1811 편의 논문
이 논문은 TOON 이 인-도메인 생성 작업에서 토큰 효율성과 정확도 면에서 유망한 결과를 보이지만, 짧은 컨텍스트에서는 프롬프트 오버헤드로 인해 이점이 감소하며, 특히 단순 구조에서는 제약 디코딩을 통한 JSON 생성이 TOON 보다 더 낮은 토큰 사용량을 보여 TOON 의 효율성은 특정 임계점을 넘어 누적된 구문 절감 효과가 프롬프트 오버헤드를 상쇄할 때 비로소 실현된다는 것을 밝혔습니다.
이 논문은 수동 코딩의 한계를 극복하고 대규모 텍스트 코퍼스에 적용 가능한 확장성 있는 분석을 위해 BERTopic 과 ENA 를 결합한 'TopicENA'프레임워크를 제안하고, 다양한 분석 사례를 통해 그 유효성과 설정 가이드라인을 제시합니다.
이 논문은 'History-Echoes' 프레임워크를 통해 대화의 과거가 확률적 마르코프 체인과 기하학적 잠재 공간 분석을 통해 LLM 의 미래 생성에 어떻게 편향을 유발하고 기하학적 함정으로 작용하는지 규명합니다.
이 논문은 LLM 기반의 시맨틱 분석과 VARK 학습 스타일 인지 프로파일링을 결합한 하이브리드 프레임워크를 제안하여, 사용자 및 아이템의 상호작용 데이터가 부족한 콜드 스타트 문제를 해결하고 초기 접촉 단계에서도 개인화되고 설명 가능한 추천을 가능하게 합니다.
이 논문은 토큰 인덱스가 아닌 불확실성의 흐름을 기반으로 한 '엔트로피 시간 추론' 패러다임을 제안하여, vLLM 을 확장하고 엔트로피 인식 스케줄링 및 적응형 온도 제어를 통해 LLM 추론을 계산 자원을 지능적으로 할당하는 열역학적 과정으로 변환하는 시스템을 설계했습니다.
이 논문은 1990 년대 초부터 2012 년까지 상업적으로 운영된 대규모 명시적 규칙 기반 영어 - 일본어 기계 번역 시스템인 'Logovista'의 아키텍처, 개발 관행, 그리고 유지보수 과정에서 겪은 실제적 도전과제와 보존된 아티팩트를 기술적·역사적 기록으로 문서화합니다.
이 논문은 EEG 신호에서 자연어를 해독할 때 발생하는 의미 편향과 신호 무시 문제를 해결하기 위해, 감성·주제·길이·놀라움이라는 네 가지 분리된 의미 목표를 통해 신경 입력에 기반한 생성을 강제하는 'SemKey' 프레임워크를 제안하고, 기존 BLEU 점수의 한계를 넘어 N-way 검색 정확도 및 프라체트 거리와 같은 새로운 평가 지표를 통해 모델의 성능을 입증합니다.
본 연구는 특정 작업에 대한 파인튜닝이 대규모 언어 모델의 내부 표현을 인간 감각운동 경험과 더 정렬되도록 유도할 수 있음을 입증하지만, 이러한 개선 효과는 학습 목표에 따라 작업 간 전이가 제한적임을 보여줍니다.
이 논문은 외부 도구에 의존하지 않고 대규모 언어 모델의 내재적 프롬프트 노이즈 저항력을 향상시키기 위해 대비 학습 기반 역 선호도 최적화 (CoIPO) 방법을 제안하고, 이를 검증하기 위해 NoisyPromptBench 벤치마크를 구축하여 기존 최첨단 기법보다 뛰어난 성능을 입증했습니다.
이 논문은 밈의 의미와 독성 (toxicity) 을 포괄적으로 이해하기 위한 새로운 의미론적 프레임워크와 이를 기반으로 생성된 609 개의 질문 - 답변 쌍으로 구성된 M-QUEST 벤치마크를 제안하고, 다양한 오픈소스 대형 언어 모델의 성능을 평가하여 밈 해석에 있어 지시 튜닝과 추론 능력이 중요함을 입증했습니다.
