When Machine Learning Gets Personal: Evaluating Prediction and Explanation
이 논문은 의료와 같은 고위험 분야에서 개인화된 머신러닝 모델이 예측 성능과 설명 가능성에 미치는 영향을 통합적으로 평가하는 프레임워크를 제안하고, 데이터셋의 통계적 특성에 따라 이러한 효과를 검증할 수 있는 한계를 규명합니다.
🤖 Category
cs.LG
2233 편의 논문
On the Impact of the Utility in Semivalue-based Data Valuation
이 논문은 시미밸류 기반 데이터 가치 평가의 유틸리티 선택에 따른 민감도 문제를 해결하기 위해 데이터 포인트를 저차원 공간에 매핑하는 '공간 서명' 개념을 도입하고, 이를 통해 유틸리티 변경에 따른 평가 결과의 강건성을 정량적으로 측정하는 실용적인 방법론을 제시합니다.
A Distributional Treatment of Real2Sim2Real for Object-Centric Agent Adaptation in Vision-Driven Deformable Linear Object Manipulation
이 논문은 가소성 선형 물체 (DLO) 의 물리적 매개변수에 대한 확률적 추정을 통해 시뮬레이션과 현실 간의 차이를 해소하고, 이를 기반으로 학습된 제어가 추가 미세 조정 없이도 실제 환경에서 성공적으로 적용될 수 있는 통합된 Real2Sim2Real 프레임워크를 제안합니다.
Improving clustering quality evaluation in noisy Gaussian mixtures
이 논문은 노이즈가 포함된 가우시안 혼합 모델에서 클러스터링 품질 평가의 신뢰성을 높이기 위해 특징의 분산에 기반한 특징 중요도 재조정 (FIR) 방법을 제안하고, 이를 통해 무지도 학습 환경에서 클러스터링 유효성 지수와 실제 정답 간의 상관관계를 개선한다는 것을 보여줍니다.
HyConEx: Hypernetwork classifier with counterfactual explanations for tabular data
이 논문은 표 형식 데이터를 위해 설계된 하이퍼네트워크 기반의 분류기인 HyConEx 를 제안하여, 정확도 높은 예측과 동시에 모델의 결정 근거를 설명하는 반사실적 예제를 생성하는 통합 딥러닝 모델을 제시합니다.
Experiments with Optimal Model Trees
이 논문은 선형 서포트 벡터 머신을 리프 노드로 사용하는 최적 모델 트리를 혼합 정수 선형 프로그래밍을 통해 학습하고, 기존 탐욕적 알고리즘 및 다른 머신러닝 모델과 비교하여 해석 가능성과 정확도 측면에서 경쟁력 있는 성능을 입증했습니다.
A Consequentialist Critique of Binary Classification Evaluation: Theory, Practice, and Tools
이 논문은 기계 학습의 이진 분류 평가가 임계값과 기저율 전반에 걸친 예측 품질을 우선시하는 결과주의적 관점 (적절한 스코어링 규칙 등) 으로 전환해야 함을 주장하며, 현재 관행과의 간극을 해소하기 위한 이론적 프레임워크, 새로운 평가 지표, 그리고 실용적 Python 도구인 `briertools`를 제시합니다.
Concept Drift Guided LayerNorm Tuning for Efficient Multimodal Metaphor Identification
이 논문은 CLIP 인코더의 교차 모달 임베딩에 대한 구형 선형 보간 (SLERP) 을 활용한 '개념 드리프트' 메커니즘과 적응형 레이어노름 튜닝을 결합하여, 멀티모달 은유 식별의 정확도를 높이고 기존 생성 모델 대비 학습 비용을 대폭 절감한 효율적인 프레임워크인 CDGLT 를 제안합니다.
Stepwise Guided Policy Optimization: Coloring your Incorrect Reasoning in GRPO
이 논문은 그룹 내 모든 응답이 틀린 경우에도 학습 신호를 활용할 수 있도록 단계별 판정 모델을 도입하여 그룹 상대 정책 최적화 (GRPO) 의 한계를 극복하고 추론 능력을 향상시키는 '단계별 유도 정책 최적화 (SGPO)' 프레임워크를 제안합니다.
The Gaussian-Multinoulli Restricted Boltzmann Machine: A Potts Model Extension of the GRBM
이 논문은 이진 은닉 유닛을 q-상태 범주형 (포츠) 유닛으로 대체하여 이산적 구조 표현 능력을 향상시킨 가우시안-멀티노이리 제한 볼츠만 머신 (GM-RBM) 을 제안하고, 용량 및 파라미터 매칭 조건 하에서 아날로그 회상 및 구조적 기억 벤치마크에서 기존 모델과 경쟁력 있거나 더 나은 성능을 보임을 입증합니다.
