9324 편의 논문
이 논문은 MGWR, 랜덤 포레스트, ST-GCN 을 결합한 GeoAI 하이브리드 프레임워크를 통해 6 개 도시의 350 개 교통 분석 구역 데이터를 분석하여, 토지 이용과 교통 수요 간의 복잡한 시공간적 이질성을 기존 모델보다 정밀하게 규명하고 다양한 이동 수단에 대한 정책 수립을 위한 해석 가능한 도구를 제시했습니다.
이 논문은 추가 데이터나 재학습 없이 기존 '밴드' 모델에서 가지치기를 통해 편향에 영향을 받지 않는 서브네트워크를 추출하는 'BISE' 전략을 제안하여, 효율적이고 구조적인 편향 완화 방법을 제시합니다.
이 논문은 물리 기반 모델에서 토크나이저를 사전 학습시키는 것이 특히 도메인 정렬이 이루어질 경우 물리 시뮬레이션의 정확도와 효율성을 크게 향상시킨다는 것을 최초로 체계적으로 입증하고, 실행 시간에 조절 가능한 압축 비율을 지원하는 새로운 시공간 압축 연산을 제안합니다.
이 논문은 기존 방법론이 개별적으로 검증하여 보수적인 결과를 초래했던 한계를 극복하고, 혼합 정수 선형 계획법 (MILP) 을 활용하여 모든 키포인트 간의 상호 의존성과 결합된 편차를 동시에 검증함으로써 학습 기반 키포인트 검출기의 강건성을 최초로 보장하는 새로운 프레임워크를 제안합니다.
이 논문은 행동과 내부 계산을 분리하여 대규모 신경 활동을 모델링하는 새로운 방법인 '행동 분해 선형 동적 시스템 (b-dLDS)'을 제안하고, 이를 통해 행동 생성 네트워크와 내부 계산을 구별하며 실제 대규모 신경 데이터에서 행동 관련 동적 연결성을 규명하는 성과를 보여줍니다.
이 논문은 자연어 기반의 협력적 에이전트 아키텍처인 RACAS 를 제안하여, 소스 코드나 모델 재학습 없이 다양한 로봇 플랫폼 간에 고수준 자율 행동을 가능하게 함으로써 로봇 프로토타이핑의 장벽을 획기적으로 낮췄음을 보여줍니다.
이 논문은 기계학습 모델에 대한 공격을 통해 공격자의 특성을 식별하는 프레임워크를 제안하고, 공격자의 신원을 파악함으로써 외부적 완화 조치 및 학습 과정 내 방어 기법의 성능을 향상시킬 수 있음을 증명합니다.
이 논문은 VAE 의 재구성 FID(rFID) 와 확산 모델 생성 FID(gFID) 간의 상관관계가 낮다는 기존 통념을 재검토하고, 잠재 공간에서 최근접 이웃을 보간하여 계산한 새로운 지표인 보간 FID(iFID) 를 제안함으로써 gFID 와 높은 상관관계를 보이는 첫 번째 예측 지표를 제시합니다.
이 논문은 이상적인 정답이 부재한 가상 의류 입기 (Virtual Try-On) 와 같은 작업에서 참조 기반 평가의 한계를 극복하기 위해, 정답 비교 대신 오류를 계수하고 심각도에 따라 가중치를 부여하는 '암시적 오류 계수 (IEC)' 방식을 제안하여 기존 평가 방법보다 우수한 성능을 입증했습니다.
이 논문은 NBA 연봉 예측에서 기존 표적 데이터만 사용하는 방식의 한계를 극복하기 위해 온/오프 코트 데이터를 기반으로 한 지식 그래프를 구축하고 이를 벡터로 임베딩하여 표적 데이터에 통합함으로써, 특히 베테랑 선수나 고연봉 선수들의 연봉을 더 정확하게 예측할 수 있음을 입증합니다.
