4591 편의 논문
이 논문은 랭크 - 스코어 특성 (RSC) 함수와 인지 다양성 (CD) 을 기반으로 한 조합 융합 분석 (CFA) 기법을 적용하여 PyTorch, TensorFlow, Scikit-learn 등 다양한 워크플로우에서 다중 분류 문제를 해결하는 새로운 앙상블 도구인 'InFusionLayer'를 소개하고 그 성능을 검증합니다.
이 논문은 암호화 트래픽 분류에서 시퀀스 기반 접근법의 한계를 지적하고, 프로토콜 정의 semantics 를 구조적 우선순위로 삼아 학습 가능한 필드만 선별하고 메타데이터를 보존하는 표본 기반 자기지도 학습 모델인 FlowSem-MAE 를 제안하여 적은 레이블 데이터로도 최첨단 성능을 달성함을 보여줍니다.
이 논문은 3D 공간의 에너지 함수로 표현된 다양한 안내 소스를 활용하여 복잡한 작업에서 시각 - 언어 - 행동 (VLA) 모델의 성능과 안전성을 획기적으로 향상시키는 범용 프레임워크인 '오미가이드 (OmniGuide)'를 제안합니다.
이 논문은 픽업 및 배송 문제 (PDP) 의 군집 구조를 명시적으로 활용하여 기존 딥러닝 기반 방법들보다 높은 효율성과 성능을 달성하는 'CAADRL'이라는 새로운 심층 강화 학습 프레임워크를 제안합니다.
이 논문은 2004 년 제안된 피셔 정보 계량에 따른 리치 스칼라 부피 평균의 양의 반정수 양자화 가설을 트리 및 완전 그래프 비트넷에서는 증명하고 일반적 경우에는 반례를 들어 반증하였으며, 가우시안 DAG 네트워크로 확장하여 이산 비트넷과 가우시안 네트워크 간의 양의 곡수와 음의 곡수라는 부호 이분법을 규명했습니다.
이 논문은 신경 세포 자동자 (NCA) 를 통해 생성된 합성 비언어 데이터를 사전-사전 학습에 활용함으로써, 자연어 학습보다 효율적으로 언어 모델의 성능과 추론 능력을 향상시키는 새로운 접근법을 제시합니다.
이 논문은 무언 (Muon) 알고리즘의 중력 꼬리 분포 억제 문제를 해결하고 성능을 향상시키기 위해 헤비-테일 자기 정규화 이론에 기반한 'HTMuon'을 제안하고, 이를 통해 LLM 사전 학습 및 이미지 분류에서 기존 최첨단 방법보다 우수한 결과를 입증합니다.
이 논문은 GRPO 기반 검색 에이전트 훈련에서 발생하는 ISDD 문제를 해결하기 위해 조건부 토큰 수준 KL 제약을 도입한 SAPO 를 제안하며, 이는 단 한 줄의 코드 수정으로 Search-R1 대비 10.6% 의 절대적 성능 향상을 달성함을 보여줍니다.
이 논문은 희소 오토인코더 (SAE) 를 시계열 파운데이션 모델 Chronos-T5-Large 에 적용하여, 주기적 패턴 인식보다 급격한 동적 변화 탐지가 예측에 더 중요하며 중간 레이어의 특징이 최종 레이어보다 인과적으로 결정적임을 규명했습니다.
이 논문은 신경망이 조건부 학습을 수행할 때 모호성으로 인해 발생하는 로그 K 의 손실 플래토가 먼저 형성된 후, 데이터셋 크기와 학습률에 의해 결정되는 집단적 전이를 거쳐 급격히 해결되는 역동적 학습 메커니즘을 규명했습니다.
이 논문은 에너지 기반 구조를 유지하면서 확률적 외란과 소산을 고려한 '확률적 포트-해밀토니안 신경망 (SPH-NN)'을 제안하고, 약한 수동성 보장을 증명하며 기존 다층 퍼셉트론보다 장기 예측 정확도와 에너지 보존 성능이 뛰어난 것을 실험을 통해 입증했습니다.
이 논문은 NTK 스케일링에서의 심층 신경망 SGD 학습을 분석하여, 커널과 학습률 등에 의존하는 명시적 함수 의 부호에 따라 '대형 스파이크' 발생 여부가 결정되는 정량적 이론을 제시합니다.
이 논문은 기존 안전 장치를 우회하여 오픈 가중치 대규모 언어 모델 (LLM) 이 유해한 콘텐츠를 생성하도록 유도하는 '아메네시아 (Amnesia)'라는 경량화 활성화 공간 적대적 공격 기법을 제안하고 그 유효성을 입증합니다.
이 논문은 양자 모델의 주파수 학습 편향을 완화하기 위해 고전적 푸리에 신경 연산자의 아이디어를 차용하여 잔차에 기반한 다단계 학습 방식을 제안하고, 이를 통해 다양한 주파수 성분을 효과적으로 학습할 수 있음을 실험적으로 입증합니다.
이 논문은 최상위 수준의 감독 신호만으로 다단계 개념 계층 구조를 발견하는 'MLCS'와 이를 표현하여 다양한 추상화 수준에서의 개입을 가능하게 하는 'Deep-HiCEMs' 아키텍처를 제안함으로써, 기존 평면적이고 얕은 계층에 국한되었던 개념 기반 모델의 한계를 극복하고 해석 가능성과 작업 성능을 동시에 향상시킵니다.
이 논문은 GPU 커널 최적화에서 기존 LLM 의 암묵적 휴리스틱을 대체하여 지식 기반의 전문가 기술과 이중 수준 메모리 구조를 갖춘 다중 에이전트 프레임워크인 KernelSkill 을 제안하고, 이를 통해 Torch Eager 대비 최대 5.44 배의 속도 향상과 높은 성공률을 달성했음을 보여줍니다.
이 논문은 확산 기반 대규모 언어 모델 (dLLM) 의 추론 과정에서 중간 표현의 미묘한 변화를 분석하여 토큰 중요도를 기반으로 초기 레이어의 연산을 생략하는 훈련 없는 가속화 프레임워크 'ES-dLLM'을 제안하며, 생성 품질을 유지하면서 기존 방식 대비 최대 16.8 배의 속도 향상을 달성함을 보여줍니다.
이 논문은 신경망 가중치를 학습 가능한 구조화된 영역으로 간주하는 '가중치 공간 학습 (Weight Space Learning)'을 제안하며, 이를 이해·표현·생성하는 세 가지 차원으로 분류한 최초의 통합 분류 체계를 제시하고 다양한 실용적 응용 분야를 조명합니다.
이 논문은 분자 구조의 계층적 인과관계를 포착하면서도 분자 전체의 범위를 유지하기 위해 적응적 비동기 탈노이즈 일정을 도입한 'Equivariant Asynchronous Diffusion (EAD)' 모델을 제안하여 3D 분자 생성 성능을 획기적으로 개선했음을 보여줍니다.
이 논문은 비정상성 시계열 데이터의 분포 변화에 더 민첩하게 대응하기 위해 Adam 옵티마이저의 2 차 보정 계산을 제거한 경량 변형인 TS_Adam 을 제안하며, 이를 통해 다양한 예측 작업에서 MSE 와 MAE 를 유의미하게 감소시키는 것을 입증합니다.