JULI: Jailbreak Large Language Models by Self-Introspection
이 논문은 모델 가중치나 생성 과정에 대한 접근 권한 없이도 API 를 통해 호출되는 블랙박스 LLM 의 토큰 로그 확률 정보만을 활용하여 BiasNet 이라는 작은 플러그인 블록을 통해 효과적으로 재프로그래밍 (JAILBREAK) 하는 JULI 방법을 제안합니다.
Discovering Symbolic Differential Equations with Symmetry Invariants
이 논문은 대칭 불변량을 원자 단위로 활용하여 기존 방정식 발견 방법의 검색 공간을 축소하고 물리 법칙을 준수하는 해석 가능한 미분방정식을 효율적으로 도출하는 새로운 접근법을 제안합니다.
UltraEdit: Training-, Subject-, and Memory-Free Lifelong Editing in Language Models
이 논문은 기존 방법론보다 7 배 이상 빠르고 VRAM 사용량을 4 분의 1 로 줄여 24GB 소비자용 GPU 에서 7B 크기의 언어 모델을 편집할 수 있을 뿐만 아니라, 200 만 건 이상의 편집을 지원하면서도 정확도를 유지하는 'UltraEdit'라는 새로운 효율적이고 확장 가능한 평생 학습 기반 모델 편집 프레임워크를 제안합니다.
A Systematic Evaluation of On-Device LLMs: Quantization, Performance, and Resources
이 논문은 엣지 장치에서 LLM 을 배포할 때 3.5 비트 이하의 양자화를 적용한 대규모 모델이 작은 고정밀 모델보다 성능이 우수하며, 모델 크기 감소에 따른 처리량 병목 현상이 통신 오버헤드에서 계산 지연으로 전환된다는 것을 체계적인 평가를 통해 규명하고 최적화 가이드라인을 제시합니다.
SATURN: SAT-based Reinforcement Learning to Unleash LLMs Reasoning
이 논문은 확장성, 검증 가능성, 그리고 난이도 조절이 가능한 부울 만족도 (SAT) 문제를 기반으로 한 강화 학습 프레임워크인 'SATURN'을 제안하여, LLM 의 추론 능력을 체계적으로 향상시키고 수학 및 프로그래밍 태스크에서도 우수한 성능을 입증했습니다.
FrontierCO: Real-World and Large-Scale Evaluation of Machine Learning Solvers for Combinatorial Optimization
이 논문은 합성 데이터의 한계를 넘어 실세계 구조와 대규모 규모를 반영하는 새로운 벤치마크 'FrontierCO'를 제안하고, 이를 통해 기존 최적화 솔버와 비교 평가한 머신러닝 기반 솔버들의 실제 성능과 한계를 체계적으로 분석합니다.
Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score
이 논문은 제한된 라벨 데이터 환경에서 커버리지 안정성을 향상시키기 위해 라벨링되지 않은 데이터의 유사한 의사-라벨 샘플을 기반으로 한 '가장 인접한 이웃 매칭 (NNM)' 점수를 도입하여, 라벨과 라벨 없는 데이터를 모두 활용하는 새로운 준지도 conformal 예측 방법인 SemiCP 를 제안하고 그 이론적 수렴성과 실험적 유효성을 입증합니다.
Pure Exploration with Infinite Answers
이 논문은 무한한 정답 집합을 가진 순수 탐색 문제를 다루며, 기존 방법론의 한계를 지적하고 점근적 최적성을 보장하는 'Sticky-Sequence Track-and-Stop' 프레임워크를 제안합니다.
Rating Quality of Diverse Time Series Data by Meta-learning from LLM Judgment
이 논문은 대규모 언어 모델 (LLM) 의 사전 지식과 메타 러닝을 활용하여 다양한 도메인의 시계열 데이터 품질을 효율적이고 정확하게 평가하는 통합 프레임워크인 'TSRating'을 제안합니다.
Cooperative Game-Theoretic Credit Assignment for Multi-Agent Policy Gradients via the Core
이 논문은 협력적 다중 에이전트 강화학습의 신용 할당 문제를 해결하기 위해 협력 게임 이론의 코어 (core) 개념을 도입하여 연합별 기여도를 평가하고 할당하는 CORA 알고리즘을 제안하며, 이를 통해 에이전트 간 조율된 최적 행동을 유도하고 기존 방법들보다 우수한 성능을 입증합니다.