6389 편의 논문
이 논문은 희소한 에디 공변량 관측 데이터의 한계를 극복하고 다양한 기후 및 식생 유형을 가진 미관측 지역으로의 탄소 플럭스 일반화 성능을 체계적으로 평가하기 위해, 전 세계 567 개 사이트의 데이터를 기반으로 한 제로샷 공간 전이 학습용 벤치마크 'CarbonBench'를 최초로 제안합니다.
이 논문은 연속적인 LLM 파인튜닝 중 발생하는 catastrophic forgetting 을 완화하면서도 빠른 적응을 유지하기 위해, 샘플 수준의 기억 강도를 추정하고 적응형 간격으로 재연습을 스케줄링하는 메모리 인식 적응형 재연습 프레임워크인 MSSR 을 제안하고 다양한 벤치마크에서 기존 방법들을 능가하는 성능을 입증합니다.
이 논문은 Lipschitz 상수나 경계 조건 없이도 노이즈가 없는 환경에서 거의 최적의 수렴 속도를 보장하는 새로운 적응형 지수 이동 평균 최적화 알고리즘인 OptEMA 를 제안하고 그 이론적 수렴성을 증명합니다.
본 논문은 생성적 드리프트 (Generative Drifting) 가 사실은 스코어 매칭 (Score Matching) 의 일종임을 규명하여, 드리프트 연산자의 이론적 기반을 확립하고 커널 선택, 수렴 속도, 그리고 스톱-그래디언트 연산자의 필수성을 설명하는 새로운 해석을 제시합니다.
이 논문은 10 분 길이의 동기화된 단일 리드 ECG 와 PPG 데이터를 기반으로 20 가지 임상 예측 태스크를 수행하는 'SignalMC-MED'라는 멀티모달 벤치마크를 제안하고, 도메인 특화 바이오신호 기초 모델이 일반 시계열 모델보다 우수하며 멀티모달 융합과 긴 신호 구간이 성능 향상에 기여함을 실증합니다.
이 논문은 PPO actor-critic 학습에서 학습률 선택의 실패를 조기에 감지하기 위해 은닉 뉴런의 활성화 패턴 균형을 측정하는 OUI (Overfitting-Underfitting Indicator) 지표를 제안하고, 이를 통해 학습 초기 단계에서 성공적인 학습률을 효과적으로 선별할 수 있음을 실증합니다.
이 논문은 기존 신경 해석기의 한계를 극복하고 프론트 및 백워드 실행을Debugger 동작에 따라 모델링하는 '신경 디버거'를 제안하여, 향후 에이전트 기반 코딩 시스템 및 자동화된 디버깅의 기반을 마련했다고 요약할 수 있습니다. 더 간결하게 한 문장으로 정리하면 다음과 같습니다: **이 논문은 프론트 및 백워드 실행을 디버거 동작에 따라 모델링하는 '신경 디버거'를 제안하여 향후 에이전트 기반 코딩 시스템과 자동화된 디버깅의 기반을 마련했습니다.**
이 논문은 행렬 연산자 노름의 관점에서 신경망 옵티마이저의 폭 확장성을 분석하고, 층별 합성 가능한 평균 정규화 노름을 도입하여 폭에 무관한 학습률 전이를 가능하게 하는 새로운 옵티마이저 MOGA 를 제안하며, 대규모 사전 학습에서 Muon 과 경쟁력 있으면서도 더 빠른 성능을 입증합니다.
이 논문은 의미적, 인스턴스, 픽셀 수준의 세 가지 데이터 세분성을 명시적으로 학습하는 계층적 구조와 점진적 마스킹 커리큘럼을 통해 대비 학습과 마스킹 이미지 모델링 간의 긴장 관계를 해결하고 더 강력하고 일반화 가능한 시각 표현을 학습하는 C2FMAE 를 제안합니다.
이 논문은 기존 연구와 달리 인간과 달리 대형 언어 모델 (LLM) 은 추론 과정을 거칠수록 정직해지며, 이는 추론 내용 자체보다는 정직한 답변이 속한 표현 공간이 기만적인 영역보다 더 안정적이기 때문임을 규명했습니다.
이 논문은 기존 초과완전 표현 (superposition) 이론이 상관관계를 고려하지 않은 이상적인 가정에 기반하고 있음을 지적하고, 실제 데이터의 상관관계가 간섭을 단순한 노이즈가 아닌 구성적 요소로 활용하여 의미적 클러스터와 순환 구조를 자연스럽게 형성한다는 'Bag-of-Words Superposition (BOWS)' 모델을 통해 이를 설명합니다.
이 논문은 희소하고 편향된 지상 측정 데이터의 한계를 극복하기 위해 물리적 제약과 적응적 표현 학습을 결합한 '작업 인식 변조 (TAM-RL)' 프레임워크를 제안하여 전 지구 탄소 플럭스 업스케일링의 정확도와 일반화 성능을 크게 향상시켰음을 보여줍니다.
이 논문은 선형 계산 복잡도를 가지며 대규모 시계열 데이터의 변화점 탐지에 기존 방법보다 우수한 성능과 수렴성을 보이는 두 가지 온라인 신경망 기반 접근법을 제안하고 검증합니다.
이 논문은 선형 예측자와 BART 모델 간의 공유 공변량으로 인한 편향과 비식별성 문제를 해결하기 위해 BART의 트리 생성 과정을 수정하여, 공변량이 중복되더라도 복잡한 상호작용을 모델링할 수 있는 새로운 준모수적 베이지안 가법 회귀 트리 (BART) 방법을 제안합니다.
이 논문은 톱니형 밀링 커터의 실시간 스핀들 진동 특성을 분석하여 공구 상태를 감시하기 위해 의사결정나무 기반의 특성 선택과 5 가지 군집 최적화 알고리즘을 적용한 백-박스 서포트 벡터 머신 (SVM) 프레임워크를 제안합니다.
이 논문은 강화 학습의 모델링, 알고리즘 선택, 하이퍼파라미터 최적화 등 다양한 구성 요소를 자동화하는 '자동화 강화 학습 (AutoRL)'의 최신 연구 동향, 특히 대규모 언어 모델 (LLM) 기반 기법을 포함한 문헌을 종합하고 향후 연구 방향과 과제를 논의합니다.
이 논문은 불확실한 천문학적 시계열 데이터의 분류 성능을 유지하면서 예측의 설명 가능성을 제공하는, 불확실성을 고려한 서브시퀀스 기반의 새로운 모델을 제안합니다.
이 논문은 주식 및 거시경제 정보를 기반으로 조건부 기대 수익률을 예측하기 위해 가우시안 프로세스 회귀 (GPR) 기반 앙상블 학습 방법을 제안하며, 1962 년부터 2016 년까지의 미국 주식 데이터를 통해 기존 머신러닝 모델보다 통계적·경제적 성능이 우수하고 불확실성을 고려한 최적 포트폴리오 구성이 가능함을 입증했습니다.
이 논문은 관측치나 행동을 예측하지 않고 비용만 예측하는 비용 주도적 접근법을 통해 부분 관측 가능 선형 2 차 가우시안 (LQG) 제어 문제에서 최적의 잠재 상태 표현과 제어기를 학습할 수 있음을 증명하는 유한 표본 보장을 제시합니다.
이 논문은 심층 칼만 필터 프레임워크에 중요도 샘플링을 적용하여 IW-DKF 를 제안함으로써, 더 엄격한 몬테카를로 목적 함수가 비선형 물리 기반 모델의 상태 추정 및 파라미터 학습 성능을 향상시킨다는 것을 실험적으로 입증했습니다.