7103 편의 논문
이 논문은 Noddyverse 데이터셋을 기반으로 3D 중력 및 자력 공동 반전을 직진 흐름 (Rectified Flow) 프레임워크로 재정의하고, 지질학적 구조 식별을 위한 글린츠란다우 (Ginzburg-Landau) 정규화 및 가이드 메커니즘을 도입하여 기존 결정론적 알고리즘의 한계를 극복하는 새로운 역문제 해결 체계를 제시합니다.
이 논문은 분산이 무한한 중꼬리 분포를 가진 거래자 평가 하에서 컨텍스트 양자 거래 문제를 연구하여, 유계 밀도 조건 하의 자기-경계 성질을 확장하고 절단된 평균 추정법을 결합해 최적의 최소최대 후회율을 도출하고 이를 하한과 일치시킴으로써 의 고전적 비모수율과 의 선형율 사이의 정확한 수렴 속도를 규명했습니다.
이 논문은 다중 에이전트 LLM 협업 시스템에서 희소한 종단 보상만 존재할 때 발생하는 의사결정 수준의 신용 할당 문제를 해결하기 위해, 컨텍스트를 고정하고 고정된 연속 재생을 통해 개별 메시지의 인과적 영향을 격리하는 'Contextual Counterfactual Credit Assignment(C3)' 방법을 제안하고 그 유효성을 입증합니다.
이 논문은 GELU 게이트의 척도 혼합으로 유도되어 Cauchy CDF 게이트를 가지며, ReLU 와 GELU 사이의 행동을 매개변수로 조절하고 무거운 꼬리 분포를 통해 기울기 소실 문제를 완화하는 새로운 활성화 함수 IGLU 와 그 효율적인 근사치 IGLU-Approx 를 제안하고 다양한 벤치마크에서 우수한 성능을 입증합니다.
이 논문은 노이즈가 포함된 불완전한 관측 데이터로부터 물리 법칙을 발견하기 위해, 대칭성 제약을 적용한 문법과 언어 모델 기반 프로그램 합성, 그리고 MDL 정규화된 베이지안 모델 선택을 통합한 'SymLang' 프레임워크를 제안하며, 기존 방법론 대비 구조적 정확도와 외삽 성능을 획기적으로 향상시켰음을 보여줍니다.
이 논문은 기존 어텐션 메커니즘을 고전적 에너지 함수의 경사 하강으로 해석하고, 랑주뱅 동역학을 적용하여 학습 없이 온도로만 제어되는 확률적 어텐션을 제안함으로써, 생성 단계에서 기존 학습 기반 베이스라인보다 뛰어난 다양성과 독창성을 달성함을 보여줍니다.
이 논문은 강유전체 수직 NAND 의 데이터 유지 특성을 분석할 때 기존 TCAD 시뮬레이션의 높은 계산 비용을 극복하기 위해 물리 법칙을 학습 구조에 통합한 PINO 기반 AI 대리 모델을 개발하여, 물리적 정확도를 유지하면서 10,000 배 이상의 속도 향상을 달성했음을 보여줍니다.
이 논문은 비구형 군집을 모델링하고 임의 크기의 감쇠 윈도우에 대한 폐형식 발자국 업데이트 및 공분산 합집합 기법을 활용하여, 기존 스트리밍 군집화 알고리즘보다 우수한 성능을 보이는 단일 통과 가능도 기반 군집화 (SPC) 알고리즘을 제안하고 검증합니다.
이 논문은 산업 디자인 절차에서 영감을 받아 참조 표면과 모델링 절차를 기반으로 LLM 을 유도하여 스플라인 곡률을 포함한 유기적 형태의 CAD 프로그램을 생성하는 새로운 데이터 증강 패러다임을 제안함으로써, 기존 CAD 데이터의 기하학적 다양성 부족 문제를 해결하고 산업 수준의 디자인과 유사한 고품질 데이터를 확보하는 방법을 제시합니다.
이 논문은 속성 정보를 활용하는 환경에서는 공정한 머신러닝이 소외 계층의 성과를 개선하지만, 속성 정보를 배제한 환경에서는 분포에 따라 오히려 모든 그룹의 성과가 하락하는 '수준 하향 평준화'가 발생할 수 있음을 규명합니다.
