DreamSAC: Learning Hamiltonian World Models via Symmetry Exploration
이 논문은 물리 법칙의 불변성을 학습하여 외삽 일반화 능력을 향상시키기 위해 해밀토니안 기반 호기심 보상을 활용한 대칭성 탐색 전략과 자체 지도 대조 학습을 결합한 'DreamSAC' 프레임워크를 제안합니다.
🤖 Category
cs.LG
11506 편의 논문
COOL-MC: Verifying and Explaining RL Policies for Multi-bridge Network Maintenance
이 논문은 강화학습 기반 다중 교량 유지보수 정책의 안전성과 해석 가능성을 검증하기 위해 PRISM 모델링 언어와 확률적 모델 체킹 및 설명 기법을 통합한 COOL-MC 도구를 제안하고, 이를 통해 학습된 정책의 안전 위반 확률과 편향을 정량적으로 분석함을 보여줍니다.
ECG Classification on PTB-XL: A Data-Centric Approach with Simplified CNN-VAE
이 논문은 PTB-XL 데이터셋을 활용하여 복잡한 아키텍처 대신 체계적인 데이터 전처리와 클래스 균형 조정, 그리고 간소화된 CNN-VAE 모델을 결합함으로써 의료 신호 분류에서 모델 복잡성을 크게 줄이면서도 경쟁력 있는 성능을 달성할 수 있음을 보여줍니다.
GRD-Net: Generative-Reconstructive-Discriminative Anomaly Detection with Region of Interest Attention Module
이 논문은 생성적·재구성적·판별적 접근법과 관심 영역 (ROI) 어텐션 모듈을 결합한 GRD-Net 을 제안하여, 기존 전처리 알고리즘의 의존성을 줄이고 제약 조건이 있는 산업 환경 (예: 의약품 바이알) 에서 더 일반화된 표면 이상 검출 및 국소화를 가능하게 합니다.
Revisiting the LiRA Membership Inference Attack Under Realistic Assumptions
이 논문은 과적합 방지 및 전이 학습 등 현실적인 조건과 불균형한 사전 확률, 재현성 고려를 적용하여 LiRA 멤버십 추론 공격을 재평가한 결과, 기존 연구보다 공격 효과가 현저히 낮아 실제 프라이버시 감사 시 현실적인 프로토콜이 필요함을 밝혔습니다.
Constraints Matrix Diffusion based Generative Neural Solver for Vehicle Routing Problems
이 논문은 차량 경로 문제 (VRP) 의 제약 조건을 학습하고 이를 생성하는 이산 노이즈 그래프 확산 모델을 도입하여, 기존 오토레거시 솔버의 한계를 극복하고 다양한 벤치마크에서 최첨단 성능을 달성하는 새로운 융합 신경망 프레임워크를 제안합니다.
A Systematic Comparison of Training Objectives for Out-of-Distribution Detection in Image Classification
이 논문은 이미지 분류에서 OOD(Out-of-Distribution) 감지를 위한 네 가지 주요 학습 목적 함수 (교차 엔트로피, 프로토타입, 트리플릿, 평균 정밀도 손실) 를 체계적으로 비교 분석하여, 교차 엔트로피 손실이 전반적으로 가장 일관된 OOD 감지 성능을 보인다는 사실을 규명했습니다.
TS-MLLM: A Multi-Modal Large Language Model-based Framework for Industrial Time-Series Big Data Analysis
이 논문은 시계열 신호, 주파수 영역 이미지, 텍스트 도메인 지식을 통합하여 산업용 예지보전 (PHM) 을 위한 다중 모달 대규모 언어 모델 프레임워크인 TS-MLLM 을 제안하고, 이를 통해 기존 방법보다 우수한 성능과 일반화 능력을 입증했습니다.
Integration of deep generative Anomaly Detection algorithm in high-speed industrial line
이 논문은 제약 산업의 고속 Blow-Fill-Seal (BFS) 생산 라인에서 제한된 시간 내에 실시간으로 결함을 탐지하고 위치를 파악하기 위해, 정상 샘플만으로 학습된 생성적 적대 신경망 (GAN) 기반의 잔차 오토인코더 이상 탐지 알고리즘을 통합한 프레임워크를 제안합니다.
Analysis-Driven Procedural Generation of an Engine Sound Dataset with Embedded Control Annotations
이 논문은 실제 엔진 녹음의 조화 구조를 분석하여 샘플 단위의 정밀한 RPM 및 토크 주석이 포함된 19 시간 분량의 'Procedural Engine Sounds Dataset'을 생성하고, 이를 통해 엔진 사운드 합성 및 제어 파라미터 추정 연구에 활용할 수 있는 데이터셋을 공개했습니다.
