6611 편의 논문
본 논문은 SHAP 및 LIME 과 같은 사후 설명 기법이 예측 성능이 높음에도 불구하고 데이터의 인과관계를 왜곡할 수 있음을 181 건의 연구와 시뮬레이션을 통해 입증하며, 이를 가설 검증 도구보다는 가설 생성을 위한 탐색적 도구로만 활용해야 함을 경고합니다.
이 논문은 기존 평가의 한계를 지적하고, 데이터 이동 및 메모리 접근 오버헤드를 고려한 정밀한 에너지 모델을 통해 특정 운영 조건 (낮은 스파이크율과 적절한 시간 창) 에서만 SNN 이 QNN 보다 에너지 효율이 우수함을 입증하고, 이를 통해 스마트워치 배터리 수명을 두 배로 늘릴 수 있음을 보여줍니다.
이 논문은 물리 시스템의 수학적 구조와 안정성을 보존하고 입력-잠재 공간 매핑을 가역적으로 만드는 새로운 결합 진동자 네트워크 (CON) 모델을 제안하여, 이미지 기반의 복잡한 비선형 역학을 학습하고 잠재 공간에서 폐형 모델 기반 제어를 가능하게 함으로써 연성 로봇 제어에 탁월한 성능을 입증합니다.
이 논문은 제한된 타겟 도메인 데이터를 보완하기 위해 복잡한 정책 전이 절차 대신 확산 모델을 활용하여 소스 도메인의 궤적을 타겟 도메인의 특성에 맞게 직접 편집하는 'xTED' 프레임워크를 제안하고, 이를 통해 다양한 실험에서 우수한 성능을 입증했습니다.
이 논문은 볼츠만 분포에서 독립적이고 동일한 분포 (IID) 를 가진 샘플을 생성하기 위해 에너지 함수를 기반으로 한 확산 기반 샘플러 'Noised Energy Matching(NEM)'과 편향과 분산을 균형 있게 조절하는 부트스트래핑 기법을 도입한 'BNEM'을 제안하며, 다양한 실험을 통해 기존 방법보다 뛰어난 성능과 견고함을 입증합니다.
이 논문은 유한 시간 마르코프 의사결정 과정 (MDP) 에서 정책 최적화의 비볼록성에도 불구하고 Polyak-Łojasiewicz-Kurdyka 조건을 통해 전역 최적 수렴을 보장하고, 특히 다기간 재고 관리 및 현금 잔액 문제와 같은 운영 모델에 대한 최초의 샘플 복잡도 보장을 제시합니다.
이 논문은 부분 관측 가능한 동적 시스템에서 숨겨진 변수와 메모리 항 간의 이론적 연결을 제공하는 모리 - 츠반지 (Mori-Zwanzig) 형식주의에 영감을 받아, 데이터로부터 비마코프 역학을 직접 학습하기 위한 상수 지연 신경 지연 미분 방정식 (NDDEs) 프레임워크를 제안하고 다양한 시뮬레이션 및 실험 데이터를 통해 기존 방법들보다 우수한 성능을 입증합니다.
이 논문은 MineDojo 환경에서 장기적인 보상을 고려한 탐색 효율성을 향상시키기 위해, 목표 조건부 점프 상태 전이와 affordance 맵을 결합하여 '장단기 세계 모델'을 구축하고 긴 상상 시야를 가능하게 하는 LS-Imagine 을 제안합니다.
이 논문은 모멘텀 SGD 를 이산 시간 동역학 시스템으로 간주하여 PAC-베이지안 분석 프레임워크를 제시함으로써, 학습 역학이 어떻게 적대적 과적합을 유발하고 적대적 가중치 교란이 손실 곡률을 억제하여 일반화 격차를 줄이는지 메커니즘을 규명합니다.
이 논문은 시스템 모델에 대한 명시적 지식이나 테스트 시간의 그래디언트 업데이트 없이도, 과거 입력 - 출력 시퀀스를 컨텍스트로 제공하는 고정된 트랜스포머가 선형 및 비선형 동적 시스템의 숨겨진 상태를 암묵적으로 추정하여 칼만 필터나 파티클 필터와 유사한 예측 성능을 달성함을 보여줍니다.
