Adaptive Double-Booking Strategy for Outpatient Scheduling Using Multi-Objective Reinforcement Learning
이 논문은 개별 환자의 결석 확률 예측과 다목적 강화 학습을 결합하여, 기존 고정 규칙의 한계를 극복하고 실시간으로 예약 (단일/이중 예약 또는 거절) 을 최적화하는 적응형 외래 진료 스케줄링 프레임워크를 제안합니다.
🤖 Category
cs.LG
8660 편의 논문
Variational Flow Maps: Make Some Noise for One-Step Conditional Generation
이 논문은 외부 제약 조건을 따르는 단일 단계 조건부 생성 및 역문제 해결을 위해, 샘플링 경로를 안내하는 대신 관찰 데이터에 부합하는 초기 노이즈 분포를 학습하는 '변분 흐름 맵 (Variational Flow Maps)' 프레임워크를 제안합니다.
Fast and Flexible Audio Bandwidth Extension via Vocos
이 논문은 Vocos 기반의 신경 보코더와 경량화된 리프라이너를 결합하여 8~48kHz 대역의 결손 고주파 성분을 생성하고, NVIDIA A100 GPU 에서 실시간 인자의 0.0001 배에 달하는 극한의 처리 속도로 고품질 대역폭 확장을 실현하는 모델을 제안합니다.
Spectral Discovery of Continuous Symmetries via Generalized Fourier Transforms
이 논문은 변환 생성자를 직접 최적화하는 기존 접근법과 달리, 일반화 푸리에 변환 (GFT) 을 통해 함수의 스펙트럼 분해에서 유도된 구조적 희소성을 식별함으로써 연속 대칭성을 발견하는 새로운 프레임워크를 제안합니다.
AutoResearch-RL: Perpetual Self-Evaluating Reinforcement Learning Agents for Autonomous Neural Architecture Discovery
이 논문은 인간 개입 없이 신경 아키텍처와 하이퍼파라미터를 지속적으로 탐색하고 개선하는 강화 학습 기반의 자동 연구 프레임워크인 'AutoResearch-RL'을 제안하며, 단일 GPU 환경에서 약 300 회의 반복 실험을 통해 수동으로 조정된 베이스라인과 맞먹거나 더 나은 성능을 달성하는 것을 입증했습니다.
Retrieval-Augmented Multi-scale Framework for County-Level Crop Yield Prediction Across Large Regions
이 논문은 다양한 지역과 시기에 걸쳐 발생하는 공간적 변동성과 장기적·단기적 시간적 패턴을 동시에 포착하기 위해 검색 기반 적응 전략을 통합한 새로운 다중 스케일 프레임워크를 제안하여 미국 전역의 군 단위 옥수수 수확량 예측 정확도를 크게 향상시켰다고 요약할 수 있습니다.
StructSAM: Structure- and Spectrum-Preserving Token Merging for Segment Anything Models
이 논문은 SAM 모델의 구조와 스펙트럼을 보존하면서 토큰 병합 시 발생하는 경계 손실과 프롬프트 정보 누출 문제를 해결하기 위해, 그라디언트 기반 토큰 에너지 점수와 그리드 기반 평탄도 선별을 활용한 'StructSAM'을 제안하여 계산 비용을 대폭 줄이면서도 정밀한 분할 성능을 유지하는 방법을 제시합니다.
Adversarial Latent-State Training for Robust Policies in Partially Observable Domains
이 논문은 부분 관측 가능 환경에서 잠재 초기 상태 분포의 적대적 선택을 다루기 위한 이론적 프레임워크를 제시하고, 배틀십 벤치마크를 통해 표적화된 적대적 노출이 최악의 취약점을 효과적으로 완화하여 강건한 정책을 학습할 수 있음을 증명합니다.
Shutdown Safety Valves for Advanced AI
이 논문은 고급 인공지능이 목표를 달성하기 위해 종료되는 것을 막는다는 우려를 해결하기 위해, 인공지능에게 '종료되는 것'을 주된 목표로 부여하는 비주류적인 제안과 그 적절성에 대해 논의합니다.
ShakyPrepend: A Multi-Group Learner with Improved Sample Complexity
이 논문은 차분 프라이버시 기법에 영감을 받아 제안된 'ShakyPrepend' 알고리즘을 통해 다중 그룹 학습의 표본 복잡도를 개선하고, 그룹 구조와 공간적 이질성에 적응하는 능력을 수치 실험을 통해 입증했습니다.