이 논문은 복잡한 비선형 전력 흐름 방정식의 해 개수를 추정하는 확률적 보상 함수와 상태 공간을 설계하고 강화 학습 에이전트를 활용하여 기존 알고리즘으로는 풀기 어려운 다수의 평형점을 갖는 네트워크 인스턴스를 발견함으로써, 강화 학습이 전력망 설계 및 복잡한 대수·기하 문제 해결에 유의미한 잠재력을 지니고 있음을 보여줍니다.
이 논문은 약한 교사 모델의 불완전한 레이블로 훈련된 강한 학생 모델이 무작위 특징 리지 회귀 (RFRR) 를 통해 교사 모델의 스케일링 법칙을 능가하고, 심지어 교사 모델의 오차가 감소하지 않더라도 최소최대 최적 수렴 속도를 달성할 수 있음을 보임으로써 약한-to-강한 일반화의 잠재력을 규명합니다.
이 논문은 Llama-3.1-70B 와 405B 와 같은 밀집형 LLM 의 배포 시 텐서 병렬화 (TP) 가 지연 시간 최적화에, 파이프라인 병렬화 (PP) 가 처리량 최적화에 유리하며, 두 기법을 혼합하여 지연 시간과 처리량 간의 트레이드오프를 조절할 수 있음을 실증적으로 분석합니다.
이 논문은 모어 기계와 상태 공간 모델 (SSM) 간의 정형적 대응 관계를 규명하고, 기호적 자동자 학습을 통해 SSM 을 초기화함으로써 복잡한 시스템 학습의 수렴 속도와 정확도를 획기적으로 개선하는 방법을 제시합니다.
이 논문은 무작위 내적 그래프 (RDPG) 에서 시계열 네트워크의 진화를 지배하는 미분방정식을 학습할 때 발생하는 게이지 자유도, 실현 가능성 제약, 궤적 복원 아티팩트 등 세 가지 근본적 장애물을 기하학적 프레임워크로 규명하고, 대칭적 역학이 게이지 모호성을 해결할 수 있음을 증명하여 통계적 어려움과 기하학적 구조가 불가분하게 연결되어 있음을 보여줍니다.
이 논문은 AI 기반 기후 정보의 급속한 발전이 고사양 컴퓨팅과 데이터 인프라의 불균형으로 인해 남북 간 격차를 심화시킬 수 있음을 지적하며, 데이터 중심 접근법, 기후 디지털 공공 인프라 구축, 그리고 지식 공동 생산을 통해 이러한 불평등을 해소하고 진정한 시스템 회복력을 확보해야 한다고 주장합니다.
본 논문은 라벨이 없는 타겟 도메인 데이터를 활용하여 합성 데이터로 학습된 감마 분광법 기반 방사성 동위원소 식별 모델의 실세계 일반화 성능을 향상시키는 비지도 도메인 적응 (UDA) 기법의 유효성을 입증하고, 특히 최대 평균 불일치 (MMD) 최소화를 통한 특징 정렬이 가장 일관된 성능 개선을 가져온다고 제시합니다.
이 논문은 실제 환경에 더 부합하는 승률 (win-rate) 지표를 분석 대상으로 삼아, 적절히 조정된 Best-of-N 방법이 통계적 최적성을 가지며 reward hacking 을 방지하는 개선된 변형을 제안함으로써 기존 연구의 한계를 극복하고 이 방법론의 실용적 성공을 이론적으로 설명합니다.
이 논문은 고해상도 환경 맵 생성 시 기존 딥러닝 모델의 한계를 극복하고 태양 및 구름 형성을 정밀하게 제어할 수 있는 풀 다이내믹 레인지 (FDR) 기반의 새로운 하늘 모델 '이카루스 (Icarus)'를 제안하여 이미지 기반 조명 (IBL) 의 사실성과 정확도를 혁신적으로 향상시켰음을 보여줍니다.
이 논문은 다중 목표 다단계 공급망 최적화 문제를 해결하기 위해, 소량의 데이터로도 다양한 작업에 일반화될 수 있도록 구조화된 하위 문제 분해와 파레토 기반 적응 전략을 결합한 새로운 메타 다목적 강화학습 프레임워크인 MIRACL 을 제안하고 그 우수성을 입증합니다.