6308 편의 논문
이 논문은 시뮬레이션 기반 추론 (SBI) 기법을 활용하여 중성미자 유도 핵자 방출 모델의 매개변수를 추정함으로써, 기존 MicroBooNE 실험의 경험적 튜닝보다 더 나은 적합도를 달성하고 다른 시뮬레이션 모델 (NuWro) 에도 적용 가능성을 입증했습니다.
이 논문은 '불투명 직렬 깊이 (opaque serial depth)'라는 개념을 정립하고 이를 통해 체인 오브 씽킹 (Chain of Thought) 없이 수행 가능한 추론의 한계를 정량화하여, 모델이 외부화되지 않은 추론을 할 수 있는 잠재력을 평가하는 새로운 도구를 제시합니다.
본 논문은 고전 신경망 (LSTM) 과 양자 회로 Born 머신을 결합한 하이브리드 양자 - 고전 프레임워크를 제안하여 주가 변동성 예측의 정확도를 기존 고전 모델보다 크게 향상시켰음을 실증합니다.
이 논문은 라벨 인식 채널 중요도 점수 (LCIS) 를 기반으로 덜 중요한 채널을 적응적으로 제거하여 분할 학습의 통신 오버헤드를 줄이면서도 테스트 정확도를 향상시키는 'ACP-SL' 방식을 제안합니다.
이 논문은 CERN 의 CMS 와 같은 대규모 과학 협업에서 민감한 데이터를 온프레미스로 보호하면서 내비게이션과 지식 공유를 개선하기 위해 Selenium 과 OCR 기반 자동 파이프라인, 2 단계 벡터 데이터베이스 아키텍처를 활용한 온프레미스 RAG 기반 AI 어시스턴트 'MITRA'를 제안합니다.
이 논문은 다중 격자 (MG) 패러다임에서 영감을 받아 기존 트랜스포머 모델의 핵심 구조를 변경하지 않고 노이즈 민감도를 줄이고 학습 안정성을 향상시키는 경량 '가상 프로젝터 (pseudo-projector)' 모듈을 제안하고, 텍스트 분류 및 합성 벤치마크를 통해 그 유효성을 입증했습니다.
이 논문은 다수의 embodied 에이전트로부터 수집된 장기 시점의 이기중심 비디오를 동시에 이해하는 새로운 문제를 정의하고, 이를 평가하기 위한 MA-EgoQA 벤치마크와 공유 메모리 및 동적 검색을 활용한 EgoMAS 기반 모델을 제안하며, 현재 모델들이 다중 스트림 처리에 한계가 있음을 보여줍니다.
이 논문은 접근성 기술과 산업용 소음 모니터링의 필요성에 기반하여 음성 인식 외의 오디오 이해 능력을 평가하기 위해 SCENEBench 라는 새로운 벤치마크를 제안하고, 최신 대규모 오디오 언어 모델 (LALM) 들의 성능과 한계를 분석합니다.
이 논문은 지리 공간 데이터를 활용하여 복잡한 공간 수요 패턴과 공간 자기상관 문제를 해결하고 기존 모델 대비 21% 높은 예측 정확도를 달성한 계층적 해상도 그래프 어텐션 네트워크 (HR-GAT) 를 제안합니다.
이 논문은 복잡한 환경에서 물체 간 접촉으로 인한 역학을 명시적으로 모델링한 '동역학 인식 정책 학습 (DAPL)' 프레임워크를 제안하여, 수동적 조작의 한계를 극복하고 혼잡한 장면에서도 성공적인 외재적 민첩성을 실현하는 방법을 제시합니다.
이 논문은 continual learning 환경에서 백본과 분류기 간의 불일치 문제를 해결하기 위해 'Local Classifier Alignment(LCA)' 손실 함수를 제안하고, 이를 모델 병합 접근법과 결합하여 기존 최첨단 방법보다 우수한 성능을 달성하는 새로운 continual learning 솔루션을 제시합니다.
이 논문은 강화학습 없이도 프롬프트를 매개변수화하여 에이전트의 대화 행동을 체계적으로 제어하는 경량 정책 프레임워크를 제안하고, 이를 통해 다중 에이전트 대화의 역동성을 효과적으로 조절할 수 있음을 실험을 통해 입증합니다.
이 논문은 연속적인 LLM 파인튜닝 중 발생하는 catastrophic forgetting 을 완화하면서도 빠른 적응을 유지하기 위해, 샘플 수준의 기억 강도를 추정하고 적응형 간격으로 재연습을 스케줄링하는 메모리 인식 적응형 재연습 프레임워크인 MSSR 을 제안하고 다양한 벤치마크에서 기존 방법들을 능가하는 성능을 입증합니다.
이 논문은 비동일한 데이터 파이프라인과 표준화된 평가 부재라는 한계를 해결하기 위해, 24 가지 의료 모달리티와 11 가지 이기종 다중 에이전트 아키텍처를 통합하고 자동화된 임상 추론 평가 체계를 갖춘 멀티모달 의료 다중 에이전트 시스템 벤치마킹 프레임워크인 MedMASLab 을 제안합니다.
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.
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.
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.
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.
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.
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.