From Days to Minutes: An Autonomous AI Agent Achieves Reliable Clinical Triage in Remote Patient Monitoring
본 논문은 원격 환자 모니터링 데이터를 실시간으로 분석하여 개별 임상진료자보다 높은 민감도로 응급 상황을 식별하고, 확장 가능한 비용 효율적인 임상 분류를 가능하게 하는 자율 AI 에이전트 'Sentinel'의 개발과 유효성을 입증했습니다.
💬 Category
cs.CL
1071 편의 논문
Exclusive Self Attention
이 논문은 토큰의 자기 위치 정보를 배제하고 직교하는 정보에만 주의를 집중하도록 한 '배타적 자기 주의 (XSA)'를 제안하여, 다양한 모델 크기와 긴 시퀀스 길이에서 기존 자기 주의 메커니즘보다 언어 모델링 성능을 지속적으로 향상시킨다는 것을 보여줍니다.
Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs
본 논문은 멀티모달 LLM 에서 텍스트가 이미지로 변환될 때 발생하는 성능 저하 (모달리티 격차) 를 체계적으로 진단하고, 렌더링 요인의 영향과 오류 유형을 규명하며, 모델의 자체 텍스트 추론 궤적을 활용한 자기 증류법을 통해 시각적 텍스트 이해 능력을 획기적으로 개선하는 방법을 제시합니다.
Bioalignment: Measuring and Improving LLM Disposition Toward Biological Systems for AI Safety
이 논문은 대규모 언어 모델이 생물학적 솔루션보다 인공적 솔루션을 선호하는 편향을 보임을 규명하고, 소규모 오픈 가중치 모델에 생물학 관련 데이터를 기반으로 한 미세 조정을 적용하여 이러한 편향을 통계적으로 유의미하게 개선하면서도 일반 능력을 유지할 수 있음을 입증했습니다.
DuplexCascade: Full-Duplex Speech-to-Speech Dialogue with VAD-Free Cascaded ASR-LLM-TTS Pipeline and Micro-Turn Optimization
이 논문은 VAD(음성 활동 감지) 없이 스트리밍 파이프라인을 구축하고 말뭉치 단위를 '마이크로 턴'으로 변환하며 대화 제어 토큰을 도입함으로써, 강력한 LLM 지능을 유지하면서도 자연스러운 전체이중 (Full-Duplex) 음성 대화를 실현하는 'DuplexCascade'를 제안합니다.
DEO: Training-Free Direct Embedding Optimization for Negation-Aware Retrieval
이 논문은 추가적인 학습이나 모델 업데이트 없이 쿼리를 긍정 및 부정 구성 요소로 분해하여 대비적 목적 함수로 임베딩을 최적화하는 '직접 임베딩 최적화 (DEO)'라는 훈련 없는 방법을 제안함으로써, 부정을 고려한 검색 성능을 획기적으로 향상시킵니다.
The Reasoning Trap -- Logical Reasoning as a Mechanistic Pathway to Situational Awareness
이 논문은 논리적 추론 능력의 향상이 기계적 경로를 통해 AI 의 상황 인식과 전략적 기만 같은 위험한 능력으로 이어질 수 있음을 'RAISE' 프레임워크를 통해 분석하고, 이에 대한 구체적인 안전 장치와 연구 공동체의 책임을 제안합니다.
Emotion is Not Just a Label: Latent Emotional Factors in LLM Processing
이 논문은 감정을 단순한 예측 대상이 아닌 LLM 의 추론과 어텐션 기하학에 영향을 미치는 잠재적 요인으로 규명하고, 이를 통제하기 위해 감정 균형 QA 데이터셋 AURA-QA 와 감정 정규화 프레임워크를 제안하여 다양한 환경에서 읽기 이해 성능을 향상시켰음을 보여줍니다.
SPAR-K: Scheduled Periodic Alternating Early Exit for Spoken Language Models
이 논문은 텍스트와 음성을 교차 생성하는 대화형 음성 언어 모델의 추론 비용을 줄이기 위해, 주기적인 전체 깊이 '리프레시' 단계를 포함한 모달리티 인지형 조기 종료 프레임워크인 SPAR-K 를 제안하며, 이를 통해 음성 품질을 유지하면서 추론 깊이를 최대 11% 까지 감소시켰다고 요약할 수 있습니다.
LooComp: Leverage Leave-One-Out Strategy to Encoder-only Transformer for Efficient Query-aware Context Compression
이 논문은 질문 응답의 정확성과 확장성을 높이기 위해, 문장을 제거했을 때의 단서 풍부도 변화를 측정하는 마진 기반 전략을 사용하여 경량 인코더 전용 트랜스포머를 통해 효율적이고 정밀한 컨텍스트 압축을 달성하는 'LooComp' 프레임워크를 제안합니다.
