4750 편의 논문
이 논문은 커널 밀도 추정을 통해 KL 발산의 Wasserstein 기울기 흐름과 동치임을 증명하고, 모드 붕괴와 모호함을 동시에 해결하기 위해 역 KL 및 발산을 결합한 새로운 생성 모델 프레임워크인 'Gradient Flow Drifting'을 제안합니다.
이 기술 노트는 JAX 및 Optimistix 라이브러리를 기반으로 BFGS, DFP, Broyden 방법과 그 자기 스케일링 변형들을 구현한 오픈소스 코드를 소개하고, JAX 커뮤니티 내에서의 활용을 촉진하기 위해 구현 세부사항을 문서화합니다.
이 논문은 지리 정보 시스템 데이터에서 추출된 지리 공간 의미적 맥락 (GSC) 을 오디오 신호와 결합하여 다중 레이블 오디오 태깅의 모호성을 해결하는 'Geo-AT'작업과 이를 평가하기 위한 벤치마크 'Geo-ATBench', 그리고 통합 융합 프레임워크 'GeoFusion-AT'를 제안합니다.
이 논문은 수학적 영역을 넘어 자유형 답변이 필요한 일반 추론 영역에서도 외부 검증기 없이 대규모 언어 모델을 활용하여 정답 생성에 대한 조건부 기댓값을 보상으로 제공하는 '조건부 기댓값 보상 (CER)'을 제안함으로써 강화 학습의 적용 범위를 확장하고 있음을 보여줍니다.
이 논문은 정상 입력에서는 정상 작동하지만 특정 트리거가 포함될 때 공격자의 의도대로 작동하는 머신러닝 백도어를 탐지하고 제거하기 위해 신경망 내의 활성 경로를 기반으로 한 설명 가능한 새로운 접근법을 제시하며, 이를 침입 탐지 시스템에 적용한 실험을 통해 그 유효성을 입증합니다.
이 논문은 추상 해석과 LiRPA 기반 바운딩을 활용하여 대규모 신경망에서도 설명 크기를 줄이면서 확장 가능한 새로운 형태의 귀납적 설명인 FAME(Formal Abstract Minimal Explanation) 을 제안하고, 이를 통해 기존 방법 대비 설명 크기와 실행 시간 측면에서 일관된 개선을 달성했음을 보여줍니다.
이 논문은 산업 제어 시스템 (ICS) 의 사이버 - 물리적 위협을 탐지하기 위해 시공간적 주의 메커니즘을 활용한 그래프 신경망 (STA-GNN) 을 제안하여, 불규칙한 시스템 변화 (drifting) 에 대응하고 높은 설명 가능성을 갖춘 신뢰할 수 있는 이상 탐지 솔루션을 제시합니다.
이 논문은 핵융합 관련 자기유체역학 (MHD) 문제에서 소수의 센서 데이터만으로도 전체 유동장을 정확하게 재구성할 수 있는 경량 순환 디코더 네트워크 (SHRED) 기반의 효율적인 대리 모델 프레임워크를 제안하고, 이를 통해 실시간 모니터링 및 제어에의 적용 가능성을 입증합니다.
이 논문은 지식 증류와 탐색 공간의 정밀한 축소를 기반으로 하여 블랙박스 신경망에 대한 적대적 예제를 보장된 수렴성으로 계산하는 'Contract And Conquer (CAC)' 방법을 제안하고 ImageNet 데이터셋에서 기존 최첨단 방법들을 능가하는 성능을 입증합니다.
이 논문은 실제 세계의 스키마 진화에 대비하여 텍스트 -SQL 시스템의 견고성을 평가하고 향상시키기 위해 열 가지 교란 유형을 포함하는 포괄적인 벤치마크인 EvoSchema 를 제안하고, 이를 통해 테이블 수준의 변경이 모델 성능에 더 큰 영향을 미치며 다양한 스키마 설계로 훈련된 모델이 더 뛰어난 견고성을 보임을 입증합니다.
이 논문은 리만 다양체 상에서 시뮬레이션 없이 평균 속성장을 정의하고 로그-맵 표현을 통해 기하학적 계산을 최소화함으로써 고품질의 단단계 생성이 가능한 '리만 평균 흐름 (Riemannian MeanFlow)'을 제안합니다.
이 논문은 예측 오차율을 활용하여 기존 학습 증강 k-중앙값 클러스터링 알고리즘의 시간 복잡도와 차원 의존성을 획기적으로 개선하는 '샘플링 및 탐색 (Sample-and-Search)' 알고리즘을 제안하고, 이를 통해 계산 복잡도를 줄이면서도 더 낮은 클러스터링 비용을 달성함을 실험을 통해 입증합니다.
이 논문은 멀티테넌트 LLM 서빙 시스템에서 자동 접두사 캐싱 (APC) 으로 인한 타이밍 사이드 채널 공격을 방지하면서도 기존 방어 기법보다 캐싱 재사용률을 70% 높이고 추론 지연을 30% 줄이는 'CacheSolidarity'라는 새로운 시스템을 제안합니다.
이 논문은 딥러닝 모델의 정확도뿐만 아니라 신뢰성과 불확실성 추정 능력을 평가하기 위해 몬테카를로 드롭아웃과 컨포멀 예측 기법을 비교 분석하여, GoogLeNet 이 더 잘 보정된 불확실성을 제공하고 컨포멀 예측이 통계적으로 보장된 예측 집합을 통해 고위험 의사결정 맥락에서 실용적 가치가 있음을 밝혔습니다.
이 논문은 문서화 중심의 기존 접근법의 한계를 지적하며, 데이터 누출을 런타임에 강제적으로 차단하는 7 가지 원시 연산과 4 가지 제약 조건으로 구성된 새로운 머신러닝 워크플로우 문법을 제안합니다.
이 논문은 기존 모델의 재학습 없이도 베이지안 항등 매핑과 구조화된 교란 분석을 통해 알레토릭 및 에피스테믹 불확실성을 동시에 추정할 수 있는 범용 플러그인 프레임워크 'CUPID'를 제안합니다.
이 논문은 제한된 공통 무작위성 하에서 데이터 샘플만을 활용하여 목표 분포와 AE 출력 분포 간의 총변동 거리를 최소화하는 오토인코더 기반의 심층 무작위 분산 함수 계산 (DeepRDFC) 프레임워크를 제안하고, 기존 데이터 압축 방법 대비 뛰어난 통신 부하 효율성을 입증합니다.
이 논문은 물리적으로 복제 불가능한 함수 (PUF) 를 활용하여 신경망 모델의 가중치를 고유한 하드웨어 속성과 연결함으로써, 복제된 하드웨어에서의 정확한 실행을 방지하여 지적 재산권을 보호하는 방법을 제시합니다.
본 논문은 무선 연산 학습 (FL) 의 제한된 자원 환경에서 모델 업데이트에 중요한 기울기 부호 정보를 우선적으로 전송하고 계층적 자원 할당을 최적화하여 통신 신뢰성과 학습 정확도를 동시에 향상시키는 'Sign-Prioritized FL (SP-FL)' 프레임워크를 제안합니다.
이 논문은 고차원 카오스 동역학 시스템에서 극단적 사건의 예측 지평을 확장하기 위해, 지배 방정식 없이 상태 스냅샷만으로 과도 불안정 메커니즘을 포착하는 FTLE 유사 선행 지표를 생성하고 이를 트랜스포머 모델에 결합한 데이터 기반 프레임워크를 제안합니다.