6866 편의 논문
이 논문은 이진 잠재 조각화 (Binary Latent Sculpting) 손실 함수와 마스킹 자기회귀 흐름 (MAF) 을 결합한 위상적 다양체 학습 접근법을 통해, 기존 지도 학습 모델이 겪는 일반화 붕괴 문제를 해결하고 CIC-IDS-2017 벤치마크에서 제로샷 (zero-shot) 환경의 은밀한 침입 공격을 포함한 미지의 이상 징후를 효과적으로 탐지하는 'Latent Sculpting' 프레임워크를 제안합니다.
이 논문은 수직 연합 학습 (VFL) 환경에서 프라이버시 보호를 위해 특정 데이터나 라벨의 영향을 효과적으로 제거하면서도 재학습과 유사한 성능을 유지하는 'FedORA'라는 원시 - 이중 최적화 기반의 새로운 언러닝 알고리즘을 제안하고 그 이론적 보장과 실험적 유효성을 입증합니다.
이 논문은 온라인 게임 네트워크 트래픽을 프로세스 마이닝을 활용해 비감독적으로 상태 분석하고 해석 가능한 페트리 넷으로 인코딩하여 클래시 로얄과 로켓 리그와 같은 게임들을 분류하는 UPSIDE 사례 연구를 제시합니다.
이 논문은 공간 그래프의 노드 수를 줄이면서도 주요 위상적 특성을 보존하기 위해 삼각형 인식 여과 (triangle-aware graph filtration) 와 지속적 다이어그램을 활용한 매개변수 없는 위상적 공간 그래프 축소 기법을 제안하고, 회전·이동·확대에 대한 불변성을 증명하여 그 유효성을 입증합니다.
이 논문은 고차원 희소 마코프 결정 과정에서 아드버서리에 의한 데이터 오염이 존재하는 상황에서도 단일 정책 집중성 가정 하에 최적 정책에 근접하는 학습이 가능함을 보이는, 희소성과 오염 견고성을 동시에 고려한 새로운 액터-크리틱 알고리즘을 제안합니다.
이 논문은 비아벨 군과 비단일 모듈 군에 대한 비전환 작용을 포함하는 일반적인 설정에서, 기존 제약 조건들의 호환성 문제를 해결하고 더 약한 제약을 통해 필터의 자유도를 줄이면서도 그룹 합성곱 신경망의 효율성을 유지하는 새로운 방법을 제안합니다.
이 논문은 전력망 부하 예측의 안전성을 위해 기존 정확도 지표를 넘어 편향과 하향 예측 위험을 정량화하는 새로운 평가 프레임워크를 제안하고, 이를 통해 상태 공간 모델과 트랜스포머 아키텍처의 성능을 분석하며, 확률적 예측에서 발생할 수 있는 과도한 안전 마진 (가짜 안전) 문제를 해결하기 위해 편향 제약을 도입한 최적화 기법을 제시합니다.
이 논문은 생물학 및 물류 등 다양한 도메인의 그래프 데이터에서 노드, 엣지, 그래프 수준의 매개변수에 대한 효율적인 베이지안 추정을 가능하게 하기 위해, 그래프 인코더와 신경 사후 추정기를 결합한 새로운 amortized Bayesian inference 프레임워크를 제안하고 그 성능을 검증합니다.
DevBench 는 실제 개발자 텔레메트리 데이터를 기반으로 6 개 프로그래밍 언어와 6 가지 작업 범주에 걸친 1,800 개의 평가 인스턴스를 포함하여, 기존 벤치마크의 한계를 극복하고 생태학적 타당성과 실용적 유용성을 중시하는 LLM 코드 생성 모델 평가를 위한 새로운 기준을 제시합니다.
이 논문은 대규모 언어 모델 (LLM) 과 다중 팔 밴딧 (MAB) 간의 양방향 상호작용을 구성 요소 수준에서 체계적으로 검토하여, MAB 가 LLM 의 학습 및 개인화 문제를 해결하고 LLM 이 MAB 의 핵심 구성 요소를 재정의하여 의사결정을 개선하는 상호 보완적 관계와 향후 연구 방향을 제시합니다.
