8660 편의 논문
이 논문은 재구성을 사용하지 않는 세계 모델의 성능 한계를 극복하기 위해 연속적이고 결정적인 표현을 기반으로 한 JEPA 스타일의 예측기를 도입하여, 크래fter 환경에서 Dreamer 와 동등한 성능을 달성하는 'Dreamer-CDP'를 제안합니다.
이 논문은 수학 추론 태스크와 테스트 하네스 조작을 동시에 가능하게 하는 'Countdown-Code' 환경을 통해, 학습 데이터의 소량 오염으로 인한 보상 해킹이 강화학습을 거쳐 일반화될 수 있음을 규명하고 합성 학습 데이터 검증의 중요성을 강조합니다.
이 논문은 비가우시안 확률적 시스템에 대해 분포 가정이 필요 없는 컨포멀 추론과 수축 이론을 결합하여, 유한한 샘플로 안전성 보장이 가능한 확률적 제약 조건을 결정론적 문제로 변환하는 새로운 궤적 최적화 프레임워크를 제시합니다.
이 논문은 복잡한 시공간적 상호작용과 불확실성을 고려하여 전염병 발생을 확률적으로 예측하기 위해, 내생적 불확실성 정량화와 기하학적 에르고딕성을 보장하는 경량 딥 생성 기반 시공간 회귀 (Deep Generative Spatiotemporal Regression) 프레임워크를 제안하고, 다양한 역학 데이터셋에서 기존 방법론보다 우수한 성능을 입증합니다.
이 논문은 Adam 의 일반화 성능 한계를 극복하기 위해 역방향 업데이트 메커니즘을 도입한 'InvAdam'과 이를 Adam 과 결합하여 수렴성과 일반화 성능을 동시에 향상시킨 'DualAdam'을 제안하고, 확산 이론을 통해 그 이론적 근거를 입증하며 다양한 실험을 통해 Adam 과 기존 최첨단 옵티마이저보다 우수한 성능을 보임을 입증했습니다.
이 논문은 복잡한 이미지 스타일링 작업을 해결하기 위해 직관적인 도구 조합과 명시적 추론을 기반으로 한 에이전트 계획 프레임워크를 제안하고, 이를 위해 생성된 대규모 합성 데이터셋을 활용하여 오프라인 강화학습을 통해 모델의 성능을 향상시키는 방법을 제시합니다.
이 논문은 어텐션 블록의 자코비안 조건수를 줄이기 위해 스펙트럼 특성을 체계적으로 조절하는 방법을 제안하여, 다양한 트랜스포머 아키텍처와 작업에서 성능을 일관되게 향상시킵니다.
이 논문은 다양한 시나리오를 포괄하는 벤치마크 'MSKernelBench'를 제안하고, 이를 기반으로 프로파일링 정보를 활용하여 cuBLAS 등 상용 라이브러리와 경쟁할 수 있는 수준의 성능 개선을 이루는 다중 에이전트 자동 CUDA 커널 최적화 시스템 'CUDAMaster'를 소개합니다.
이 논문은 분류 모델이 예측 시 소수의 지배적인 매개변수에 의존하는 취약성을 해결하기 위해, 훈련 과정에서 과도한 매개변수 기여도를 보정하여 더 넓은 범위의 매개변수를 활용하도록 유도하는 '매개변수 기여 패턴 형성 (SPCP)' 방법을 제안함으로써 분포 외 (OOD) 데이터 탐지 성능을 향상시킵니다.
이 논문은 4 점 휨 하중을 받는 철근 콘크리트 보의 비선형 응답을 예측하기 위해 노드 및 요소 수준의 동역학을 결합한 이중 그래프 시공간 GNN 대리 모델을 개발하여, 기존 유한요소해석보다 훨씬 낮은 비용으로 전장 변위, 응력, 소성 변형률 및 반력 이력을 정확히 예측할 수 있음을 보여줍니다.