이 논문은 주 데이터와 보조 데이터 간의 잠재적 군집 구조 차이를 자동으로 보정하여 편향 - 분산 최적화를 통해 전이 학습 기반 군집화의 효율성을 극대화하는 '적응형 전이 군집화 (ATC)' 프레임워크를 제안하고, 가우시안 혼합 모델 하에서의 이론적 최적성과 다양한 실험을 통한 유효성을 입증합니다.
이 논문은 두 블록 비볼록 및 비연속 최적화 문제를 해결하기 위해 잔차 학습 아키텍처와 블록 좌표 하강을 결합한 학습된 근사 교대 최소화 알고리즘 (LPAM) 과 이를 기반으로 한 해석 가능한 신경망 (LPAM-net) 을 제안하며, 특히 다중 모달 MRI 재구성에서 우수한 성능과 파라미터 효율성을 입증했습니다.
이 논문은 연속적인 특징에 의존하는 기존 딥러닝의 한계를 극복하고, 시각적 원리를 기반으로 이미지를 재구성하여 고수준 구조적 설명을 학습하는 신경기호 시스템을 제안하며, 조직학적 이미지 이상 진단에서 기존 딥러닝보다 높은 분류 정확도와 투명성을 입증했습니다.
이 논문은 신경 ODE 를 기반으로 가중치가 연속적인 동역학 시스템으로 진화하고 입력 복잡도에 따라 계산 깊이가 적응적으로 조절되는 새로운 CNN 프레임워크인 Puppet-CNN 을 제안하여, 저장된 학습 가능한 파라미터를 대폭 줄이면서도 경쟁력 있는 예측 성능을 달성함을 보여줍니다.
이 논문은 각 샘플의 생성 난이도에 따라 고정된 확산 궤적이 아닌 입력 적응형 생성 역학을 도입하여, 생성 품질을 유지하면서 평균 샘플링 단계를 줄일 수 있음을 증명합니다.
이 논문은 다양한 보행 과제의 생체역학적 특징을 군집 분석하여 최소한의 대표 과제 세트를 선정함으로써, 데이터 수집 부담을 크게 줄이면서도 힙 엑소스케레톤 제어용 신경망 모델의 정확도를 유지하는 최적화 전략을 제안합니다.
이 논문은 노이즈가 포함된 점별 관측값으로부터 매끄러운 함수와 그 도함수를 초점 노름 하에서 학습하는 문제를 해결하기 위해, 기존 커널 기반 방법의 높은 계산 및 메모리 비용을 극복하면서도 최소극한 최적의 수렴 속도와 메모리 효율성을 동시에 달성하는 새로운 매개변수 기반 접근법과 이에 대한 엄밀한 유한 표본 오차 하한 및 하한을 제시합니다.
본 논문은 생성 확산 모델 (GDM) 의 원리와 최근 연구 동향을 개관하고 근거리 채널 추정 사례를 통해 5G/6G 대용량 MIMO 통신의 효율적인 채널 상태 정보 획득을 위한 GDM 의 잠재력과 향후 연구 방향을 제시합니다.
이 논문은 프롬프트 튜닝에서 발생하는 임베딩 붕괴 현상의 중요성을 탐구하고, 제어 가능한 임베딩 사전 (priors) 이 모델 성능에 미치는 영향과 활성화 공간 내 태스크별 클러스터링 패턴을 분석하여 모델의 일반화 능력에 대한 새로운 통찰을 제시합니다.
이 논문은 사전 학습된 비전 - 언어 모델 (VLM) 을 활용하여 시각적 술어 (predicates) 를 추출하고 최적화 기반 학습을 통해 추상적 심볼릭 세계 모델을 구축함으로써, 제한된 짧은 시퀀스 데모만으로도 다양한 물체, 배경, 그리고 훈련 시 보지 못한 긴 시간 범위의 새로운 목표에 대해 제로샷 일반화가 가능한 로봇 의사결정 시스템을 제안합니다.