63 편의 논문
이 논문은 고차원 공간에서 기존 가우시안 프로세스 기반 베이지안 최적화의 한계를 극복하기 위해, TabPFN v2 기반의 제로샷 추론과 활성 부분공간 메커니즘을 결합해 온라인 재학습 없이 500 차원까지 확장 가능한 GIT-BO 프레임워크를 제안하고, 다양한 벤치마크에서 최첨단 방법론 대비 우수한 성능과 실행 시간을 입증합니다.
본 논문은 일본 기업의 10 년간 공시 자료를 기반으로 회계 부정 탐지 및 수익 예측 등 복잡한 금융 과제를 수행하는 LLM 의 능력을 평가하기 위해 'EDINET-Bench'를 제안하고, 최첨단 모델조차 전문가 수준의 추론이 필요한 이러한 과제에서는 인간 전문가나 단순 통계 모델과 큰 차이가 없는 성능을 보임을 밝혀내어, 실제 금융 업무 환경을 반영한 더 정교한 평가 프레임워크의 필요성을 강조합니다.
이 논문은 노이즈가 많고 이질적인 특성을 가진 소매 공급망 수요 예측 문제를 해결하기 위해, 각 부스팅 라운드에서 특징 중요도를 동적으로 조정하여 예측 정확도와 해석 가능성을 동시에 향상시킨 새로운 프레임워크인 'AttnBoost'를 제안하고 그 유효성을 입증합니다.
이 논문은 기존 수치 적분기나 개별 모델 학습의 한계를 극복하고, 다양한 확률 미분방정식 (SDE) 시스템에서 정확도와 효율성을 동시에 향상시키기 위해 텍스트와 수치 정보를 결합한 범용 기반 모델 'FMint-SDE'를 제안합니다.
이 논문은 리소스가 제한된 IoT 기기의 특성을 고려하여, 경량 제로지식증명 (ZKP) 알고리즘과 보안 요소 (SE) 를 결합한 하이브리드 아키텍처를 통해 인터넷 연결 없이도 이중 지출 방지와 개인정보 보호를 동시에 실현하는 오프라인 CBDC 결제 시스템을 제안합니다.
이 논문은 비동일 분포 (non-IID) 데이터와 적대적 공격 환경에서도 높은 정확도와 통신 효율성을 보장하기 위해 서버 측에서 지수 이동 평균 (EMA) 과 앙상블 지식 증류 (ensemble knowledge distillation) 를 결합하여 클라이언트 모델의 이질성을 지원하고 Byzantine 공격에 강인한 새로운 연방 학습 프레임워크인 FedEMA-Distill 을 제안합니다.
이 논문은 신체화된 인공지능의 능력 임계값 도달이 노동 집약적 대량 생산 패러다임을 붕괴시키고, 생산 지리를 노동 비용이 아닌 기계 최적 환경과 수요 근접성에 기반한 새로운 위상적 구조로 전환시킨다는 '신체화된 인공지능 경제학'을 제시합니다.
이 논문은 가속도계 네트워크로 기록된 바닥 진동을 물리적 저수소 컴퓨팅 (Physical Reservoir Computing) 방식으로 처리하여, 별도의 재학습 없이도 보행자나 환경 변화에 강인한 실내 보행 위치를 예측할 수 있음을 입증했습니다.
이 논문은 LLM 의 산술 오류와 벡터 검색의 의미적 혼란을 해결하기 위해, 엄격하게 유형화된 범용 사실 장부 (UFL) 와 적대적 시뮬레이션으로 훈련된 저지연 감시 모델 (VeNRA Sentinel) 을 결합하여 금융 도메인에서 0 의 환각을 보장하는 신경-상징적 추론 프레임워크인 VeNRA 를 제안합니다.
이 논문은 MOOSE 시뮬레이션 환경의 복잡한 입력 파일 설정과 디버깅을 자연어 기반 대화형 워크플로우, 검색 증강 생성 (RAG), 그리고 MOOSE 런타임 검증이 결합된 도구 기반 AI 에이전트 'MOOSEnger'를 통해 해결하여, 기존 LLM 단독 방식 대비 실행 성공률을 0.08 에서 0.93 으로 획기적으로 향상시켰음을 제시합니다.