이 논문은 XGBoost 의 강점을 활용하여 소규모 데이터셋에는 DDIM 기반 모델을, 대규모 데이터셋에는 계층적 자기회귀 모델을 제안함으로써 혼합형 표본 데이터 생성에서 기존 모델보다 낮은 훈련 비용으로 더 우수한 성능을 달성하는 'XGenBoost'를 소개합니다.
이 논문은 추출된 정보를 지식 베이스에 축적하고, 이를 다시 LLM 추출기의 성능 향상에 활용하는 폐쇄형 순환 구조를 통해 도메인 지식을 지속적으로 진화시키는 'DySECT'라는 동적 자기 진화 추출 시스템을 제안합니다.
이 논문은 동적 환경에서 로봇의 안전한 항법을 위해 단일 장애물에 대한 최적 안전 집합을 근사하는 여러 신경 제어 장벽 함수 (CBF) 를 결합한 'CN-CBF' 방법을 제안하고, 이를 시뮬레이션 및 하드웨어 실험을 통해 기존 기법 대비 성공률을 최대 18% 향상시키면서 과도한 보수성을 유지하지 않음을 입증했습니다.
이 논문은 대규모 언어 모델의 피드포워드 네트워크에서 정보 흐름과 차원 활용을 이해하기 위해 스펙트럼 엔트로피, 참여 비율 등 4 가지 지표를 활용한 통합 고유스펙트럼 분석 프레임워크인 'NerVE'를 제안하며, 이를 통해 다양한 아키텍처와 옵티마이저 설정에서 모델의 일반화 성능과 설계 선택 간의 관계를 규명합니다.
이 논문은 상태 공간 모델 (SSM) 의 재귀적 상태 업데이트 비용을 증가시키지 않으면서 전문가의 전문성을 도입하여 모델 용량을 확장하는 '스위치 맘바 (Swimba)'라는 새로운 아키텍처를 제안하고, 매개변수 공간에서 전문가를 혼합하는 방식이 계산 효율성을 유지하면서 성능을 향상시킬 수 있음을 이론적 및 실증적으로 입증합니다.
이 논문은 코시라트 탄성 이론을 기반으로 한 변형 및 지향장 학습을 위해 물리 법칙을 준수하는 신경망 해법을 개발하고, 준볼록성 및 레전드르 - 하담 불등식과 같은 안정성 조건을 검증 기준으로 활용하여 물리적으로 타당한 평형 해를 보장하는 프레임워크를 제시합니다.
이 논문은 여러 행동에 대한 반사실적 결과의 결합 분포를 명시적으로 모델링하는 '결합 MDP(JMDP)'를 제안하고, 이를 통해 1 단계 결합 체제에서 n 차 반환 모멘트에 대한 벨만 연산자를 유도하여 수렴 보장이 있는 동적 프로그래밍 및 점진적 알고리즘을 제시합니다.
이 논문은 DNA 기반 모델의 임베딩이 '임베딩-as-a-서비스 (EaaS)' 환경에서 공유될 때, 모델 역전 공격을 통해 민감한 원시 서열이 거의 완벽하게 복원될 수 있음을 보여주며, 특히 Evo 2 와 NTv2 모델이 취약하고 BPE 토큰화를 사용하는 DNABERT-2 가 상대적으로 더 안전함을 규명했습니다.
이 논문은 대규모 그래프에서 GNN 파이프라인의 병목 현상을 해결하기 위해 그래프 희석 (sparsification) 이 정확도 유지 또는 향상을 보장하면서 학습 및 추론 속도를 획기적으로 개선할 수 있음을 체계적인 실험을 통해 입증합니다.
이 논문은 정책 경사 (PG) 기반 후학습이 베이스 모델의 지원 (support) 내에서는 최적의 효율성을 보이지만, 이를 벗어날 때는 차원의 저주에 직면한다는 한계를 규명하고, 이를 극복하기 위해 토큰 수준의 가능도 분위수 (LQ) 에 의존하는 과정 보상 모델을 제안합니다.