9324 편의 논문
이 논문은 기존 방법론들의 한계를 극복하고 결정론적 최적화와 확률적 샘플링을 통합하는 'Score-Guided Proximal Projection(SGPP)' 프레임워크를 제안하여, 사전 훈련된 스코어 필드를 활용한 정규 축소 속성을 통해 분포 외 입력을 데이터 매니폴드로 효과적으로 정렬하면서도 유연한 이미지 편집과 복원을 가능하게 합니다.
이 논문은 Kaggle 스타일의 Tabular ML 태스크에 대한 자율 코딩 에이전트의 성능을 평가하기 위해 TML-Bench 벤치마크를 제안하고, 다양한 오픈소스 LLM 모델에 대해 시간 제한과 반복 실행 조건 하에서의 성공률 및 성능 변이성을 분석했습니다.
이 논문은 서로 다른 도메인에서 학습된 모델 간의 서브공간 충돌을 완화하여 도메인 일반화 성능을 향상시키기 위해 주성분 분석을 기반으로 한 공유 직교 기저를 도출하고 대각선 외 성분을 제거하는 'SCORE'라는 새로운 모델 병합 기법을 제안합니다.
이 논문은 대형 언어 모델의 안전 메커니즘이 '위험 인식'과 '거부 실행'이라는 두 개의 분리된 기하학적 하위 공간으로 작동한다는 '분리된 안전 가설 (DSH)'을 제시하고, 이를 통해 거부 메커니즘을 선택적으로 무력화하는 새로운 공격 기법과 모델별 아키텍처 차이를 규명했습니다.
이 논문은 확률적 제약 하의 분산 확률적 최소 - 최대 최적화 문제를 해결하기 위해 제안된 새로운 1 차 Softmax-가중 스위칭 경사법을 통해, 부분 참여 환경에서도 기존 2 단계 방법론의 민감성과 진동 없이 최적성 및 실현성 보장을 위한 수렴 이론과 실험적 유효성을 입증합니다.
이 논문은 다중 에이전트 협력의 질을 평가할 때 기존 성과 기반 지표가 시간적 구조를 간과하여 협력 실패를 놓칠 수 있음을 지적하고, 이를 해결하기 위해 '완벽한 교대 (Perfect Alternation)'를 기준으로 한 새로운 시간 민감성 지표 (ALT) 를 제안하며, 이를 통해 학습된 정책이 전통적 지표에서는 높은 점수를 받지만 무작위 정책보다 협력 성능이 현저히 낮을 수 있음을 실증합니다.
이 논문은 크로스코더 (crosscoders) 를 활용하여 MoE 와 밀집 모델의 내부 표현을 체계적으로 비교한 결과, MoE 가 더 적은 고유 특징을 학습하고 더 전문화된 표현을 발달시키는 반면, 밀집 모델은 더 광범위한 일반 목적의 특징에 정보를 분산한다는 것을 규명했습니다.
이 논문은 MoE(Mixture of Experts) 모델이 실제로는 소수의 전문화된 전문가에 크게 의존한다는 것을 분석을 통해 규명하고, 이를 바탕으로 성능 저하 없이 추론 효율성을 높일 수 있는 전문가 가지치기 기법의 가능성을 제시합니다.
이 논문은 분류 정확도를 유지하면서 모델의 보정 능력과 강건성을 동시에 향상시키기 위해, 로짓 간격 확보와 예측 일관성을 강제하는 새로운 정규화 프레임워크인 '마진 및 일관성 감독 (MaCS)'을 제안합니다.
이 논문은 소량의 3D 의료 영상 분할 작업에서 수동 설정 없이 어댑터 구성을 자동화하여 기존 방법론보다 성능을 크게 향상시킨 SEA-PEFT(자기 감사 파라미터 효율적 미세 조정) 방법을 제안합니다.
이 논문은 대규모 언어 모델의 테스트 시간 적응을 위한 다수 샷 프롬프팅의 효과와 한계를 실증적으로 분석하여, 구조화된 작업에서는 유익하지만 개방형 생성 작업에서는 선택 전략에 민감하고 효과가 제한적일 수 있음을 규명했습니다.
이 논문은 외부 오라클이나 실행 피드백 없이도 강화 학습을 통해 생성된 코드에 대한 자기 성찰과 자기 수정 능력을 내재화한 새로운 프레임워크 'ReflexiCoder'를 제안하며, 이를 통해 1.5B~14B 크기의 오픈소스 모델 중 최고 성능을 달성하고 추론 시 토큰 효율성을 40% 향상시켰음을 보여줍니다.
이 논문은 이산적인 시간적 모티프 전이를 포아송 과정으로 모델링하여 시계열적 특성을 보존하고 기존 그래프 신경망과 호환되는 'STEP' 프레임워크를 제안함으로써, 기존 방법론 대비 정밀도와 효율성을 크게 향상시킨 사건 예측 기법을 제시합니다.
이 논문은 SparseGPT 의 사전 정의된 가지치기 순서의 한계를 극복하기 위해 가지치기 손실 크기에 따라 가중치와 블록을 재배열하는 'ROSE'를 제안하여, 다양한 대규모 언어 모델에서 기존 방법보다 더 정확한 원샷 가지치기 성능을 달성함을 보여줍니다.
이 논문은 단일 RGB 이미지로부터 완전한 3D 실내 장면 메쉬를 직접 생성하는 자동회귀 기반 방법인 PixARMesh 를 제안하며, 기존 방법과 달리 통합된 모델을 통해 객체 배치와 기하학을 동시에 예측하여 고품질의 메쉬를 단일 순방향 통과로 생성합니다.
이 논문은 개념 병목 모델 (CBM) 의 편향을 완화하기 위해 정보 누출을 줄이는 톱-k 개념 필터, 편향된 개념 제거, 그리고 적대적 편향 제거라는 세 가지 기법을 제안하여 공정성과 성능 간의 균형을 개선한 연구 결과를 제시합니다.
이 논문은 단일 참조 분자만 있는 분자 최적화 과제의 한계를 극복하기 위해, 참조 분자의 중간 추론 경로를 컨텍스트로 활용하여 탐험과 활용을 균형 있게 조율하는 '참조 기반 정책 최적화 (RePO)' 방법을 제안하고 이를 통해 기존 방법론보다 우수한 성능을 입증했습니다.
이 논문은 BERT 기반 감정 분석과 노드 트랜스포머 아키텍처를 통합하여 주가 간 상관관계 및 시장 감정을 고려한 그래프 구조를 구축함으로써, 기존 ARIMA 및 LSTM 모델보다 월등히 낮은 오차율 (MAPE 0.80%) 과 높은 방향성 정확도를 달성한 주식 시장 예측 프레임워크를 제안합니다.
이 논문은 다중 팔 밴딧 알고리즘 비교 실험의 비용을 절감하고 추정의 분산을 줄이기 위해, 한 정책의 실행 궤적을 재사용하여 다른 정책의 평가를 수행하는 '인공 리플레이 (Artificial Replay)'라는 새로운 실험 설계와 그 이론적 근거를 제안합니다.
이 논문은 레이어 정규화나 잔차 연결과 같은 아키텍처적 기법 없이도 심층 신경망의 학습 붕괴를 방지하고 안정성을 확보하기 위해, LeJEPA 프레임워크에서 유래한 SIGReg를 변형하여 공분산 행렬을 타겟으로 하는 경량화된 'Weak-SIGReg' 정규화 기법을 제안하고 이를 통해 비전 트랜스포머 (ViT) 와 심층 MLP 의 학습 성능을 획기적으로 개선함을 보여줍니다.