6014 편의 논문
이 논문은 전통적인 수치 해법의 한계를 극복하고, 부분적이고 잡음이 섞인 전압 관측 데이터로부터 다중 스케일 뉴런 모델의 숨겨진 상태 변수와 생리학적 매개변수를 강건하게 추정하기 위해 물리 정보 신경망 (PINN) 프레임워크를 제안하고 그 유효성을 입증합니다.
이 논문은 다변량 시계열 모델링에서 변수 순서의 인위적 의존성을 제거하기 위해 순열 동등성을 보장하는 이론적 기저를 제시하고, 이를 바탕으로 변수 축의 순차적 의존성을 제거하며 상태-of-the-art 성능을 달성하는 'VI 2D Mamba' 아키텍처를 제안합니다.
이 논문은 희소 보상 환경에서 장기적 할당 문제를 해결하기 위해 사후 추론을 통해 단계별 가치 추정과 기준선을 정교화하는 새로운 프레임워크인 HCAPO 를 제안하며, WebShop 과 ALFWorld 등 다양한 벤치마크에서 기존 최첨단 방법론보다 뛰어난 성과를 입증했습니다.
이 논문은 군 가 공간 에 전이적으로 작용할 때, 위의 -불변 함수를 의 등방성 부분군 가 에 작용하는 불변 함수로 명시적으로 축소하는 이론을 제시하여, 기존 방법의 구조적 제약을 해소하고 임의의 군 작용과 균질한 조건부 공간에 적용 가능한 일반화된 등변 신경장 (Equivariant Neural Fields) 을 확장합니다.
이 논문은 AI 정렬 검증이 명제성, 일반성, 실용성이라는 세 가지 속성을 동시에 만족할 수 없음을 증명하여 정렬 인증의 형식적 한계를 규명하고, 이를 완화함으로써 실용적인 보장이 여전히 가능함을 시사합니다.
이 논문은 기존 방법의 한계를 극복하고 저차원 부분공간에서 기하학적 구조를 보존하는 SPREAD 프레임워크를 제안함으로써, 평생 모방 학습에서 새로운 기술 습득과 기존 지식 유지 간의 균형을 이루며 재앙적 망각을 방지하고 최첨단 성능을 달성합니다.
이 논문은 희소 관측으로 인한 예측 편향을 보정하기 위해 이진 트리 구조를 활용한 미세 확산 (Micro-Diffusion) 은닉층을 도입하여 적응형 통계 모델의 확률 추정 정확도를 향상시키고 무손실 압축 효율을 높이는 'Midicoth' 시스템을 제안합니다.
이 논문은 하위 작업들을 계층적으로 압축하고 기술을 임베딩과 기능으로 분해하여 커리큘럼 학습 프레임워크 내에서 복잡한 의사결정 문제의 효율성을 높이고 작업 간 전이를 가능하게 하는 다단계 메타-강화 학습 방법을 제안합니다.
이 논문은 시계열 데이터의 비정상적 동역학을 효과적으로 포착하기 위해, 전역 전이 행렬 대신 시간 구간별 국소 전이 행렬을 사용하여 시계열을 이미지로 변환하는 '시간적 마르코프 전이 필드 (TMTF)'를 제안합니다.
이 논문은 JAX 와 PyTorch 의 단단한 연산자들에 대한 분산된 소프트 완화 기법을 통합하여, 최적화에 유용한 정보를 제공하는 미분 가능한 프로그래밍을 위한 오픈소스 라이브러리인 SoftJAX 와 SoftTorch 를 제안합니다.
이 논문은 트랜스포머와 같은 고도로 표현력 있는 백본 없이도, GenGNN 이라는 모듈형 메시지 전달 프레임워크를 사용하여 이산 그래프 생성에서 높은 유효성과 빠른 추론 속도를 달성할 수 있음을 보여줍니다.
이 논문은 LLM 기반 에이전트 시스템의 성능에 모델뿐만 아니라 토폴로지나 오케스트레이션 로직과 같은 구현 선택도 결정적인 영향을 미친다는 점을 강조하며, 전체 시스템을 분석 단위로 삼아 프레임워크 간 비교를 가능하게 하는 'MASEval' 평가 프레임워크를 제안합니다.
이 논문은 트랜스포머와 상태 공간 모델을 결합한 하이브리드 시퀀스 모델이 비하이브리드 모델의 이론적 한계를 극복하고, 더 적은 파라미터로 우수한 성능과 길이 일반화 능력을 달성함을 이론적 증명과 실험을 통해 입증합니다.
이 논문은 비전 - 언어 - 행동 (VLA) 모델을 활용하여 고전적 계획기의 매개변수를 적응적으로 학습하는 'APPLV'를 제안함으로써, 기존 방법들보다 뛰어난 항해 성능과 미시적 환경에 대한 일반화 능력을 달성함을 보여줍니다.
이 논문은 사설 5G 환경에서 채널 중심 모델이 단말기 간 종단 간 처리량 (throughput) 을 과대평가하는 한계를 측정 캠페인을 통해 입증하고, 실제 시스템 동작을 학습하는 데이터 기반 접근법이 더 정확한 예측을 가능하게 함을 보여줍니다.
이 논문은 하이브리드 정보 시스템에서 고차원 공간의 계산 비용과 노이즈 문제를 해결하기 위해, 객체 간 결합 거리를 기반으로 한 새로운 퍼지 근사 집합 기반 특성 선택 모델 (FSbuHD) 을 제안하고 이를 정상 및 낙관적 두 가지 모드에서 최적화 문제로 재구성하여 UCI 데이터셋을 통해 기존 방법들보다 효율성과 효과성이 입증되었음을 보여줍니다.
이 논문은 소스 도메인의 위험 프로파일을 활용하여 데이터가 부족한 환경에서도 더 엄격한 위험 보장을 제공하는 '전이 기반 베팅 (Transfer-Informed Betting)'을 포함한 선택적 예측을 위한 9 가지 유한 표본 경계 가족에 대한 포괄적인 분석과 벤치마크 평가를 제시합니다.
이 논문은 비독립적·동일분포 (Non-IID) 데이터 환경에서 클라이언트 선택을 위해 클러스터 유사성과 손실 값을 고려한 경량화 전략인 FedLECC 를 제안하여, 테스트 정확도를 최대 12% 향상시키고 통신 라운드 및 오버헤드를 각각 약 22% 및 50% 감소시킨다고 설명합니다.
이 논문은 유전체 언어 모델 (GLM) 의 프라이버시 위험을 정량화하기 위해 퍼플렉시티 기반 탐지, 카나리 시퀀스 추출, 멤버십 추론을 통합한 다중 벡터 평가 프레임워크를 제안하고, 반복 횟수와 모델 용량이 암기 위험에 미치는 영향을 실증적으로 분석했습니다.
이 논문은 비가분한 스코어 기반 선택의 한계를 극복하기 위해 연속적으로 완화된 베르누이 게이트를 도입하여, 가중치를 고정된 초기값으로 유지한 채 게이트 파라미터만 학습하는 완전히 미분 가능한 방식으로 강력한 로또 티켓 (Strong Lottery Ticket) 을 효율적으로 발견하는 새로운 프레임워크를 제안합니다.