How Contrastive Decoding Enhances Large Audio Language Models?
이 논문은 대비적 디코딩이 오디오 언어 모델의 특정 오류를 수정하는 데 효과적이지만 그 성능은 모델별 오류 패턴에 따라 달라지므로, 이를 분석하기 위한 전이 행렬 프레임워크를 제안하고 각 아키텍처에 적합한 개선 전략을 제시합니다.
Diagnosing and Repairing Citation Failures in Generative Engine Optimization
이 논문은 생성형 엔진 최적화 (GEO) 에서 인용 실패의 원인을 진단하고 맞춤형 개입을 수행하는 에이전트 시스템인 AgentGEO 를 제안하여, 기존 방법 대비 인용률을 40% 이상 향상시키면서 콘텐츠 수정량은 5% 로 최소화하는 효율적인 프레임워크를 제시합니다.
TA-Mem: Tool-Augmented Autonomous Memory Retrieval for LLM in Long-Term Conversational QA
이 논문은 LLM 의 컨텍스트 윈도우 제한을 극복하기 위해 의미적 상관관계에 따른 적응형 메모리 추출, 다중 인덱스 메모리 데이터베이스, 그리고 사용자 입력에 기반한 자율적 도구 선택을 통해 장기 대화형 QA 성능을 향상시킨 'TA-Mem' 프레임워크를 제안합니다.
TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation
이 논문은 복잡한 질의를 관계 삼중체로 분해하고 경량화된 계층 분류법을 활용하여 단계별 증거 선택을 수행함으로써, 기존 RAG 시스템의 구조적 한계를 극복하고 다단계 추론 정확도를 크게 향상시킨 'TaSR-RAG' 프레임워크를 제안합니다.
Quantifying and extending the coverage of spatial categorization data sets
이 논문은 대규모 언어 모델 (LLM) 을 활용하여 인간이 생성한 공간 범주화 레이블과 높은 일치도를 보임을 입증하고, 이를 통해 기존 TRPS 데이터 세트를 확장하여 더 포괄적인 공간 데이터 구축의 기반을 마련하는 방법을 제시합니다.
Reward Prediction with Factorized World States
이 논문은 언어 모델을 활용하여 비구조화된 관측을 계층적 객체 - 속성 구조로 변환하는 'StateFactory'를 제안함으로써, 훈련 데이터의 편향 없이 다양한 도메인에서 목표 상태와의 의미적 유사성을 기반으로 한 정확한 보상 예측과 향상된 에이전트 계획 성능을 달성함을 보여줍니다.
LLM as a Meta-Judge: Synthetic Data for NLP Evaluation Metric Validation
이 논문은 인간 평가에 의존하던 기존 방식의 한계를 극복하기 위해, LLM 을 메타-저지 (Meta-Judge) 로 활용하여 제어된 의미적 왜곡을 통해 합성 평가 데이터를 생성하고, 이를 통해 NLG 평가 지표의 신뢰성을 검증하는 확장 가능한 프레임워크를 제안합니다.
Investigating Gender Stereotypes in Large Language Models via Social Determinants of Health
본 논문은 프랑스어 환자 기록을 분석하여 대규모 언어 모델이 성별과 다른 사회적 건강 결정 요인 간의 상호작용을 통해 내재된 성 고정관념을 활용하여 성별 관련 결정을 내린다는 사실을 규명함으로써, 기존 편향 평가 방법의 한계를 보완할 수 있는 새로운 접근을 제시합니다.
Common Sense vs. Morality: The Curious Case of Narrative Focus Bias in LLMs
이 논문은 대규모 언어 모델이 도덕적 추론을 상식적 이해보다 우선시하며, 특히 화자보다 부수적 인물의 상식 모순을 더 잘 감지하는 서사적 편향을 보인다는 점을 CoMoral 벤치마크를 통해 규명하고, 이에 대한 개선의 필요성을 강조합니다.
CyberThreat-Eval: Can Large Language Models Automate Real-World Threat Research?
이 논문은 기존 벤치마크의 한계를 극복하고 실제 사이버 위협 인텔리전스 (CTI) 분석가의 3 단계 워크플로우를 반영한 새로운 평가 프레임워크인 CyberThreat-Eval 을 제안하며, 이를 통해 현재 대규모 언어 모델 (LLM) 이 복잡한 위협 연구 자동화에서 겪는 사실성 및 전문성 부족 문제를 규명했습니다.