Norm-Hierarchy Transitions in Representation Learning: When and Why Neural Networks Abandon Shortcuts
이 논문은 가중치 감쇠 하에서 매개변수 노름의 위계적 탐색을 통해 뉴럴 네트워크가 초기의 편향된 단축경로 해에서 구조화된 표현으로 전환되는 시기와 메커니즘을 설명하는 '노름 - 위계 전이 (NHT)' 프레임워크를 제안합니다.
Explainable and Hardware-Efficient Jamming Detection for 5G Networks Using the Convolutional Tsetlin Machine
이 논문은 5G 네트워크의 실시간 지능형 재밍 탐지를 위해 FPGA 에서 효율적으로 실행 가능한 경량화되고 해석 가능한 합성곱 트세틀린 머신 (CTM) 을 제안하며, 실제 5G 테스트베드 실험을 통해 기존 CNN 대비 학습 속도와 메모리 효율성을 크게 개선하면서도 유사한 탐지 성능을 입증했습니다.
Learning Concept Bottleneck Models from Mechanistic Explanations
이 논문은 블랙박스 모델이 학습한 개념을 희소 오토인코더와 멀티모달 LLM 을 통해 추출하고 명명하여, 기존 개념 병목 모델 (CBM) 의 예측 성능 한계를 극복하고 정보 누출을 통제된 조건에서 더 높은 정확도와 간결한 설명을 제공하는 새로운 'Mechanistic CBM(M-CBM)' 파이프라인을 제안합니다.
Learning Clinical Representations Under Systematic Distribution Shift
이 논문은 훈련 데이터와 배포 환경 간의 체계적인 분포 변화를 해결하기 위해, 생리학적 신호와 환경 의존적 아티팩트를 분리하는 적대적 정규화 및 불변 위험 페널티를 결합한 새로운 표현 학습 프레임워크를 제안하여 다양한 병원 간 임상 예측 모델의 분포 외 일반화 성능과 보정 능력을 크게 향상시켰음을 보여줍니다.
A Distributed Gaussian Process Model for Multi-Robot Mapping
이 논문은 국소 경험과 계산만을 활용하여 전역 함수를 학습하는 분산 가우시안 프로세스 모델 'DistGP'를 제안하며, 이는 기존 트리 구조 GP 나 분산 신경망 최적화기보다 우수한 정확도와 동적 연결성 환경에서의 견고성을 보입니다.
AgrI Challenge: A Data-Centric AI Competition for Cross-Team Validation in Agricultural Vision
이 논문은 농업 비전 분야에서 모델의 일반화 성능을 평가하기 위해 여러 팀이 독립적으로 수집한 이질적인 데이터셋을 활용하는 'AgrI Challenge'와 교차 팀 검증 (CTV) 패러다임을 제안하며, 단일 소스 학습의 한계를 드러내고 다중 소스 협업 학습이 도메인 간 격차를 크게 줄여준다는 것을 입증합니다.
Latent Generative Models with Tunable Complexity for Compressed Sensing and other Inverse Problems
이 논문은 중첩 드롭아웃 (nested dropout) 을 활용하여 확산 모델, 정규화 흐름, 변이 오토인코더의 복잡도를 조절 가능한 방식으로 개선함으로써, 압축 센싱 및 다양한 역문제에서 고정 복잡도 기반 모델보다 낮은 재구성 오차를 달성하고 이론적 분석을 제공함을 보여줍니다.
N-Tree Diffusion for Long-Horizon Wildfire Risk Forecasting
이 논문은 희소 사건 감독 하에서 장기 wildfire 위험 예측의 계산 효율성을 높이기 위해, 초기 탈노이즈 단계를 공유하고 후기 단계에서 분기하는 계층적 확산 모델인 N-Tree Diffusion (NT-Diffusion) 을 제안하여 정확도 향상과 추론 비용 감소를 동시에 달성함을 보여줍니다.
Scaling Laws in the Tiny Regime: How Small Models Change Their Mistakes
이 논문은 100M 파라미터 미만의 '작은 모델' 영역에서 성능이 크기 증가에 따라 멱법칙을 따르지만, 오류의 구조와 보정 능력이 크게 변화하며 중간 크기 모델보다 가장 작은 모델이 더 잘 보정되는 등 에지 AI 배포를 위해서는 목표 모델 크기에서의 검증이 필수적임을 규명합니다.
Learning to Reflect: Hierarchical Multi-Agent Reinforcement Learning for CSI-Free mmWave Beam-Focusing
이 논문은 채널 상태 정보 (CSI) 추정 오버헤드를 제거하고 사용자 위치 정보를 활용하며, 계층적 다중 에이전트 강화학습 (HMARL) 을 통해 mmWave 빔 포커싱의 확장성과 성능을 극대화하는 새로운 프레임워크를 제안합니다.