9618 편의 논문
이 논문은 통계적 상관관계에 의존하는 기존 예측 모델의 한계를 극복하고, 사전 훈련된 인과 기반 모델 (Causal Foundation Model) 을 'What-if' 시뮬레이션 도구로 활용하여 생산 라인 고장의 근본 원인을 규명하고 개입 효과를 정량화함으로써 전반 설비 효율 (OEE) 을 최적화하는 처방적 유지보수 (Prescriptive Maintenance) 프레임워크를 제안합니다.
이 논문은 안전이 중요한 환경에서 성능 저하 없이 강화학습의 가소성 손실 문제를 해결하기 위해, 학습과 재학습을 번갈아 수행하는 쌍둥이 신경망 구조인 'AltNet'을 제안하고 이를 통해 샘플 효율성과 성능을 동시에 향상시켰음을 보여줍니다.
이 논문은 전역 노이즈 분산의 한계를 극복하고 다양한 반경에서 강력한 인증된 강인성을 달성하기 위해 입력별 노이즈 분산을 예측하는 '이중 무작위 평활화 (Dual Randomized Smoothing)' 프레임워크를 제안합니다.
이 논문은 에이전트 소프트웨어 시스템의 실행 과정을 그래프 기반으로 체계적으로 분석하는 'Graphectory'를 제안하여, 에이전트의 추론 및 전략 패턴을 심층적으로 규명하고 실시간 모니터링을 통해 문제 해결률을 6.9%~23.5% 향상시키는 효과를 입증했습니다.
이 논문은 비선형적 보상 함수와 고차원 환경에서 기존 샤플리 값의 한계를 극복하기 위해, 단조 변환 학습과 L0 희소성 제약을 통합한 '희소 등방성 샤플리 회귀 (SISR)' 프레임워크를 제안하여 정확한 특성 기여도 해석을 가능하게 합니다.
이 논문은 고정된 트랜스포머 트렁크에 플래너가 시드하는 잠재 작업 공간과 동기화된 다중 스트림 출력 프로토콜을 도입하여, 외부 오케스트레이션이 아닌 모델 내부 메커니즘을 통해 병렬 디코딩을 가능하게 하는 '병렬 디코더 트랜스포머 (PDT)'를 제안합니다.
이 논문은 오프로드 환경의 도로 네트워크 추출을 위해 대규모 벡터 데이터셋 'WildRoad'를 공개하고, 기존 노드 중심 방식의 한계를 극복하여 경로 중심 추론을 통해 강건한 연결성을 확보하는 'MaGRoad' 프레임워크를 제안합니다.
이 논문은 SALVE 라는 프레임워크를 제안하여 희소 오토인코더와 그라디언트 기반 시각화 기법을 결합해 신경망의 특징을 발견하고 검증하며, 이를 통해 모델의 가중치 공간을 정밀하게 편집하여 AI 시스템의 투명성과 제어 가능성을 높이는 방법을 제시합니다.
본 논문은 사전 학습 이후 에이전트와 도구의 적응을 포괄하는 4 가지 패러다임 (A1, A2, T1, T2) 프레임워크를 제시하며, 후학습, 메모리, 기술 시스템에 대한 연구 동향을 통합적으로 분석하고 평가 기준 및 향후 과제를 정리합니다.
이 논문은 RL 기반 언어 에이전트의 탐색 부족 문제를 해결하기 위해 에피소드 간 학습과 인-컨텍스트 정책 적응을 통해 환경 피드백을 실시간으로 활용하는 메타-RL 프레임워크 'LaMer'를 제안하고, 다양한 환경에서 기존 RL 베이스라인보다 우수한 성능과 일반화 능력을 입증했습니다.
이 논문은 기초 모델과 대규모 2D 확산 모델의 강점을 결합하여, 깊이 지도를 재조명하고 입력 이미지를 증강하는 자기지도 학습 프레임워크인 'Re-Depth Anything'을 제안함으로써 단안 깊이 추정의 도메인 격차를 해소하고 정밀도와 현실감을 획기적으로 향상시킨다고 설명합니다.
이 논문은 클라우드 비용 청구와 실행 시간이 서로 무관함을 입증하고, 추론 모델이 비추론 모델보다 데이터 처리량을 44.5% 줄이면서도 동등한 정확도를 유지하여 비용 효율성이 훨씬 높음을 180 건의 실험을 통해 규명했습니다.
이 논문은 기존 SPICE 시뮬레이터와 달리 물리 정보 기반 신경망 (PINN) 을 활용하여 소자 및 회로 미분 - 대수 방정식을 해석적으로 풀고, 특히 비선형성이 강한 강유전체 메모리 등 신소자 모델링과 설계 최적화, 역문제 해결에 유연한 NeuroSPICE 프레임워크를 제안합니다.
이 논문은 보존 법칙과 비가역적 전환을 기반으로 한 '보존-합치 부호화 (CCE)' 프레임워크를 제시하여, 열역학적 소산, 양자 측정, 시공간 기하학을 연결함으로써 지능과 의식을 설명하는 물리적 이론의 기초를 마련합니다.
이 논문은 전력망 부하 예측의 안전성을 위해 기존 정확도 지표를 넘어 편향과 하향 예측 위험을 정량화하는 새로운 평가 프레임워크를 제안하고, 이를 통해 상태 공간 모델과 트랜스포머 아키텍처의 성능을 분석하며, 확률적 예측에서 발생할 수 있는 과도한 안전 마진 (가짜 안전) 문제를 해결하기 위해 편향 제약을 도입한 최적화 기법을 제시합니다.
이 논문은 자율주행 생성형 월드 모델의 발전을 촉진하기 위해 다양한 평가 데이터셋과 시각적 사실성, 궤적 타당성, 시간적 일관성, 제어 가능성 등을 종합적으로 측정하는 새로운 메트릭을 포함한 포괄적인 벤치마크 'DrivingGen'을 제안합니다.
이 논문은 개별 쿼리 처리의 한계를 극복하기 위해 관련 질문들을 집단적으로 처리하여 상호 학습을 가능하게 하는 훈련 없는 방법인 'Batch-of-Thought(BoT)'를 제안하고, 이를 통해 정확도와 신뢰도 보정을 향상시키면서 추론 비용을 최대 61%까지 절감하는 효과를 입증했습니다.
NC-Bench 는 IBM 의 자연 대화 프레임워크에 기반하여 LLM 의 주제나 작업 수행이 아닌 대화의 형식과 구조적 순서 관리 능력을 평가하는 새로운 벤치마크를 제안합니다.
이 논문은 시각 생성 AI 모델의 학습 데이터 선별에 널리 사용되는 'LAION-Aesthetics Predictor'를 감사 및 추적 민속지학적 방법으로 분석한 결과, 해당 모델이 서구 중심의 미적 기준과 성별 편향을 반영하여 여성, LGBTQ+ 및 비서구 예술을 배제하는 등 대표성 해악을 재생산함을 규명하고, 이를 극복하기 위해 더 다양하고 포용적인 평가 체계로의 전환을 촉구하고 있습니다.
이 논문은 컴퓨터 사용 에이전트 (CUA) 의 보안 취약점을 해결하기 위해, 신뢰할 수 있는 플래너가 악성 콘텐츠 관찰 전에 전체 실행 그래프를 생성하는 'Single-Shot Planning' 아키텍처를 제안하여 프롬프트 주입 및 브랜치 조종 공격을 방어하면서도 성능을 유지하거나 향상시킬 수 있음을 보여줍니다.