2180 편의 논문
이 논문은 테스트 시 학습 중 발생하는 신뢰할 수 없는 의사레이블과 비효율적인 적응 문제를 해결하기 위해, 실패한 추론 경로를 분석하고 표적 변형 문제를 생성하는 '교사' 역할과 문제 해결을 수행하는 '학생' 역할이 교차하는 자기반성 기반의 TTSR 프레임워크를 제안하여 대형 언어 모델의 추론 능력을 지속적으로 향상시키는 방법을 제시합니다.
이 논문은 레이블 데이터나 최적화 루프 없이도 실시간으로 생성된 예시를 통해 인스턴스별 프롬프트를 구성하는 훈련 없는 TATRA 방법을 제안하며, 기존 최적화 기반 방법보다 우수한 성능을 보여줍니다.
이 논문은 10 개의 상용 대규모 언어 모델 (LLM) 을 대상으로 학술 인용 허위 생성을 광범위하게 분석하여 모델과 도메인에 따른 할루시네이션 발생률 차이를 규명하고, 다중 모델 합의 및 반복 검증 같은 실용적 필터와 외부 데이터베이스 없이도 작동하는 경량 분류기를 통해 위조 인용을 탐지하는 방법을 제시합니다.
이 논문은 LaborBench 벤치마크를 활용하여 STARA 도구가 기존 RAG 및 상용 법률 AI(웨스트로, 렉시스) 보다 뛰어난 성능을 보였으며, 기존 DOL 변호사들의 실수를 보정했을 때 정확도가 92% 에 달한다는 사실과 함께 향후 법적 RAG 시스템 구축을 위한 설계 원칙을 제시합니다.
이 논문은 LLM 임베딩을 위한 의미적 캐싱의 최적 오프라인 정책이 NP-난해임을 증명하고, 다항 시간 휴리스틱 및 온라인 정책을 제안하여 다양한 데이터셋에서 기존 빈도 기반 기법보다 향상된 성능을 입증합니다.
이 논문은 주정부 도로국 (State DOTs) 의 지식 관리 및 인력 훈련 효율성을 향상시키기 위해, 전문 에이전트와 비전 - 언어 모델을 활용한 멀티 에이전트 기반의 검색 증강 생성 (RAG) 프레임워크를 제안합니다.
이 논문은 사용자의 표면적 언어 패턴이 아닌 심리적 상태를 정렬하는 강화학습 기반의 새로운 훈련 프레임워크 'HumanLM'을 제안하여, 기존 시뮬레이터보다 실제 사용자의 반응을 훨씬 더 정확하게 모사하고 인간과 유사한 성능을 달성했음을 보여줍니다.
이 논문은 의미적 계획과 구조적 제어를 분리하는 훈련 없는 추론 절차인 '초안 기반 제약 디코딩 (DCCD)'을 제안하여, 구조화된 생성 작업에서 기존 제약 디코딩 방식보다 엄격한 정확도를 크게 향상시키고 파라미터 효율성을 개선함을 보여줍니다.
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.