2316 편의 논문
이 논문은 실제 세계의 스키마 진화에 대비하여 텍스트 -SQL 시스템의 견고성을 평가하고 향상시키기 위해 열 가지 교란 유형을 포함하는 포괄적인 벤치마크인 EvoSchema 를 제안하고, 이를 통해 테이블 수준의 변경이 모델 성능에 더 큰 영향을 미치며 다양한 스키마 설계로 훈련된 모델이 더 뛰어난 견고성을 보임을 입증합니다.
이 논문은 리만 다양체 상에서 시뮬레이션 없이 평균 속성장을 정의하고 로그-맵 표현을 통해 기하학적 계산을 최소화함으로써 고품질의 단단계 생성이 가능한 '리만 평균 흐름 (Riemannian MeanFlow)'을 제안합니다.
이 논문은 예측 오차율을 활용하여 기존 학습 증강 k-중앙값 클러스터링 알고리즘의 시간 복잡도와 차원 의존성을 획기적으로 개선하는 '샘플링 및 탐색 (Sample-and-Search)' 알고리즘을 제안하고, 이를 통해 계산 복잡도를 줄이면서도 더 낮은 클러스터링 비용을 달성함을 실험을 통해 입증합니다.
이 논문은 멀티테넌트 LLM 서빙 시스템에서 자동 접두사 캐싱 (APC) 으로 인한 타이밍 사이드 채널 공격을 방지하면서도 기존 방어 기법보다 캐싱 재사용률을 70% 높이고 추론 지연을 30% 줄이는 'CacheSolidarity'라는 새로운 시스템을 제안합니다.
이 논문은 딥러닝 모델의 정확도뿐만 아니라 신뢰성과 불확실성 추정 능력을 평가하기 위해 몬테카를로 드롭아웃과 컨포멀 예측 기법을 비교 분석하여, GoogLeNet 이 더 잘 보정된 불확실성을 제공하고 컨포멀 예측이 통계적으로 보장된 예측 집합을 통해 고위험 의사결정 맥락에서 실용적 가치가 있음을 밝혔습니다.
이 논문은 문서화 중심의 기존 접근법의 한계를 지적하며, 데이터 누출을 런타임에 강제적으로 차단하는 7 가지 원시 연산과 4 가지 제약 조건으로 구성된 새로운 머신러닝 워크플로우 문법을 제안합니다.
이 논문은 기존 모델의 재학습 없이도 베이지안 항등 매핑과 구조화된 교란 분석을 통해 알레토릭 및 에피스테믹 불확실성을 동시에 추정할 수 있는 범용 플러그인 프레임워크 'CUPID'를 제안합니다.
이 논문은 제한된 공통 무작위성 하에서 데이터 샘플만을 활용하여 목표 분포와 AE 출력 분포 간의 총변동 거리를 최소화하는 오토인코더 기반의 심층 무작위 분산 함수 계산 (DeepRDFC) 프레임워크를 제안하고, 기존 데이터 압축 방법 대비 뛰어난 통신 부하 효율성을 입증합니다.
이 논문은 물리적으로 복제 불가능한 함수 (PUF) 를 활용하여 신경망 모델의 가중치를 고유한 하드웨어 속성과 연결함으로써, 복제된 하드웨어에서의 정확한 실행을 방지하여 지적 재산권을 보호하는 방법을 제시합니다.
본 논문은 무선 연산 학습 (FL) 의 제한된 자원 환경에서 모델 업데이트에 중요한 기울기 부호 정보를 우선적으로 전송하고 계층적 자원 할당을 최적화하여 통신 신뢰성과 학습 정확도를 동시에 향상시키는 'Sign-Prioritized FL (SP-FL)' 프레임워크를 제안합니다.
이 논문은 고차원 카오스 동역학 시스템에서 극단적 사건의 예측 지평을 확장하기 위해, 지배 방정식 없이 상태 스냅샷만으로 과도 불안정 메커니즘을 포착하는 FTLE 유사 선행 지표를 생성하고 이를 트랜스포머 모델에 결합한 데이터 기반 프레임워크를 제안합니다.
이 논문은 비전 언어 모델의 얕은 계층에서 직접 스칼라 활성화 값을 추출하여 '슈퍼 뉴런'을 식별함으로써, 추가 학습 없이도 분류 성능을 향상시키고 최대 5.10 배의 속도 향상을 이루는 새로운 효율적 접근법을 제안합니다.
이 논문은 5G/6G 네트워크 계획의 신뢰성을 높이기 위해 공간적 자기상관으로 인한 데이터 누출을 방지하고 잔차 보정을 적용한 문맥 인식 2 단계 분할 전략을 통해 셀룰러 트래픽 수요를 정확하게 예측하는 AI 기반 프레임워크를 제안합니다.
이 논문은 공개된 배포 기록을 기반으로 스펙트럼 수요를 추정하기 위해 계층적 다해상도 그래프 어텐션 네트워크 (HR-GAT) 를 제안하며, 다섯 개 캐나다 도시에서의 평가 결과 기존 최우수 모델 대비 중앙값 RMSE 를 약 21% 감소시키고 공간적 편향을 줄여 무선 네트워크의 스펙트럼 공유 및 할당을 지원함을 보여줍니다.
이 논문은 사전 훈련된 확산 모델을 매니폴드 사전으로 활용하여, 단백질의 원하는 특성 달성, 변이 최소화, 그리고 접힘 가능성이라는 세 가지 목표를 균형 있게 충족시키는 생물학적으로 타당한 최소 변이를 생성하는 'MCCOP' 프레임워크를 제안하고 GFP 형광 회복, 열역학적 안정성 향상, E3 리가제 활성 복구 등 다양한 단백질 공학 과제에서 기존 방법론보다 우수한 성능을 입증합니다.
이 논문은 무작위 평활화 (randomized smoothing) 기법을 자율 주행 궤적 예측 모델에 적용하여, 공격에 대한 견고성을 향상시키면서도 정상 환경에서의 예측 정확도를 유지하는 효과적이고 계산 비용이 낮은 방어 메커니즘을 제안하고 검증했습니다.
이 논문은 데이터 부족과 불균형이 있는 표본 데이터 환경에서 예측 성능을 극대화하기 위해 강화 학습을 활용하여 특징 간 상관관계를 보존하는 조건부 분포 학습에 중점을 둔 새로운 합성 데이터 생성 프레임워크 'ReTabSyn'을 제안합니다.
이 논문은 데이터가 부족한 NPU 커널 합성 분야에서 대규모 언어 모델의 성능 저하를 해결하기 위해, 가치 기반 기억 메커니즘을 통해 경험을 축적하고 단계별로 최적화하는 자기 진화 에이전트 프레임워크인 EvoKernel 을 제안합니다.
이 논문은 희소 롤아웃 환경에서 사전 학습된 일반 가치 모델의 예측을 사전 지식으로 활용하고 실시간 통계 검증을 통해 추가 롤아웃 예산을 동적으로 할당함으로써, 편향과 분산을 균형 있게 제어하여 GRPO 및 DAPO 보다 우수한 성능을 보이는 새로운 가치 모델 를 제안합니다.
이 논문은 6S 복사 전달 모델과 구글 어스 엔진을 활용하여 EnMAP 초분광 위성의 수역 대기 보정을 자동화하는 오픈 소스 프레임워크인 6ABOS 를 개발하고, 지중해 내수역에서의 현장 측정 데이터와의 높은 일치도를 통해 그 유효성을 입증했습니다.