Models as Lego Builders: Assembling Malice from Benign Blocks via Semantic Blueprints
이 논문은 LVLM 이 개별적으로는 안전해 보이는 시각적 요소들을 조합해 유해한 의미를 생성하는 '의미적 슬롯 채우기' 취약점을 발견하고, 이를 악용하여 블랙박스 환경에서 단일 쿼리로 모델의 안전 장치를 우회하는 'StructAttack' 프레임워크를 제안합니다.
Shorter Thoughts, Same Answers: Difficulty-Scaled Segment-Wise RL for CoT Compression
이 논문은 추론 단계와 답변 단계를 분리하여 각각에 difficulty-aware 보상 스케일링을 적용하는 DSS-GRPO 를 제안함으로써, CoT(Chain-of-Thought) 의 길이를 효율적으로 단축하면서도 답변의 정확성을 유지하는 방법을 제시합니다.
MetaSort: An Accelerated Approach for Non-uniform Compression and Few-shot Classification of Neural Spike Waveforms
본 논문은 메타-전이 학습을 통해 기하학적 정보를 활용하여 신경 스파이크 파형의 비균일 압축 및 퓨샷 분류 문제를 동시에 해결하는 새로운 알고리즘인 'MetaSort'를 제안하고, 생체 내 실험을 통해 그 우수성을 입증했습니다.
TT-Sparse: Learning Sparse Rule Models with Differentiable Truth Tables
이 논문은 차분 가능한 진리표를 활용하고 새로운 소프트 TopK 연산자를 도입하여, 높은 예측 성능과 낮은 복잡도를 동시에 달성하면서도 완전한 해석 가능성을 보장하는 희소 규칙 기반 모델 'TT-Sparse'를 제안하고 다양한 데이터셋에서 기존 최첨단 방법론보다 우수한 성능을 입증했습니다.
MAS-H2: A Hierarchical Multi-Agent System for Holistic Cloud-Native Autoscaling
이 논문은 비즈니스 정책과 리소스 프로비저닝 간의 전략적 공백을 해소하고, 예측 기반의 계층적 다중 에이전트 시스템 (MAS-H2) 을 통해 클라우드 네이티브 환경의 자동 확장 성능을 획기적으로 개선하고 제로 다운타임 전략 마이그레이션을 가능하게 하는 종단 간 솔루션을 제안합니다.
Compression as Adaptation: Implicit Visual Representation with Diffusion Foundation Models
이 논문은 고정된 시각 생성 모델에 저랭크 적응 (LoRA) 을 부착하여 신호를 함수로 인코딩하는 새로운 프레임워크를 제안함으로써, 극저 비트레이트에서 강력한 지각적 비디오 압축을 실현하고 압축과 생성을 통합하는 새로운 패러다임을 제시합니다.
SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control
이 논문은 인간의 보행 적응 과정을 단계적으로 반영한 '단계적 다중 에이전트 훈련 (SMAT)' 방식을 제안하여, 개별 사용자 재학습 없이도 다양한 피험자에게 일관된 보조와 양의 기계적 에너지를 제공하는 적응형 외골격 제어 정책을 성공적으로 개발하고 실험적으로 검증했습니다.
Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics
이 논문은 확산 모델의 높은 추론 에너지 소모 문제를 해결하기 위해 실리콘 포토닉스 기반 가속기를 제안했으며, 실험 결과 기존 최첨단 가속기 대비 3 배 이상의 에너지 효율과 5.5 배의 처리량 향상을 달성했음을 보여줍니다.
Exoskeleton Control through Learning to Reduce Biological Joint Moments in Simulations
이 논문은 시뮬레이션 기반 강화학습을 통해 인간 보행 시 생물학적 관절 모멘트를 감소시키는 외골격 제어 정책을 학습하고, 오픈소스 보행 데이터를 통해 훈련된 제어 네트워크의 토크 예측 정확도와 생체 역학적 일관성을 정량적으로 검증하는 프레임워크를 제시합니다.
Helix: Evolutionary Reinforcement Learning for Open-Ended Scientific Problem Solving
이 논문은 복잡한 과학적 문제를 해결하기 위해 문맥 학습을 통한 탐색과 강화 학습을 통한 정책 정제를 결합한 계층적 진화 강화 학습 프레임워크 'HELIX'를 제안하며, 원형 패킹 및 머신러닝 벤치마크에서 기존 최첨단 모델보다 우수한 성능을 입증합니다.