4623 편의 논문
이 논문은 블랙박스 신경망 정책의 해석 불가능성을 해결하기 위해 대규모 언어 모델을 활용해 인간이 읽을 수 있는 코드로 직접 정책을 생성하는 '코드-스페이스 응답 오라클 (CSRO)' 프레임워크를 제안하며, 이를 통해 경쟁력 있는 성능과 함께 설명 가능한 다양한 다중 에이전트 전략을 도출할 수 있음을 보여줍니다.
이 논문은 2020 년 미국 인구조사에 사용된 기존 'TopDown' 알고리즘보다 계층적 구조와 상관관계를 고려한 일반화 최소제곱 회귀 및 간결한 선형대수 연산을 통해 정확도와 일관성을 크게 향상시키면서 동일한 프라이버시 보장을 제공하는 새로운 후처리 방법인 'BlueDown'을 제안합니다.
이 논문은 기존 경량화 기법의 한계를 극복하기 위해 가장 중요한 비트 (MSB) 를 기반으로 한 '소프트 희소성' 패러다임을 제안하여, ReLU 및 Tanh 활성화 함수를 사용하는 CNN 에서 정확도 손실 없이 연산량을 대폭 줄이고 전력 효율을 극대화하는 하드웨어 친화적인 근사 컨볼루션 방법을 제시합니다.
이 논문은 최종 정답뿐만 아니라 추론 과정의 정확성도 고려하기 위해 대비 학습을 정책 최적화에 통합한 CLIPO 를 제안함으로써, 기존 RLVR 의 환각 및 답사 복사 문제를 완화하고 LLM 의 일반화 및 강건성을 향상시킨다고 설명합니다.
이 논문은 '중간 소실' 현상이 학습이나 위치 인코딩 이전에도 초기화 단계에서 이미 존재하는 인과적 디코더의 기하학적 속성임을 수학적으로 증명하고, 표준 학습만으로는 이 구조적 편향을 극복할 수 없음을 실험을 통해 확인했습니다.
이 논문은 잡음과 이상치에 강인하면서도 클래스를 흐리게 하지 않는 불균형 최적 수송 딕셔너리 학습을 통해 초분광 이미지의 비지도 클러스터링 성능을 향상시키는 새로운 방법을 제안합니다.
이 논문은 물리 법칙을 명시적으로 정규화 항으로 사용하지 않고도 제한된 데이터로부터 동역학의 상태 공간 특성을 학습하여 선형 단일 자유도 시스템의 진동 주파수 응답 곡선을 99.87% 의 정확도로 예측하는 내재적 수치 기법과 결합된 신경 연산자 (Neural Operator) 모델을 제안합니다.
이 논문은 과거 학습 체크포인트를 식별하고 모델 병합을 통해 새로운 작업에 대한 초기값으로 활용하는 'Mashup Learning'을 제안하여, 기존 방식 대비 정확도를 높이고 학습 속도를 크게 단축한다고 설명합니다.
이 논문은 기존 Mixture-of-LoRAs 모델에서 발생하는 라우팅 가중치의 불균형 문제를 해결하기 위해, 강화 학습 기반의 RLOO 기법을 활용한 비학습형 라우팅 가중치를 도입하여 모든 LoRA 가 균등하게 활성화되도록 하는 'ReMix'를 제안하고, 이를 통해 제한된 활성화 파라미터 수로 최첨단 성능을 달성함을 보여줍니다.
이 논문은 진단 중심의 상호작용과 비동기적 진행 패턴을 명시적으로 모델링하여 해석 가능한 환자 표현 학습을 가능하게 하는 '질병 궤적 인식 트랜스포머 (DT-BEHRT)'를 제안하고, 이를 통해 임상적 추론과 정렬된 강력한 예측 성능을 입증합니다.
이 논문은 스토캐스틱 미러 디센트 프레임워크를 기반으로 한 정규화 EXP3 알고리즘이 적응적 샘플링 환경에서도 안정적인 추론을 가능하게 하면서 동시에 최적의 후회 (regret) 보장을 제공하고, 적대적 오염에 대한 강인성까지 갖춘다는 것을 증명합니다.
이 논문은 재귀적 잔차 압축, 하이퍼프리오어 및 엑시테이션을 통합하여 기존 학습 기반 이미지 압축 방식의 계산 비용과 병렬성 한계를 극복하면서도 Balle, Minnen & Singh 모델 및 VVC 인트라 코덱 대비 우수한 비트율-왜곡 효율을 달성하는 ARCHE 프레임워크를 제안합니다.
이 논문은 신호 처리의 적응형 잡음 제거 개념을 차용하여, 추가 학습이나 외부 지식 없이 추론 시 실시간으로 환각 관련 뉴런을 선택적으로 억제함으로써 사실성 정확도를 높이는 동시에 모델의 일반적 성능을 전혀 저하시키지 않는 '적응형 활성화 취소 (AAC)' 프레임워크를 제안합니다.
이 논문은 연속 행동 공간에서의 정책 듀얼 애버리징 (PDA) 의 계산적 한계를 해결하기 위해 학습된 정책 네트워크를 활용한 '액터 가속 PDA'를 제안하고, 이론적 수렴 보장을 유지하면서 로봇 공학 및 제어 분야에서 PPO 보다 우수한 성능을 입증했습니다.
이 논문은 SPY 데이터를 기반으로 점프 - 확산 메커니즘과 포아송 기반의 점프 지속 시간 메커니즘을 결합한 하이브리드 은닉 마르코프 모델을 제안하여, 기존 모델들이 동시에 충족하지 못했던 중후미 분포, 낮은 자기상관성, 그리고 지속적 변동성 군집화라는 세 가지 핵심 통계적 특성을 모두 보존하는 고품질 합성 금융 시계열 생성을 가능하게 함을 보여줍니다.
이 논문은 훈련 후에도 각 원자별 컷오프 반경을 조정하여 정확도와 계산 비용의 균형을 최적화할 수 있는 새로운 기계학습 전위 (MLIP) 학습 방법인 '유연한 컷오프 학습 (FCL)'을 제안하고, 이를 통해 재학습 없이 다양한 응용 분야에 맞춰 단일 모델을 적응시킬 수 있음을 보여줍니다.
이 논문은 짧은 시간 동안 촬영된 심장 MRI 영상을 기반으로 고해상도의 4 차원 심장 운동을 복원하기 위해 인접한 3 차원 심장 형태를 추정하는 새로운 신경망 'FusionNet'을 제안하고, 기존 방법보다 높은 정밀도 (Dice 계수 0.897 이상) 를 입증했습니다.
이 논문은 스펙트럼 그래프 이론에 기반한 분할 정복 알고리즘인 SDSR 을 제안하여, 다중 유전자 마커 데이터를 이용한 대규모 종 계통수 재구성 시 계산 효율성을 10 배 이상 향상시키면서도 기존 방법과 동등한 정확도를 유지함을 보여줍니다.
이 논문은 확률적 밴딧 문제에 대한 정책 경사법의 연속 시간 확산 근사를 분석하여 학습률 조건에 따른 후회 (regret) 의 상한과 하한을 증명합니다.
이 논문은 교차 엔트로피 손실의 한계를 극복하고 해석 가능성과 지속 가능성을 향상시키기 위해 유클리드 거리를 다양한 거리 척도로 대체한 조화 손실 (harmonic loss) 을 체계적으로 연구하여, 비유클리드 거리 기반 손실이 비전 및 언어 모델에서 성능과 효율성을 동시에 개선함을 입증했습니다.