9889 편의 논문
이 논문은 강화학습 기반의 글로벌 가이드, 최소비용 흐름을 활용한 리밸런싱, 그리고 지역적 할당 문제를 결합한 GRAND 라는 계층적 알고리즘을 제안하여 대규모 로봇 군집의 생애 주기 픽업 및 배송 (MAPD) 작업에서 2024 년 우승 스케줄러 대비 최대 10% 의 처리량 향상과 실시간 실행을 동시에 달성했습니다.
이 논문은 의료용 비전 - 언어 모델의 인종별 진단 정확도 편차를 줄이기 위해, 최대 정확도 격차 손실 함수를 도입한 공정성 인식 LoRA 기법 (FR-LoRA, GR-LoRA, Hybrid-LoRA) 을 제안하고, 1 만 장의 녹내장 안저 이미지 실험을 통해 GR-LoRA 가 전체 정확도를 유지하면서 진단 편차를 69% 감소시켰음을 입증했습니다.
이 논문은 오프라인 강화학습에서 데이터의 고가치 행동에 집중하도록 유도하는 '가이드드 플로우 정책 (GFP)'을 제안하여, 기존 방법론의 한계를 극복하고 다양한 벤치마크에서 최첨단 성능을 달성했다고 설명합니다.
이 논문은 Zebra 퍼즐 해결을 위한 RL 후학습 과정에서 단일 작업 보상 외에 해답의 순서와 일치하는 보상을 혼합하여 사용하면, 모델이 무작위 순서로 학습된 경우에도 성능이 향상됨을 보여줍니다.
이 논문은 구조적 일관성이 필요한 작업에 적합하도록 입력 위상 정보를 보존하고 크기만 무작위화하는 위상 보존 확산 (Phase-Preserving Diffusion, Ï-PD) 을 제안하여, 기존 확산 모델의 아키텍처 변경 없이도 구조 정렬 생성 및 시뮬레이션에서 현실로의 전이 성능을 향상시킵니다.
이 논문은 성능 저하 없이 어텐션 연결성을 0.4% 수준으로 극도로 희소화하여 모델의 계산 중복성을 제거하고, 이를 통해 회로 단순화와 해석 가능성을 획기적으로 향상시키는 새로운 후학습 기법을 제안합니다.
이 논문은 여러 예측 모델의 비동일성 점수를 e-값으로 변환하고 대칭적 집계 함수를 결합하여 단일하고 더 효율적인 불확실성 집합을 생성하는 새로운 방법인 SACP(Symmetric Aggregated Conformal Prediction) 를 제안하고, 이를 통해 기존 방법들보다 향상된 예측 성능을 입증합니다.
이 논문은 인간 전문가의 개입이나 추가 학습 없이 대규모 언어 모델 (LLM) 과 진화적 탐색 전략을 활용하여 혼합 정밀도 양자화 (MPQ) 를 위한 최적의 자동 프록시를 발견하는 새로운 프레임워크인 TAP 를 제안하고, 이를 통해 기존 방법들의 한계를 극복하고 최첨단 성능을 달성함을 보여줍니다.
이 논문은 KV 캐시 재사용을 가능하게 하고 학습 복잡도를 줄여 기존 확산 모델의 한계를 극복함과 동시에 autoregressive 모델에 필적하는 성능과 속도를 달성한 새로운 병렬 디코딩 모델인 'ReFusion'을 제안합니다.
이 논문은 이진 분류기의 보정 오차를 추정하기 위해 보정 함수의 유계 변동을 가정하거나 분류기를 수정하는 두 가지 비점근적·분포 무관한 상한 bound 를 제시하고, 이를 실용적인 데이터셋에 적용 가능한 절차로 제안합니다.
이 논문은 인지 부하 이론을 기반으로 컨텍스트의 고정된 순서 구조를 완화하여 불필요한 인지 부하를 줄이고, OLMo-2 모델을 기반으로 한 RePo 메커니즘을 통해 노이즈가 많은 맥락이나 긴 문맥에서도 성능을 향상시키는 새로운 언어 모델 접근법을 제안합니다.
이 논문은 텍스트, 이미지, 맥락 신호를 통합하고 LLM 과 SLM 의 시너지를 활용하여 다중 에이전트 및 다중 페르소나 기반의 증거 중심 프레임워크인 AMPEND-LS 를 제안함으로써 기존 방법들의 한계를 극복하고 정확성과 설명 가능성을 향상시킨 다중 모달 가짜 뉴스 탐지 연구를 소개합니다.
이 논문은 단일 모델 호출로 여러 토큰을 예측하여 생성 속도를 2.4 배 향상시키는 '병렬 토큰 예측 (PTP)' 프레임워크를 제안하고, 이를 통해 기존 언어 모델의 순차적 디코딩 한계를 극복함을 보여줍니다.
이 논문은 희소 변량 가우시안 프로세스를 콜모고로프 - 아르논 네트워크 토폴로지에 접목한 SVGP-KAN 프레임워크를 제안하여, 희소한 유속 측정 데이터로부터 시간 해상도가 있는 유동장을 재구성하고 예측의 불확실성을 정량화함으로써 기존 방법들의 성능을 유지하면서도 실험 설계에 실질적인 지침을 제공함을 보여줍니다.
이 논문은 건강한 세포와 악성 세포의 전기적 임피던스 특성을 분석하여 랜덤 포레스트 알고리즘을 활용한 머신러닝 모델이 약 90% 의 정확도로 세포의 악성도를 예측할 수 있음을 입증하고, 이를 기반으로 한 실시간 진단 도구 개발의 가능성을 제시합니다.
이 논문은 가중치와 업데이트 모두에 엄격한 스펙트럼 제약을 부과하여 P 정렬을 달성하고 대규모 모델 학습의 수렴 속도와 안정성을 혁신적으로 개선한 '스펙트럼 구체 최적화기 (SSO)'를 제안합니다.
이 논문은 기존 앙상블 학습의 한계를 극복하고 각 모델의 고유한 행동 프로파일을 기반으로 가중치를 동적으로 부여하는 '행동 프로파일링 앙상블 (BPE)' 프레임워크를 제안하여, 42 개 실제 데이터셋에서 최첨단 동적 앙상블 선택 방법보다 높은 예측 정확도와 낮은 계산 비용을 달성했음을 보여줍니다.
이 논문은 대형 언어 모델 (LLM) 의 추론 능력을 PDDL 기반의 행동 트리 및 반응형 제어에 통합하여 이종 로봇 팀의 장기적 협업 작업 성공률을 기존 대비 55% 로 획기적으로 향상시킨 'EmboTeam' 프레임워크와 새로운 벤치마크 'MACE-THOR'를 제안합니다.
본 논문은 엣지 장치의 메모리 제약을 해결하기 위해 공유된 3 값 (ternary) 프로토타입에 학습된 회전 변환을 적용하여 전문가 수에 따른 선형적 메모리 증가를 극복하고, 256 개의 전문가를 포함하면서도 정확도 손실 없이 150 배의 메모리 감축을 달성한 'ButterflyMoE'를 제안합니다.
이 논문은 사전 훈련 단계에서 Layer-Adaptive Expert Pruning (LAEP) 알고리즘을 도입하여 효율성을 49% 향상시키고 파라미터를 33.3% 줄인 1010B 총 파라미터 규모의 오픈소스 MoE 기반 기업용 대규모 언어 모델 'Yuan3.0 Ultra'를 제안합니다.