이 논문은 노이즈가 포함된 거리 측정치를 바탕으로 미지의 점 위치를 추정하는 문제를 다루며, 오차 모델을 기반으로 한 집합-구성원 (set-membership) 방법론을 사용하여 국소화 집합을 정의하고 이를 효율적인 볼록 프로그래밍 기법으로 단순한 외접 상자 또는 타원체로 근사화하는 새로운 접근법을 제시합니다.
이 논문은 금속 적층 제조 용융 풀 시뮬레이션에서 기존 연속체 표면 플럭스 (CSF) 모델의 정확도 한계를 극복하고 계산 비용을 대폭 절감하기 위해, 매개변수 스케일링을 적용한 새로운 CSF 접근법을 제안하고 그 유효성을 입증합니다.
이 논문은 LLM 을 활용하여 생성된 감성 인식형 공식적 알파 (formulaic alpha) 를 Transformer 모델에 통합함으로써 주식 가격 예측의 정확도와 해석 가능성을 동시에 향상시키는 새로운 프레임워크를 제안합니다.
이 논문은 기술적 지표와 뉴스 감성 분석을 통합하여 암호화폐 포트폴리오의 기대수익률을 추정하고 평균 - 분산 최적화를 적용함으로써 기존 벤치마크 대비 우수한 위험 조정 수익률을 달성했으나, 시장 스트레스 기간 동안의 큰 손실을 줄이기 위해 추가적인 위험 관리 기법이 필요함을 시사합니다.
이 논문은 강화학습 기법인 PPO 를 활용하여 다양한 시장 환경에서 DeepSeek 모델이 생성한 알파 신호들의 가중치를 동적으로 최적화함으로써, 기존 전략 대비 더 높은 샤프 비율과 낮은 최대 낙폭을 달성하는 안정적인 투자 전략을 제시합니다.
본 논문은 비정규 방향 그래프의 비자기수반 라플라시안을 다루기 위해 쌍직교 고유기저를 활용한 쌍직교 그래프 푸리에 변환 (BGFT) 을 제안하고, 이를 통해 비정규성으로 인한 기하학적 왜곡을 정량화하며 샘플링 및 재구성의 안정성을 보장하는 이론적 체계를 구축합니다.
이 논문은 미완성 스펙트럼 라이브러리 환경에서 타겟 없는 타나드 질량 분석 (MS/MS) 을 통한 소분자 식별의 병목 현상을 해결하기 위해, 사전 학습된 분자 기반 모델 (ChemBERTa) 의 잠재 공간에 스펙트럼 인코더를 정렬하는 새로운 프레임워크 'SpecBridge'를 제안하고, 기존 강력한 신경망 베이스라인 대비 20~25% 향상된 검색 정확도를 달성하면서도 학습 파라미터를 최소화하는 효율적인 방법을 제시합니다.
이 논문은 선형성을 넘어선 편미분방정식 (PDE) 의 전방 및 역문제 해결을 위해 CNF 프레임워크를 확장하고, 다양한 솔버의 장단점 분석, 자체 튜닝 기법 구현, 벤치마크 평가 및 신경망 기반 PDE 솔버에 대한 포괄적인 조사를 통해 과학적 시뮬레이션 응용을 다룹니다.
이 논문은 절대 판 운동 모델링 코드인 optAPM 의 목적 함수 구성, 특히 핫스팟 비용 함수의 단순화된 공식과 데이터 전보간법을 도입하여 모델링 오차를 줄이고 과거 판 운동 재구성의 정확성과 신뢰성을 향상시키는 방법을 제안합니다.
이 논문은 과학적 발견을 위한 생성적 추론 과정의 직접적인 모델링이 직면한 계산적 복잡성 장벽을 해결하기 위해, 분해된 하위 작업 학습과 동기 부여 계층적 탐색을 통해 복잡성을 지수에서 로그 수준으로 낮추는 MOOSE-Star 프레임워크와 대규모 학습 데이터셋 TOMATO-Star를 제안합니다.