이 논문은 시각적 데이터셋 대신 중국어와 그리스어의 표의성 (iconicity) 을 가진 수어 데이터를 타겟 언어인 아랍어와 플랑드르어로 전이 학습하여 적용했을 때 각각 7.02% 와 1.07% 의 인식 성능 향상을 확인함으로써 표의성 기반 전이 학습의 유효성을 입증했습니다.
이 논문은 대화 중 LLM 의 행동을 턴 단위로 정밀하게 제어할 수 있도록 설계된 퓨샷 프롬핑 기법인 'Retcon'을 제안하고, 기존 제로샷 및 전통적인 퓨샷 프롬핑보다 뛰어난 성능을 입증합니다.
이 논문은 기존 양자 자기주의 메커니즘이 텍스트 분류에만 국한되었던 것과 달리, GPT-1 의 전체 자동회귀 언어 모델링 파이프라인에 양자에서 영감을 받은 자기주의 (QISA) 를 최초로 통합하여, 추론 시간 2.6 배 증가에 비해 오타율, 단어 오류율, 교차 엔트로피 손실에서 각각 15.5 배, 4.7 배, 13 배의 획기적인 성능 향상을 달성했다고 요약할 수 있습니다.
이 논문은 사전 정의된 편향 목록에 의존하지 않고 스패스 오토인코더 기반의 개념 추출 방법을 통해 LLM 평가자의 선호도를 자동으로 발견하고 해석 가능한 편향 요인들을 체계적으로 분석하는 새로운 프레임워크를 제시합니다.
이 논문은 사회적 과학 이론과 귀납적 추론을 기반으로 한 신경-상징적 접근법을 제안하여, 기존 대규모 언어 모델이 수행하기 어려운 '우리'에서 '나'로의 서사 전환 과제를 성공적으로 해결하고 원본 메시지의 충실도를 유지하면서도 서사적 일관성을 크게 향상시켰음을 보여줍니다.
이 논문은 인간 평가 패턴과 부합하는 형식적 속성과 독립성 제약을 적용하여 지시 사항을 유형별 술어로 자동 분해하고 만족도를 평가하는 대화형 LLM 지시 수행 평가 프레임워크인 DIALEVAL 을 제안하며, 이를 통해 기존 방법 대비 오류를 26.45% 줄이고 인간 판단과의 상관관계를 크게 향상시켰음을 보여줍니다.
이 논문은 기존 벤치마크의 데이터 오염 및 정적 한계를 극복하기 위해, 12 개의 생물의학 하위 분야를 매달 업데이트하며 최신 LLM 의 새로운 지식 발견 능력을 평가하는 동적 자동화 프레임워크인 'DBench-Bio'를 제안하고 그 유효성을 검증합니다.
이 논문은 안전성 정렬 과정에서 발생하는 과도한 거절 (over-refusal) 문제를 해결하기 위해, 실제 유해한 콘텐츠와 겉보기에 유해한 콘텐츠를 명확히 구분하는 '대조적 정제 (Contrastive Refinement)' 기법을 도입하여 모델의 유용성과 안전성을 동시에 향상시키는 새로운 정렬 단계를 제안합니다.
이 논문은 대규모 언어 모델의 스타일 속성이 활성화 공간의 선형 방향으로 인코딩된다는 가설을 실험적으로 입증하고, 이를 기반으로 학습 없이도 정밀한 스타일 제어와 안전성 향상을 가능하게 하는 경량화 방법을 제시합니다.
이 논문은 사용자의 상황적 맥락과 축적된 의도 패턴을 검색 기반 추론을 통해 결합하여 개인화된 의도 이해를 수행하는 프록시 에이전트 'IntPro'를 제안하고, 이를 통해 다양한 시나리오에서 강력한 성능을 입증합니다.