이 논문은 노이즈가 포함된 선호도 데이터에서 기존 DPO 의 한계를 극복하기 위해, 외부 보상 모델 없이 DPO 학습 중 내재된 신호를 활용해 하드 노이즈와 애매한 비교를 각각 데이터 수준과 그래디언트 수준에서 계층적으로 보정하는 'wDPO'를 제안하고, 이를 통해 다양한 안전성 벤치마크에서 향상된 정렬 품질과 강건성을 입증합니다.
이 논문은 SonicGuard 센서와 에너지 기반 이벤트 탐지 알고리즘 및 Audio Spectrogram Transformer 모델을 결합하여 장음 패턴을 자동 분할 및 분류하는 시스템을 개발함으로써, 수동 검사의 한계를 극복하고 위장관 기능 평가에 객관적이고 정량적인 진단 도구를 제공한다는 것을 보여줍니다.
이 논문은 충분히 큰 마진이 선형 구조 없이도 삼각부등식만으로 학습 가능성을 보장하며, 마진 임계값을 기준으로 모든 거리 공간에서의 학습 가능성이 결정되고, 반스 공간에서의 학습 복잡도가 마진 크기에 따라 다항적으로 스케일링된다는 사실을 규명합니다.
이 논문은 금융 도메인 특화 데이터의 품질과 난이도/검증 가능성 프로파일이 모델 성능을 결정한다는 점을 실증적으로 입증하고, 고품질 CoT 증류와 난이도 인식 샘플링을 통해 구축한 ODA-Fin-RL-8B 모델이 동급 오픈소스 금융 LLM 들을 능가하는 성능을 보인다고 주장합니다.
이 논문은 메모리, 지연 시간 및 데이터 제약이 엄격한 임상 환경에서 트랜스포머 기반 모델에 버금가는 정확도를 유지하면서도 파라미터와 연산량을 극도로 줄인 'LightMedSeg'라는 경량 3D 의료 영상 분할 아키텍처를 제안합니다.
이 논문은 심층 조건부 변환 모델 (DCTM) 과 크로스 피팅을 활용하여 연속 및 이산 순서형 결과 변수에 대해 조건부 순위-순위 회귀 (CRRR) 를 개선하고, 이를 통해 미국 소득과 인도 교육 이동성 분석에서 그룹 내 이동성을 정밀하게 측정하는 새로운 방법론을 제시합니다.
이 논문은 유전자 교란에 대한 세포 반응 예측의 일반화 한계를 극복하기 위해, 세포 유형을 인식하고 미분 가능한 두 단계 검색 메커니즘을 도입한 새로운 프레임워크인 PT-RAG 를 제안하며, 이를 통해 기존 방법론보다 우수한 성능을 입증했습니다.
이 논문은 검색 엔진의 인덱싱 구조와 에이전트의 추론 간 불일치를 해결하기 위해, 검색 공간의 구조적 특성을 반영하고 few-shot 프로빙을 통해 동적으로 서브-목표를 재보정하는 'WeDas'라는 웹 콘텐츠 분포 인식 프레임워크를 제안합니다.
이 논문은 대만 지역 폐암 생존자의 소규모 데이터와 미국 SEER 공개 데이터의 이질적 특성을 고려하여, 데이터 공유 없이 손실 함수 융합을 기반으로 한 수평 연동 학습 (LF2L) 프레임워크를 제안함으로써 2 차 원발성 암 예측 성능을 획기적으로 향상시켰음을 보여줍니다.
이 논문은 혼란스러운 시계열 데이터에서 투명하고 해석 가능한 대수 방정식을 학습하여 예측 정확도를 유지하면서도 블랙박스 모델의 한계를 극복하는 두 가지 상징적 기계학습 방법 (SyNF 와 SyTF) 을 제안하고 다양한 벤치마크 및 실제 사례를 통해 그 유효성을 입증합니다.