데이터의 분류 성능을 유지하면서 예측의 설명 가능성을 제공하는, 불확실성을 고려한 서브시퀀스 기반의 새로운 모델을 제안합니다.
A Survey of Large Language Models
본 논문은 대규모 언어 모델 (LLM) 의 배경, 주요 발견 및 핵심 기술 (사전 학습, 적응 튜닝, 활용, 능력 평가) 을 개괄하고, 관련 자원과 향후 과제를 논의하는 포괄적인 조사를 제공합니다.
Utility Theory based Cognitive Modeling in the Application of Robotics: A Survey
이 논문은 로봇 공학에서 의사결정 및 학습을 위한 인지 모델링의 진화와 가치 시스템의 역할을 utility theory 관점에서 종합적으로 검토하고, 향후 연구 방향과 해결해야 할 과제를 제시합니다.
Online Dispatching and Routing for Automated Guided Vehicles in Pickup and Delivery Systems on Loop-Based Graphs
이 논문은 순환 기반 그래프에서 용량과 작업 순서가 지정된 자동 유도 차량 (AGV) 을 위한 온라인 충돌 방지 스케줄링 및 라우팅을 해결하는 새로운 알고리즘을 제안하고, 이를 기존 방법론들과 비교하여 더 짧은 계산 시간 내에 동등하거나 우수한 성능을 입증했습니다.
Agent-OM: Leveraging LLM Agents for Ontology Matching
본 논문은 온톨로지 매칭의 복잡하고 퓨샷 (few-shot) 작업에서 기존 최첨단 시스템보다 뛰어난 성능을 보이는 새로운 에이전트 기반 프레임워크인 'Agent-OM'을 제안하고 그 유효성을 입증합니다.