이 논문은 리소스 제약, 데이터 이질성, 그리고 프라이버시 위험이라는 엣지 환경의 근본적인 과제를 해결하기 위해 분할 학습과 계층적 연방 학습을 통합하여 LLM 을 효율적으로 미세 조정하는 새로운 프레임워크인 ELSA 를 제안하고, 이를 통해 통신 오버헤드를 줄이면서도 프라이버시를 보호하며 성능을 극대화하는 확장 가능한 솔루션을 제시합니다.
이 논문은 풀레이어 (fully parallel) 구현 시 발생하는 데이터 감소로 인한 하드웨어 비효율성을 해결하기 위해, CNN 의 데이터 흐름을 분석하여 저속 신호를 인터リーブ하고 하드웨어 유닛을 공유하는 새로운 데이터율 인지 연속 흐름 아키텍처를 제안하여 단일 FPGA 에서 MobileNet 과 같은 복잡한 CNN 을 높은 처리량으로 구현할 수 있음을 보여줍니다.
이 논문은 기존 캐싱 방법의 한계를 극복하고 Jacobian-벡터 곱을 활용한 평균 속도 관점과 궤적 안정성 스케줄링 전략을 통해 FLUX.1 및 HunyuanVideo 등 다양한 모델에서 고품질 생성을 유지하면서 3.5 배 이상 가속화를 실현하는 훈련 불필요한 MeanCache 프레임워크를 제안합니다.
이 논문은 쌍대 제약 조건이 있는 k-평균 클러스터링을 위해 소규모 작업 부분집합에 최적화를 집중하고 나머지 할당을 재중앙화하며, 불가능한 제약 조건에 대해 검증 가능한 수리 증명을 제공하는 확장 가능한 프레임워크인 PASS 를 제안합니다.
이 논문은 시스템 방정식 없이 데이터만으로 학습하는 모델 프리 신경망 필터 (특히 상태 공간 모델) 가 비선형 동적 시스템에서 강력한 비선형 칼만 필터와 유사한 상태 추정 성능을 보이면서도 훨씬 높은 추론 처리량을 달성한다는 것을 체계적인 실험을 통해 입증합니다.
이 논문은 원시 시계열 데이터와 심볼릭 추상화를 결합하여 각 시간 구간의 기여도를 선형적으로 인코딩함으로써 기존 방법론의 한계를 극복하고 예측 성능과 설명 가능성을 동시에 달성한 새로운 프레임워크 'TimeSliver'를 제안합니다.
이 논문은 도메인 불변 인과적 특징을 추출하고 스펙트럼 영역 대비 학습을 통해 이를 주입하는 'TGCC'라는 새로운 그래프 데이터 증류 방법을 제안하여, 기존 방법들이 한계를 보였던 교차 작업 및 교차 도메인 시나리오에서 뛰어난 성능과 이전 가능성을 달성했다고 요약할 수 있습니다.
이 논문은 교통, 에너지, 모빌리티 등 다양한 네트워크 시스템에서 국소 보존 법칙을 정확히 준수하면서 누락된 흐름을 복원하기 위해, 발산 없는 흐름에 대한 군 작용과 그래프 어텐션 인코더, 그리고 암시적 이레벨 최적화를 통한 틱호노프 정제 기법을 결합한 'FlowSymm'이라는 새로운 아키텍처를 제안하고, 세 가지 실제 흐름 벤치마크에서 기존 최첨단 방법들보다 우수한 성능을 입증했습니다.
이 논문은 희소하고 지연된 보상 문제를 해결하기 위해 메모리 작업 트리를 통한 힌드사이트 크레딧 할당을 도입한 MoT-GRPO 학습 프레임워크와 경량 계층적 메모리 데이터베이스를 활용한 Mem-T 에이전트를 제안하여 장기 기억 관리 정책의 종단간 최적화와 성능 향상을 달성했습니다.
이 논문은 랭크 - 스코어 특성 함수와 인지적 다양성을 활용한 조합 융합 분석 (CFA) 기법을 적용하여 개별 모델 및 기존 비트코인 가격 예측 모델보다 뛰어난 성능 (MAPE 0.19%) 을 달성한 새로운 예측 모델을 제안합니다.